GitModel数学建模学习打卡Task03-概率论篇

（一）概率论专题

1.随机现象与概率
相关概念：
（1）随机现象：在一定条件下,并不总是出现相同结果的现象。
（2）随机试验：可重复的随机现象又称为随机试验，简称试验。
（3）样本点：认识一个随机现象首要的是能罗列出它的一切可能发生的基本结果，这里的“基本结果”是指随机现象的最简单的结果，基本结果又称为样本点。
（4）样本空间：随机现象所有基本结果（样本点）的全体称为这个随机现象的样本空间。
（5）随机事件：随机现象的某些基本结果组成的集合称为随机事件。
（6）事件间的关系：事件的包含关系、事件的相等关系、事件的互不相容性和必然事件与不可能事件
（7）事件的运算：对立事件、并运算、交运算和差运算
（8）事件的概率：概率的公理化定义：在一个随机现象中，用来表示任一个随机事件 发生可能性大小的实数(即比率)称为该事件的概率（非负性公理、正则性公理和可加性公理）
（9）事件的独立性：两个事件之间的独立性是指一个事件的发生不影响另一个事件的发生。

2.条件概率、乘法公式、全概率公式与贝叶斯公式
相关概念：
（1）条件概率：条件概率要涉及两个事件A与B，在事件B已发生的条件下，事件A再发生的概率称为条件概率。

（2）乘法公式：乘法公式是条件概率的第一个重要应用，它从条件概率的角度描述了两个事件A、B同时发生的概率是怎么计算的。

（3）全概率公式：全概率公式是计算复杂概率的一个重要方法，使一个复杂概率的计算能化繁为简。

（4）贝叶斯公式：结合条件概率公式、乘法公式和全概率公式，我们能得到强大的贝叶斯公式。

3. 一维随机变量及其分布函数和密度函数
（1）离散随机变量和连续随机变量的概念
（2）计算一个由随机变量表示的随机事件的概率的思路有两种：直接计算法（利用分布函数计算） 和 间接计算法（利用密度函数计算）。
（3）分布函数

（4）密度函数
对于连续随机变量来说

对于离散随机变量来说，我们往往使用分布列去对应连续随机变量密度函数的概念。因为连续随机变量的密度函数使用的是积分来表达的，而离散情况下往往只需要简单的求和就可以了。

已知密度函数求分布函数Code：integrate(p_x, (x, -oo, x))
已知分布函数求密度函数Code：diff(f_x,x,1)

（5）常见的连续型随机变量及其密度函数

知识点1：np.full 构造一个数组，用指定值填充其元素

知识点2：使用scipy计算pdf画图(非自定义函数)
from scipy.stats import expon # 指数分布
plt.plot(x, expon.pdf(x),‘r-’, lw=5, alpha=0.6, label=‘expon pdf’) # pdf表示求密度函数值

知识点3：使用scipy计算cdf画图(非自定义函数)
from scipy.stats import expon # 指数分布
plt.plot(x, expon.cdf(x),‘r-’, lw=5, alpha=0.6, label=‘expon cdf’) # cdf表示求分布函数值

（6）常见的离散型随机变量及其分布列



关于泊松分布

知识点1：math.factorial计算阶乘

知识点2：plt.scatter散点图

知识点3：binom.pmf二项分布

知识点4：plt.vlines
vlines用于绘制竖直线(vertical lines),
参数说明：vline(x坐标值, y坐标最小值, y坐标值最大值)

4. 一维随机变量的数字特征：期望、方差、分位数与中位数
（1）数学期望（均值）：“数学期望”是指用概率分布算得的一种加权平均。

（2）方差与标准差：随机变量X的数学期望E(X)是分布的一种位置特征数，它刻画了X的取值总在E(X)周围波动，但这个位置特征数无法反映出随机变量取值的“波动大小”。如何用数值来反映随机变量取值的“波动”大小，方差与标准差是一个不错的衡量指标。

知识点1：scipy.stats的各种分布包
from scipy.stats import bernoulli # 0-1分布
from scipy.stats import binom # 二项分布
from scipy.stats import poisson # 泊松分布
from scipy.stats import rv_discrete # 自定义离散随机变量
from scipy.stats import uniform # 均匀分布
from scipy.stats import expon # 指数分布
from scipy.stats import norm # 正态分布
from scipy.stats import rv_continuous # 自定义连续随机变量

知识点2：.mean()、.var()和.std()

（3）分位数与中位数

知识点3：scipy.stats的norm

知识点4：.ppf计算分位数点

5. 多维随机变量及其联合分布、边际分布、条件分布
（1）多维随机变量

（2）多维随机变量的联合分布函数

（3）多维连续随机变量的联合密度函数

（4）多维离散随机变量的联合分布列

6. 多维随机变量的数字特征：期望向量、协方差与协方差矩阵、相关系数与相关系数矩阵、条件期望

7. 随机变量序列的收敛状态：依概率收敛、依分布收敛

8.大数定律

9.中心极限定理

10.数学建模综合案例分析：投资组合风险分析