概率統(tǒng)計與Python解法

第1章 隨機(jī)事件及其概率
1.1 隨機(jī)試驗(yàn)與隨機(jī)事件
1.1.1 隨機(jī)試驗(yàn)
1.1.2 隨機(jī)事件
1.1.3 隨機(jī)事件的概率
1.1.4 Python解法
1.2 古典概型與幾何概型
1.2.1 古典概型
1.2.2 幾何概型
1.2.3 Python解法
1.3 條件概率與事件的獨(dú)立性
1.3.1 條件概率
1.3.2 乘法公式與事件的獨(dú)立性
1.3.3 Python解法
1.4 全概率公式與貝葉斯公式
1.4.1 全概率公式
1.4.2 貝葉斯公式
1.4.3 Python解法
第2章 隨機(jī)變量及其分布
2.1 隨機(jī)變量及其分布函數(shù)
2.1.1 隨機(jī)變量
2.1.2 隨機(jī)變量的分布函數(shù)
2.1.3 Python解法
2.2 離散型隨機(jī)變量
2.2.1 離散型隨機(jī)變量及其分布律
2.2.2 離散型隨機(jī)變量的分布函數(shù)
2.2.3 常用離散型隨機(jī)變量的分布
2.2.4 Python解法
2.3 連續(xù)型隨機(jī)變量
2.3.1 連續(xù)型隨機(jī)變量的概率密度函數(shù)
2.3.2 常用連續(xù)型隨機(jī)變量的分布
2.3.3 Python解法
2.4 隨機(jī)變量函數(shù)的分布
2.4.1 離散型隨機(jī)變量函數(shù)的分布
2.4.2 連續(xù)型隨機(jī)變量函數(shù)的分布
2.4.3 Python解法
2.5 本章附錄
第3章 隨機(jī)向量
3.12 -維隨機(jī)向量的聯(lián)合分布函數(shù)
3.2 離散型2-維隨機(jī)向量
3.2.1 離散型2-維隨機(jī)向量的聯(lián)合分布律
3.2.2 離散型2-維隨機(jī)向量的邊緣分布與條件分布
3.2.3 離散型隨機(jī)變量的獨(dú)立性
3.2.4 Python解法
3.3 連續(xù)型2-維隨機(jī)向量
3.3.1 連續(xù)型2-維隨機(jī)向量的聯(lián)合密度函數(shù)
3.3.2 連續(xù)型2-維隨機(jī)向量的邊緣分布與條件分布
3.3.3 連續(xù)型隨機(jī)變量的獨(dú)立性
3.3.4 Python解法
3.4 隨機(jī)向量函數(shù)的分布
3.4.1 離散型2-維隨機(jī)向量函數(shù)的分布
3.4.2 連續(xù)型2-維隨機(jī)向量函數(shù)的分布
3.5 正態(tài)分布簇的分位點(diǎn)及其計算
3.5.1 隨機(jī)變量分布的分位點(diǎn)
3.5.2 標(biāo)準(zhǔn)正態(tài)分布分位點(diǎn)計算
3.5.3 ×2分布分位點(diǎn)計算
3.5.4 t分布分位點(diǎn)計算
3.5.5 F分布分位點(diǎn)計算
3.5.6 Python解法
3.6 本章附錄
第4章 隨機(jī)變量的數(shù)字特征
4.1 隨機(jī)變量的數(shù)學(xué)期望
4.1.1 離散型隨機(jī)變量的數(shù)學(xué)期望
4.1.2 連續(xù)型隨機(jī)變量的數(shù)學(xué)期望
4.1.3 隨機(jī)變量函數(shù)的數(shù)學(xué)期望
4.1.4 數(shù)學(xué)期望的性質(zhì)
4.1.5 Python解法
4.2 隨機(jī)變量的方差
4.2.1 隨機(jī)變量的方差及其計算
4.2.2 方差的性質(zhì)
4.2.3 Python解法
4.3 回歸系數(shù)和相關(guān)系數(shù)
4.3.1 隨機(jī)變量X與Y的回歸系數(shù)
4.3.2 協(xié)方差與相關(guān)系數(shù)
4.3.3 Python解法
4.4 大數(shù)定律與中心極限定理
4.4.1 切比雪夫不等式
4.4.2 切比雪夫大數(shù)定律
4.4.3 貝努利大數(shù)定律
4.4.4 中心極限定理
4.4.5 驗(yàn)證中心極限定理的Python程序
4.5 本章附錄
第5章 數(shù)理統(tǒng)計的基本概念
5.1 簡單樣本
5.1.1 樣本觀測值的直方圖
5.1.2 經(jīng)驗(yàn)分布函數(shù)
5.1.3 Python解法
5.2 樣本統(tǒng)計量
5.2.1 常用統(tǒng)計量
5.2.2 正態(tài)總體的樣本統(tǒng)計量分布
5.2.3 兩個正態(tài)總體的樣本統(tǒng)計量分布
5.2.4 Python解法
5.3 本章附錄
第6章 參數(shù)估計
6.1 參數(shù)的點(diǎn)估計
6.1.1 參數(shù)的點(diǎn)估計及其性質(zhì)
6.1.2 用樣本均值和樣本方差估計總體期望和方差
6.1.3 矩估計法
6.1.4 最大似然估計
6.1.5 Python解法
6.2 參數(shù)的區(qū)間估計
6.2.1 參數(shù)的區(qū)間估計概念
6.2.2 單個正態(tài)總體參數(shù)μ的區(qū)間估計
6.2.3 單個正態(tài)總體參數(shù)σ2的區(qū)間估計
6.2.4 兩個正態(tài)總體的均值差的區(qū)間估計
6.2.5 兩個正態(tài)總體方差比的區(qū)間估計
6.2.6 Python解法
6.3 本章附錄
第7章 假設(shè)檢驗(yàn)
7.1 單個正態(tài)總體均值μ和方差σ2的假設(shè)檢驗(yàn)
7.1.1 已知總體方差σ2，對總體均值μ的假設(shè)檢驗(yàn)
7.1.2 總體方差。2未知，對總體均值μ的假設(shè)檢驗(yàn)
7.1.3 總體方差。2的假設(shè)檢驗(yàn)
7.1.4 假設(shè)檢驗(yàn)的p值方法
7.1.5 Python解法
7.2 兩個正態(tài)總體均值差μ1-μ2、方差比σ12/σ22的假設(shè)檢驗(yàn)
7.2.1 已知總體方差σ12和σ22，對總體均值差μ1-μ2的假設(shè)檢驗(yàn)
7.2.2 總體方差σ12和σ22未知但σ12=σ22，對總體均值差的假設(shè)檢驗(yàn)
7.2.3 總體方差比σ12/σ22的假設(shè)檢驗(yàn)
7.2.4 Python解法
7.3 非參數(shù)假設(shè)檢驗(yàn)
7.3.1 基于成對數(shù)據(jù)的檢驗(yàn)
7.3.2 分布擬合檢驗(yàn)
7.3.3 聯(lián)列表中相互獨(dú)立性的檢驗(yàn)
7.3.4 有限個總體同分布檢驗(yàn)
7.3.5 Python解法
第8章 方差分析和線性回歸
8.1 單因素試驗(yàn)的方差分析
8.1.1 單因素試驗(yàn)?zāi)Ｐ?br /> 8.1.2 平方和分解
8.1.3 SE和SA的統(tǒng)計性質(zhì)
8.1.4 假設(shè)檢驗(yàn)
8.1.5 參數(shù)估計
8.1.6 Python解法