- 在线播放
- 分集下载
- 1.1.1 综述(P1)
- 2.1.2 随机试验(P2)
- 3.1.3 样本空间和随机事件(P3)
- 4.1.4.1 事件的关系与运算(上)(P4)
- 5.1.4.2 事件的关系与运算(下)(P5)
- 6.1.5.1 频率与概率(上)(P6)
- 7.1.5.2 频率与概率(下)(P7)
- 8.1.6 古典概型(P8)
- 9.2.1 条件概率(P9)
- 10.2.2.1 乘法公式(上)(P10)
- 11.2.2.2 乘法公式(下)(P11)
- 12.2.3 全概率公式(P12)
- 13.2.4 贝叶斯公式(P13)
- 14.2.5.1 事件的独立性(上)(P14)
- 15.2.5.2 事件的独立性(下)(P15)
- 16.3.1 随机变量的概念(P16)
- 17.3.2 离散型随机变量定义(P17)
- 18.3.3.1 两点分布与二项分布(上)(P18)
- 19.3.3.2 两点分布与二项分布(下)(P19)
- 20.3.4 泊松分布(P20)
- 21.3.5.1 随机变量的分布函数(上)(P21)
- 22.3.5.2 随机变量的分布函数(下)(P22)
- 23.4.1 连续型随机变量及其概率密度(P23)
- 24.4.2 均匀分布与指数分布(P24)
- 25.4.3.1 正态分布(上)(P25)
- 26.4.3.2 正态分布(下)(P26)
- 27.4.4.1 随机变量的函数的分布(上)(P27)
- 28.4.4.2 随机变量的函数的分布(下)(P28)
- 29.5.1 二维随机变量及其分布函数(P29)
- 30.5.2 二维离散型随机变量(P30)
- 31.5.3 二维连续型随机变量(P31)
- 32.5.4 离散型随机变量的边缘分布律(P32)
- 33.5.5 连续型随机变量的边缘概率密度(P33)
- 34.5.6 二维均匀分布和二维正态分布(P34)
- 35.6.1 离散型随机变量的条件分布律(P35)
- 36.6.2 连续型随机变量的条件概率密度(P36)
- 37.6.3 离散型随机变量的独立性(P37)
- 38.6.4 连续型随机变量的独立性(P38)
- 39.6.5 X+Y的分布(P39)
- 40.6.6 max(X,Y)及min(X,Y)的分布(P40)
- 41.7.1.1 离散型随机变量的数学期望(上)(P41)
- 42.7.1.2 离散型随机变量的数学期望(下)(P42)
- 43.7.2 连续型随机变量的数学期望(P43)
- 44.7.3 数学期望的性质及应用(P44)
- 45.7.4 随机变量函数的数学期望(P45)
- 46.7.5 方差的定义(P46)
- 47.8.1 方差的计算(P47)
- 48.8.2.1 方差的性质(上)(P48)
- 49.8.2.2 方差的性质(下)(P49)
- 50.8.3 切比雪夫不等式(P50)
- 51.8.4.1 协方差及相关系数(上)(P51)
- 52.8.4.2 协方差及相关系数(下)(P52)
- 53.8.5 矩、协方差矩阵(P53)
- 54.9.1 切比雪夫大数定律(P54)
- 55.9.2 伯努利大数定律与辛钦大数定律(P55)
- 56.9.3 中心极限定理(P56)
- 57.9.4 中心极限定理例题解析(P57)
- 58.10.1 总体和样本(P58)
- 59.10.2.1 直方图和箱线图(上)(P59)
- 60.10.2.2 直方图和箱线图(下)(P60)
- 61.10.3 统计量与经验分布函数(P61)
- 62.10.4 χ2分布(P62)
- 63.10.5 t分布、F分布(P63)
- 64.10.6.1 正态总体的抽样分布(上)(P64)
- 65.10.6.2 正态总体的抽样分布(下)(P65)
- 66.11.1 参数估计综述(P66)
- 67.11.2 点估计(P67)
- 68.11.3.1 极大似然估计(上)(P68)
- 69.11.3.2 极大似然估计(中)(P69)
- 70.11.3.3 极大似然估计(下)(P70)
- 71.11.4 估计量的评选标准(P71)
- 72.12.1.1 区间估计(上)(P72)
- 73.12.1.2 区间估计(下)(P73)
