武汉理工大学《概率论与数理统计》复习重点笔记
概率论与数理统计总复习知识点归纳
概率论与数理统计总复习知识点归纳1.概率论的基础概念-随机事件、样本空间和事件的关系。
-频率和概率的关系，概率的基本性质。
-古典概型和几何概型的概念。
-条件概率和乘法定理。
-全概率公式和贝叶斯公式。
-随机变量和概率分布函数的概念。
-离散型随机变量和连续型随机变量的定义、概率质量函数和概率密度函数的性质。
2.随机变量的数字特征-随机变量的数学期望、方差、标准差和切比雪夫不等式。
-协方差、相关系数和线性变换的数学期望和方差公式。
-两个随机变量的和、差、积的数学期望和方差公式。
3.大数定律和中心极限定理-大数定律的概念和三级强大数定律。
-中心极限定理的概念和中心极限定理的两种形式。
4.数理统计的基本概念和方法-总体、样本和抽样方法的概念。
-样本统计量和抽样分布的概念。
-点估计和区间估计的概念。
-假设检验的基本思想和步骤。
-正态总体的参数的假设检验和区间估计。
5.参数估计和假设检验的方法和推广-极大似然估计的原理和方法。
-矩估计的原理和方法。
-最小二乘估计的原理和方法。
-一般参数的假设检验和区间估计。
6.相关分析和回归分析-相关系数和线性相关的概念和性质。
-回归分析的一般原理。
-简单线性回归的估计和检验。
7.非参数统计方法-秩和检验和符号检验的基本思想和应用。
-秩相关系数的计算和检验。
8.分布拟合检验和贝叶斯统计-卡方拟合检验的原理和方法。
-正态总体参数的拟合优度检验。
-贝叶斯估计的基本思想和方法。
9.时间序列分析和质量控制-时间序列的基本性质和分析方法。
-时间序列预测的方法和模型。
-质量控制的基本概念和控制图的应用。
以上是概率论与数理统计总复习知识点的归纳，希望对你的复习有所帮助。
概率论与数理统计期末复习重要知识点及公式整理
概率论与数理统计期末复习重要知识点第二章知识点：1.离散型随机变量：设X 是一个随机变量，如果它全部可能的取值只有有限个或可数无穷个，则称X 为一个离散随机变量。
2.常用离散型分布：（1）两点分布（0-1分布）：若一个随机变量X 只有两个可能取值，且其分布为12{},{}1(01)P X x p P X x pp ====-<<，则称X 服从12,x x 处参数为p 的两点分布。
两点分布的概率分布：12{},{}1(01)P X x p P X x pp ====-<<两点分布的期望：()E X p =；两点分布的方差：()(1)D X p p =-（2）二项分布：若一个随机变量X 的概率分布由式{}(1),0,1,...,.k kn k n P x k C p p k n -==-=给出，则称X 服从参数为n,p 的二项分布。
记为X~b(n,p)(或B(n,p)).两点分布的概率分布：{}(1),0,1,...,.k k n kn P x k C p p k n -==-= 二项分布的期望：()E X np =；二项分布的方差：()(1)D X np p =-（3）泊松分布：若一个随机变量X 的概率分布为{},0,0,1,2,...!kP X k ek k λλλ-==>=，则称X 服从参数为λ的泊松分布，记为X~P (λ)泊松分布的概率分布：{},0,0,1,2,...!kP X k ek k λλλ-==>=泊松分布的期望：()E X λ=；泊松分布的方差：()D X λ=4.连续型随机变量：如果对随机变量X 的分布函数F(x)，存在非负可积函数()f x ，使得对于任意实数x ，有(){}()xF x P X x f t dt-∞=≤=⎰，则称X 为连续型随机变量，称()f x 为X 的概率密度函数，简称为概率密度函数。
