李航老师《统计学习》的课程笔记（数学基础篇）

最新推荐文章于 2024-09-09 09:50:42 发布

llluka77

最新推荐文章于 2024-09-09 09:50:42 发布

阅读量334

点赞数 1

文章标签：矩阵线性代数概率论

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_52901905/article/details/128963053

版权

本文介绍了矩阵和向量空间的基础知识，包括矩阵乘法和向量的内积。接着，阐述了概率的基本概念，如乘法定理、全概率公式和贝叶斯公式。进一步讨论了随机变量的类型，如离散型（二项分布、泊松分布）和连续型（均匀分布、指数分布、正态分布）。文章还涉及了离散随机变量的函数、多维随机变量的分布、条件分布以及统计学中的中心极限定理和抽样分布。最后提到了参数估计方法，包括极大似然估计和贝叶斯估计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、矩阵和向量空间

1.矩阵的概念及使用

1.矩阵的乘法：矩阵乘法与 Hadaward(按位)乘法（必须满足两矩阵形状一样）

2.向量空间的概念和使用

1. 两个向量的内积： $A*B = AB^T=|A||B|cos\theta$ （当内积等于0，两向量正交）

2.当求向量某个方向上的向量时： $A*E=|A|cos\theta$

二、概率基础

1.概率的概念

2.概率的公式

（乘法定理）： $P(AB)=P(B|A)P(A)$ $P(ABC)=P(C|AB)P(B|A)P(A)$

全概率公式： $P(A)=P(A|B_{1})+P(A|B_{2})+P(A|B_{3})+\cdots +P(A|B_{n})$

贝叶斯公式： $P(B_{i}|A)=\frac{P(A|B_{i})P(B_{i})}{\sum_{j=1}^{n}P(A|B_{j})P(B_{j})}$

事件的独立性

三、随机变量及其分布

1.随机变量

1.定义

2.刻画随机变量的方法：离散型随机变量（概率分布）： $P(x_{1}=i)=\frac{1}{6};i=(1,\cdots ,6)$

连续性随机变量（概率密度）： $P(a\leq x\leq b)=\int_{a}^{b}f_{x}(t)dt$

2.离散型概率分布

1.（0-1分布): $P\left \{ X=k \right \}=p^{k}(1-p)^{1-k}$ 其中k=0，1 0<p<1

2.（n重）伯努利试验、二项分布： $P\left \{ X=k \right \}=C_{n}^{k}p^{k}(1-p)^{n-k}$ ，记为X~b(n,p)

3.泊松分布： $P\left \{ X=k \right \}=\frac{\lambda ^{k}e^{-\lambda }}{k!},k=0,1,2\cdots$ ，记为X~ $\pi$ ( $\lambda$ )

3.连续型概率分布

1.概率密度

2.均匀分布： $f(x)= \frac{1}{b-a} (a<x<b)$ ,记为X~U(a,b)

3.指数分布： $f(x)=\frac{1}{\theta }e^{-x/\theta },0<x$ 或 $f(x)=\lambda e^{-\lambda x},0<x$ $\lambda =\frac{1}{\theta }$

4.正态分布： $f(x)=\frac{1}{\sqrt{2\pi }\sigma }e^{-(x-\mu )^{2}/2\sigma ^{2}},-\infty <x<+\infty$ ,记为 $Z=\frac{X-\mu }{\sigma }~N(0,1)$

4.离散随机变量的函数

$f(x)=f_{x}[h(y)]|{h}'(y)|,\alpha <x<\beta$

其中 h(y)是g(x)的反函数 $\alpha =min\left \{ g(-\infty )<x<g(+\infty )) \right \},\beta =max\left \{ g(-\infty )<x<g(+\infty ) \right \}$

5.多维随机变量及其分布

1.二维随机变量函数： $F(x,y)=P\left \{ (X\leqslant x)\cap (Y\leq y) \right \}=P\left \{ X\leq x,Y\leq y \right \}$

离散型分布；连续型分布；边缘分布律（单一变量分布）

2.条件分布

3.独立随机变量

4.数学期望

5.方差、标准差或均方差

6.相关系数、协方差

四、中心极限定理

n个独立同分布的随机变量相叠加，得到的和将越来越近私于一个正态分布。

在实际中，一个随机现象往往是多个随机因素的叠加。所以很多随机现象的分布都可以用正态分布来描述。

五、样本及抽样分布

在概率论里，我们所研究的随机变量分布都是假设已知。

1.随机样本

2.频率直方图

六、极大似然估计和贝叶斯估计

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。