概率论中的一些概念

古典概型

即等可能概型，空间中包含有限个元素，每个元素出现的概率是一样的，例如掷硬币。

条件概率

P(B|A)表示在发生A的情况下发生B。

独立性

P(AB)表示既发生了A也发生了B。P(AB)=P(A)P(B),则AB相互独立。

***通常说的分布指概率密度 ***

离散型随机变量及其分布律

(0-1)分布
伯努利试验&二项分布
伯努利试验即重复n次的独立(0-1)分布试验，其分布称之为二项分布，表示为X~b(n,p)，n为重复的次数，p为正项的概率。
泊松分布
随机变量X的取值为0,1,2,3,4,5,6…而各个取值的概率为
泊松分布具有强大的现实意义。请查看知乎这个大神。知乎链接

离散型随机变量的分布函数

F(x) = P{X<=x}，即分布函数是分布律的积分（从-00积分到x）

连续型随机变量及其概率密度&分布函数

分布函数依旧是概率密度的积分。概率密度可以近似的理解为在某个点的概率。

常见的连续型随机变量的分布

均匀分布
指数分布

正态分布

正态分布的几个特征点：
1.对称轴
2.极值点
3.一个标准差之间：68.26%，二个标准差之间：95.44%，三个标准差之间：95.74%，这就是“3detha法则”。

二维随机变量的概率密度及其分布

和一维的概念一致，计算方法、公式等一样。

二维随机变量的边缘分布

对另外一个做积分。

二维正态分布

略

随机变量的数学特征（统计特征）

均值
方差、标准差

协方差&相关系数

协方差

协方差的意义是：X,Y在变化的过程中是不是同向变化？即X变大，Y也变大？COV为正则表示是同向变化，为负责表示反向变化。数值越大，表示同向or反向程度越大。
相关系数

相关系数是进化版的协方差。协方差存在一个问题，就是X,Y本身方差的数值会影响协方差的数值，相关系数就是剔除这个影响。

矩&协方差矩阵

k阶原点矩

k阶中心矩

协方差矩阵

大数定律

我的理解：数据量越大，观测值的统计特征越接近于理论值。

中心极限定律

直方图

箱线图

极大似然估计法

应用于离散型，独立同分布。
我的理解：就是参数为什么值时，发生现在这种情况的概率最大？然后我们就取参数为该值。
计算步骤：
step1，计算似然函数：

注意，将现在情况的数值带入到似然函数中。
step2，取对数：
纯粹是为了方便计算
step3：对数求导等于0即为解。