5.常用的连续型分布：（1）均匀分布：若连续型随机变量X 的概率密度为⎪⎩⎪⎨⎧<<-=其它,0,1)(bx a a b x f ，则称X 在区间（a,b ）上服从均匀分布，记为X~U(a,b)均匀分布的概率密度：⎪⎩⎪⎨⎧<<-=其它,0,1)(b x a a b x f 均匀分布的期望：()2a bE X +=；均匀分布的方差：2()()12b a D X -= （2）指数分布：若连续型随机变量X 的概率密度为00()0xe xf x λλλ-⎧>>=⎨⎩，则称X 服从参数为λ的指数分布，记为X~e (λ)指数分布的概率密度：00()0xe xf x λλλ-⎧>>=⎨⎩指数分布的期望：1()E X λ=；指数分布的方差：21()D X λ=（3）正态分布：若连续型随机变量X的概率密度为2()2()x f x x μσ--=-∞<<+∞则称X 服从参数为μ和2σ的正态分布，记为X~N(μ,2σ)正态分布的概率密度：22()2()x f x x μσ--=-∞<<+∞正态分布的期望：()E X μ=；正态分布的方差：2()D X σ=（4）标准正态分布：20,1μσ==，2222()()x t xx x e dtϕφ---∞=标准正态分布表的使用： （1）()1()x x x φφ<=--（2）~(0,1){}{}{}{}()()X N P a x b P a x b P a x b P a x b b a φφ<≤=≤≤=≤<=<<=-（3）2~(,),~(0,1),X X N Y N μμσσ-=故(){}{}()X x x F x P X x P μμμφσσσ---=≤=≤={}{}()()a b b a P a X b P Y μμμμφφσσσσ----<≤=≤≤=-定理1： 设X~N(μ,2σ),则~(0,1)X Y N μσ-=6.随机变量的分布函数： 设X 是一个随机变量，称(){}F x P X x =≤为X 的分布函数。
概率论与数理统计重点笔记
概率论与数理统计重点笔记
概率论与数理统计是数学中的重要分支，它涉及到随机现象的
规律性和统计规律的研究。
在学习概率论与数理统计时，重点笔记
可以包括以下内容：
1. 概率论的基本概念，包括样本空间、随机事件、事件的概率、事件的运算规律等内容。
重点理解事件的概率定义、概率的性质和
概率的运算法则。
2. 随机变量及其分布，重点掌握随机变量的定义、离散随机变
量和连续随机变量的概念，以及它们的分布律、密度函数、分布函
数等。
还要重点理解常见的离散分布（如二项分布、泊松分布）和
连续分布（如正态分布、指数分布）。
3. 大数定律和中心极限定理，重点掌握大数定律和中心极限定
理的表述和应用，理解随机变量序列的收敛性质，以及大样本时样
本均值的渐近正态性质。
4. 参数估计，包括点估计和区间估计的基本概念和方法，重点
理解最大似然估计、矩估计等常用的参数估计方法。
5. 假设检验，理解假设检验的基本思想、原理和步骤，掌握显著性水平、拒绝域、接受域等相关概念，重点理解假设检验的错误类别和势函数的概念。
6. 相关性和回归分析，重点理解相关系数、回归方程、残差分析等内容，掌握相关性和回归分析的基本原理和方法。
总之，在学习概率论与数理统计的过程中，重点笔记应该围绕着基本概念、常用分布、极限定理、参数估计、假设检验和回归分析展开，全面理解这些内容并掌握其应用是十分重要的。
希望以上内容能够帮助你更好地理解概率论与数理统计。
统计学复习资料概率论与数理统计重点知识点整理
统计学复习资料概率论与数理统计重点知识点整理概率论与数理统计是统计学的基础课程之一，也是应用最为广泛的数学工具之一。
下面将对概率论与数理统计的重点知识点进行整理，以供复习使用。
一、概率论的基本概念1. 样本空间和事件：样本空间是指随机试验的所有可能结果构成的集合，事件是样本空间的子集。
2. 古典概型和几何概型：古典概型是指样本空间中的每个结果具有相同的概率，几何概型是指采用几何方法进行分析的概率模型。
3. 概率公理和条件概率：概率公理是概率论的基本公理，条件概率是指在已知某一事件发生的条件下，另一事件发生的概率。
4. 独立事件和全概率公式：独立事件是指两个事件的发生与否互不影响，全概率公式是用于计算复杂事件的概率的公式。