- 74.12.2 单侧置信区间(P74)
- 75.12.3.1 正态总体均值与方差的区间估计(上)(P75)
- 76.12.3.2 正态总体均值与方差的区间估计(下)(P76)
- 77.12-4 (0-1)分布参数的区间估计(P77)
- 78.13.1 假设检验的基本思想(P78)
- 79.13.2.1 假设检验的一般步骤(上)(P79)
- 80.13.2.2 假设检验的一般步骤(下)(P80)
- 81.13.3.1 正态总体均值的假设检验(上)(P81)
- 82.13.3.2 正态总体均值的假设检验(下)(P82)
- 83.13.4.1 正态总体方差的假设检验(上)(P83)
- 84.13.4.2 正态总体方差的假设检验(下)(P84)
概率论与数理统计的相关介绍
学习会计学的人都知道,概率论与数理统计是一门研究随机现象量的规律性的数学学科,是近代数学的重要组成部分,同时也是近代经济理论的应用与研究的重要数学工具。希望我们收录的这部西师版概率论与数理统计可以帮助您更好的学习。
从随机现象说起,在自然界和现实生活中,一些事物都是相互联系和不断发展的。在它们彼此间的联系和发展中,根据它们是否有必然的因果联系,可以分成截然不同的两大类:一类是确定性的现象。这类现象是在一定条件下,必定会导致某种确定的结果。举例来说,在标准大气压下,水加热到100摄氏度,就必然会沸腾。事物间的这种联系是属于必然性的。通常的自然科学各学科就是专门研究和认识这种必然性的,寻求这类必然现象的因果关系,把握它们之间的数量规律。
另一类是不确定性的现象。这类现象是在一定条件下,它的结果是不确定的。举例来说,同一个工人在同一台机床上加工同一种零件若干个,它们的尺寸总会有一点差异。又如,在同样条件下,进行小麦品种的人工催芽试验,各棵种子的发芽情况也不尽相同,有强弱和早晚的分别等等。为什么在相同的情况下,会出现这种不确定的结果呢?这是因为,我们说的“相同条件”是指一些主要条件来说的,除了这些主要条件外,还会有许多次要条件和偶然因素又是人们无法事先一一能够掌握的。正因为这样,我们在这一类现象中,就无法用必然性的因果关系,对个别现象的结果事先做出确定的答案。事物间的这种关系是属于偶然性的,这种现象叫做偶然现象,或者叫做随机现象。
在自然界,在生产、生活中,随机现象十分普遍,也就是说随机现象是大量存在的。比如:每期体育彩票的中奖号码、同一条生产线上生产的灯泡的寿命等,都是随机现象。因此,我们说:随机现象就是:在同样条件下,多次进行同一试验或调查同一现象,所的结果不完全一样,而且无法准确地预测下一次所得结果的现象。随机现象这种结果的不确定性,是由于一些次要的、偶然的因素影响所造成的。
随机现象从表面上看,似乎是杂乱无章的、没有什么规律的现象。但实践证明,如果同类的随机现象大量重复出现,它的总体就呈现出一定的规律性。大量同类随机现象所呈现的这种规律性,随着我们观察的次数的增多而愈加明显。比如掷硬币,每一次投掷很难判断是那一面朝上,但是如果多次重复的掷这枚硬币,就会越来越清楚的发现它们朝上的次数大体相同。我们把这种由大量同类随机现象所呈现出来的集体规律性,叫做统计规律性。概率论和数理统计就是研究大量同类随机现象的统计规律性的数学学科。
概率论和数理统计是一门随机数学分支,它们是密切联系的同类学科。但是应该指出,概率论、数理统计、统计方法又都各有它们自己所包含的不同内容。概率论——是根据大量同类随机现象的统计规律,对随机现象出现某一结果的可能性作出一种客观的科学判断,对这种出现的可能性大小做出数量上的描述;比较这些可能性的大小、研究它们之间的联系,从而形成一整套数学理论和方法。
数理统计——是应用概率的理论来研究大量随机现象的规律性;对通过科学安排的一定数量的实验所得到的统计方法给出严格的理论证明;并判定各种方法应用的条件以及方法、公式、结论的可靠程度和局限性。使我们能从一组样本来判定是否能以相当大的概率来保证某一判断是正确的,并可以控制发生错误的概率。
概率论作为一门数学分支,它所研究的内容一般包括随机事件的概率、统计独立性和更深层次上的规律性。概率是随机事件发生的可能性的数量指标。在独立随机事件中,如果某一事件在全部事件中出现的频率,在更大的范围内比较明显的稳定在某一固定常数附近。就可以认为这个事件发生的概率为这个常数。对于任何事件的概率值一定介于0和1之间。