5. 随机变量和概率分布函数：随机变量是对样本空间中的每个结果赋予一个数值，概率分布函数是随机变量的分布情况。
二、概率分布的基本类型1. 离散型概率分布：包括二项分布、泊松分布和几何分布等。
2. 连续型概率分布：包括正态分布、指数分布和均匀分布等。
三、多维随机变量及其分布1. 边缘分布和条件分布：边缘分布是指多维随机变量中的某一个或几个变量的分布，条件分布是指在已知某些变量取值的条件下，其他变量的分布。
2. 二维随机变量的相关系数：相关系数用于刻画两个随机变量之间的线性关系的强度和方向。
3. 多维随机变量的独立性：多维随机变量中的各个分量独立时，称为多维随机变量相互独立。
四、参数估计与假设检验1. 参数估计方法：包括点估计和区间估计，点估计是通过样本数据得到参数的估计值，区间估计是对参数进行一个范围的估计。
2. 假设检验的基本概念：假设检验是用于对统计推断的一种方法，通过与某个假设进行比较来得出结论。
3. 假设检验的步骤：包括建立原假设和备择假设、选择显著性水平、计算检验统计量和做出统计决策等步骤。
五、回归分析与方差分析1. 简单线性回归分析：简单线性回归分析是研究两个变量之间的线性关系的方法，通过建立回归方程来拟合数据。
《概率论与数理统计》知识点简单汇总
《概率论与数理统计》知识点简单汇总第一章1．事件的基本关系与运算（和事件、积事件、差事件、对立事件等）2. 加法公式和乘法公式（条件概率，结合事件的独立性）3. 全概率公式、贝叶斯公式（结合书上例题和课后习题）P17例5、例6第二章1.有关这章的概念制表格一（把握概率分布、概率密度与分布函数的关系）2．常用离散型和连续型分布制表二熟记书上P82表4-13．理解第4节随机变量函数的概念（侧重离散型，包括二维离散型）（P36例1 ；P40定理1；P41例4；P43习题1、2 ；P44例1；P46习题1等）（此章概念是重点也同时是基础，与后续3,4章紧密关联）第三章1 . 理解离散型的联合分布律和边缘分布律（结合书上P51例1、P55例1）2 . 理解连续型的联合概率密度和边缘概率密度（结合P52例3、P57例3、P59习题4）3. 理解随机变量的独立性（P60例题）4. 随机变量函数（P62 例1）第四章1. 熟练数学期望的定义、性质、计算（P71例2、例3；P74例7）2. 熟练方差的定义、性质、计算（书上例题）期望和方差两个概念与第2章和后面的统计部分紧密关联，重点掌握3. 熟悉协方差、相关系数和矩三个概念及计算公式 建议上述数字特征自制表格三第五章1. 熟练 切比雪夫不等式 （P92 定理、P92例1）2. 了解大数定律和中心极限定理（P101定理2、P102例4） 第六章1. 理解样本和总体的概念；（统计就是用样本来研究总体）2. 熟练常用统计量 109P ； 掌握P110两个例题；3. 三个重要分布自制表格四 (0,1)N ）4. 上分位点 （P42定义5、P113定义3 、P115定义5）结合2()n χ和()t n 两个的图形来理解； 注意与随机变量的分布函数()F x （特别是标准正态分布()x Φ）的区别 上述所有都是重点，必须理解加熟记，是整个统计部分的基础。
第七章1. 第一节，熟练掌握点估计的矩估计法和极大似然估计法；P127例2、3P130例62. 第二节，理解无偏性和有效性3. 区间估计P136例1，例139例2，例3（见P140表7-1）以上都结合书上例题，予以熟练掌握。
概率论与数理统计笔记(重要公式)
r = A 中样本点数 / Ω 中样本点总数 n
= A 所包含的基本事件数 / 基本事件总数 条件概率:
对偶律： A B = A B , P ( AB ) 设 A, B 是两个事件， 且 P(B)>0， 称 P(A|B)= 为 贝叶斯公式: P( B) 在事件 B 发生条件下事件 A 发生的条件概率。显然， 当 P(A)>0 时，P(B|A)=
二项分布 X ~ B(n, p)： 指数分布 X ~ E(λ) 若随机变量 X 只取两个可能值 0, 1, …, n, 而 X 的分布律为 e x x 0 若随机变量 X 的概率密度为 f ( x) k k nk pk =P {X= xk }= Cn p q , k=0, 1, 2, …, n, x0 0
设 X 为离散型随机变量， 可能取值为 x1, x2, …, xk, … 且 P 概率密度的性质： (1) f(x)≥0 {X= xk }= pk, k=1, 2, …, 则称{pk}为 X 的分布律 表格形式: f ( x)dx =1 (2) X x1, x2, …, xk, … b P p1, p2, …, pk, … (3) P{a<X≤b}= F(b)-F(a)= f ( x)dx , a≤b a {pk}性质： (4) 设 x 为 f(x)的连续点，则 F’(x)存在，且 （1） pk≥0, k=1, 2, … F’(x)= f(x) （2） pk =1 均匀分布 X ~ U (a, b) k 1 若随机变量 X 的概率密度为 在求离散型随机变量的分布律时，首先要找出其所有可能 1 , a≤x≤b 的取值，然后再求出每个值相应的概率 ba f(x) = 在实际应用中，有时还要求“X 满足某一条件”这样事件的 概率， 求法就是把满足条件的 xk 所对应的概率 pk 相加可得 0, 其他 则称 X 服从区间[a,b]上的均匀分布，其分布函数为 其分布函数 F(x) = pk xk x 0, x≤a 0-1 分布： xa F(x) = , a<x<b 若随机变量 X 只取两个可能值 0, 1，且 ba P {X=1}=p, P{X=0}=q 1, x≥b 其中 0<p<1, q=1-p, 则称 X 服从 0-1 分布. X 的分布律为 设 X ~ U (a, b), a≤c<d≤b，即[a,b] [c,d]，则 X 0 1 d c P{c≤X≤d}= P q p ba
《概率论与数理统计》期末复习重点总结
概率论与数理统计第一章：掌握概率的性质、条件概率公式、全概率公式和贝叶斯公式，会用全概率公式和贝叶斯公式计算问题。
第二章：一维随机变量包括离散型和连续型；离散型随机变量分布律的性质；连续性随机变量密度函数的性质；常见的三种离散型分布及连续型分布；会计算一维随机变量函数的分布（可以出大题）；第三章：多维随机变量掌握离散型和连续型变量的边缘分布；条件分布及两个变量独立的定义；重点掌握两个随机变量函数的分布（掌握两个随机变量和、差的密度函数的求法；了解两个随机变量乘、除的分布；掌握多个随机变量最大、最小的分布的密度函数的求法）；第四章：重点掌握期望、方差、协方差的计算公式、性质；了解协方差矩阵的构成；第六章：掌握统计量的定义、三大分布的定义和性质；教材142页的四个定理及式3.19、3.20务必记住；第七章：未知参数的矩估计法和最大似然估计法是考点，还要掌握估计量的无偏性、有效性的定义；教材的例题及习题：19页例5；26页19、23、24、36；43页例1；51页例2；53页例5；58页25、36；63页例2；66页例2；77页例1、例2；87页22；99页例12；114页6；147页4、6；151页例2、例3；153页例4、例5；173页5、11样题一、填空1. 设A ，B 相互独立，且2.0)(,8.0)(==A P B A P ，则=)(B P __________.2. 已知),2(~2σN X ，且3.0}42{=<<X P ，则=<}0{X P __________.3．已知B A ,两个事件满足条件()()B A P AB P =，且()p A P =，则()=B P _________.4．设随机变量X 的密度函数为()2,01,0,x x f x <<⎧=⎨⎩其他，用Y 表示对X 的3次独立重复观察中事件⎭⎬⎫⎩⎨⎧≤21X 出现的次数，则()2P Y == . 5、设连续型随机变量X 的分布函数为 ， ，则A=B= ；X 的密度函数为 。
概率论与数理统计复习要点知识点doc
第一章 随机事件及其概率一、随机事件及其运算 1. 样本空间、随机事件①样本点：随机试验的每一个可能结果，用ω表示； ②样本空间：样本点的全集，用Ω表示； 注：样本空间不唯一.③随机事件：样本点的某个集合或样本空间的某个子集，用A,B,C,…表示； ④必然事件就等于样本空间；不可能事件()∅是不包含任何样本点的空集； ⑤基本事件就是仅包含单个样本点的子集。
2. 事件的四种关系①包含关系：A B ⊂，事件A 发生必有事件B 发生； ②等价关系：A B =， 事件A 发生必有事件B 发生，且事件B 发生必有事件A 发生；③互不相容（互斥）： AB =∅ ，事件A 与事件B 一定不会同时发生。
④互逆关系（对立）：A ，事件A 发生事件A 必不发生，反之也成立；互逆满足A A AA ⎧⋃=Ω⎨=∅⎩注：互不相容和对立的关系（对立事件一定是互不相容事件，但互不相容事件不一定是对立事件。
） 3. 事件的三大运算①事件的并：A B ⋃，事件A 与事件B 至少有一个发生。
若AB =∅，则A B A B ⋃=+；②事件的交：A B AB ⋂或，事件A 与事件B 都发生； ③事件的差：-A B ，事件A 发生且事件B 不发生。
4. 事件的运算规律①交换律：,A B B A AB BA ⋃=⋃=②结合律：()(),()()A B C A B C A B C A B C ⋃⋃=⋃⋃⋂⋂=⋂⋂③分配律：()()(),()()()A B C A B A C A B C A B A C ⋃⋂=⋃⋂⋃⋂⋃=⋂⋃⋂ ④德摩根（De Morgan ）定律：,A B AB AB A B⋃==⋃对于n 个事件，有1111,n ni i i i nni ii i A A A A ======U IIU二、随机事件的概率定义和性质1．公理化定义：设试验的样本空间为Ω，对于任一随机事件),(Ω⊂A A 都有确定的实值P(A)，满足下列性质： (1) 非负性：;0)(≥A P (2) 规范性：;1)(=ΩP(3)有限可加性(概率加法公式)：对于k 个互不相容事件k A A A ,,21Λ，有∑∑===ki i ki i A P A P 11)()(.则称P(A)为随机事件A 的概率. 2．概率的性质 ①()1,()0P P Ω=∅= ②()1()P A P A =-③若A B ⊂，则()(),()()()P A P B P B A P B P A ≤-=-且 ④()()()()P A B P A P B P AB ⋃=+-()()()()()()()()P A B C P A P B P C P AB P BC P AC P ABC ⋃⋃=++---+注：性质的逆命题不一定成立的. 如 若),()(B P A P ≤则B A ⊂。
概率论与数理统计复习资料要点总结
《概率论与数理统计》复习提要第一章 随机事件与概率1．事件的关系 φφ=Ω-⋃⊂AB A B A AB B A B A 2．运算规则 （1）BA AB A B B A =⋃=⋃（2）)()( )()(BC A C AB C B A C B A =⋃⋃=⋃⋃（3）))(()( )()()(C B C A C AB BC AC C B A ⋃⋃=⋃⋃=⋃ （4）B A AB B A B A ⋃==⋃3．概率)(A P 满足的三条公理及性质： （1）1)(0≤≤A P （2）1)(=ΩP（3）对互不相容的事件n A A A ,,,21 ，有∑===nk kn k kA P A P 11)()(（n 可以取∞）（4） 0)(=φP （5）)(1)(A P A P -=（6）)()()(AB P A P B A P -=-，若B A ⊂，则)()()(A P B P A B P -=-，)()(B P A P ≤ （7）)()()()(AB P B P A P B A P -+=⋃（8）)()()()()()()()(ABC P BC P AC P AB P C P B P A P C B A P +---++=⋃⋃ 4．古典概型：基本事件有限且等可能5．几何概率 6．条件概率（1） 定义：若0)(>B P ，则)()()|(B P AB P B A P =（2） 乘法公式：)|()()(B A P B P AB P = 若n B B B ,,21为完备事件组，0)(>i B P ，则有 （3） 全概率公式： ∑==ni iiB A P B P A P 1)|()()(（4） Bayes 公式： ∑==ni iik k k B A P B P B A P B P A B P 1)|()()|()()|(7．事件的独立性： B A ,独立)()()(B P A P AB P =⇔ （注意独立性的应用） 第二章 随机变量与概率分布1． 离散随机变量：取有限或可列个值，i i p x X P ==)(满足（1）0≥i p ，（2）∑iip=1（3）对任意R D ⊂，∑∈=∈Dx i ii pD X P :)(2． 连续随机变量：具有概率密度函数)(x f ，满足（1）1)(,0)(-=≥⎰+∞∞dx x f x f ；（2）⎰=≤≤badx x f b X a P )()(；（3）对任意R a ∈，0)(==a X P4． 分布函数 )()(x X P x F ≤=，具有以下性质（1）1)( ,0)(=+∞=-∞F F ；（2）单调非降；（3）右连续； （4）)()()(a F b F b X a P -=≤<，特别)(1)(a F a X P -=>； （5）对离散随机变量，∑≤=xx i ii px F :)(；（6）对连续随机变量，⎰∞-=xdt t f x F )()(为连续函数，且在)(x f 连续点上，)()('x f x F =5． 正态分布的概率计算 以)(x Φ记标准正态分布)1,0(N 的分布函数，则有（1）5.0)0(=Φ；（2）)(1)(x x Φ-=-Φ；（3）若),(~2σμN X ，则)()(σμ-Φ=x x F ；（4）以αu 记标准正态分布)1,0(N 的上侧α分位数，则)(1)(αααu u X P Φ-==> 6． 随机变量的函数 )(X g Y =（1）离散时，求Y 的值，将相同的概率相加；（2）X 连续，)(x g 在X 的取值范围内严格单调，且有一阶连续导数，则|))((|))(()('11y g y g f y f X Y --=，若不单调，先求分布函数，再求导。
概率论与数理统计总复习知识点归纳
D( X ) E( X 2 ) E 2 ( X ), Cov( X ,Y ) E( XY ) EXEY
XY Cov( X ,Y ) / D( X )D(Y )
⑴ E(aX+b)=aE(X)+b，D(aX+b)=a2D(X)
⑵ E(∑iλi Xi)=∑i λi E(Xi)
(3) D(λ1X±λ2Y)=λ12D(X)+λ22D(Y) ±2λ1λ2Cov(X,Y)
0.587
法二 用Bayes公式：
P (C) = 0.1, P(C ) 0.9;
P (D/C) = 0.3*0.8+0.7*0.2,
P(D / C ) 0.3*0.2.
C
C
于是有
D
P(C / D)
P(C ) P(D / C )
P(C) P(D / C) P(C ) P(D / C )
i 1
i 1
i 1
例3 已知X~ f(x)，求Y= -X2的概率密度。 解 用分布函数法。
y<0 时，FY(y) = P(Y≤y) = P(-X2 ≤y) P(X y) P(X y)
FX ( y ) [1 FX ( y )] y≥0 时， FY(y) = P(Y≤y) =1
于是Y的概率密度为
fY ( y) fX (
y)
1 2
( y)1/ 2
fX
(
y ) 1 ( y)1/2 2
1 2
(
y)1/ 2[
fX
(
y) fX (
y )] , y 0
fY (y) 0 , y 0
例4 设二维随机变量(X,Y )的联合密度函数为：
f
( x,
y)
《概率论与数理统计》知识点整理
《概率论与数理统计》知识点整理概率论与数理统计是数学中的一个重要分支，它研究随机现象发生的规律以及对这些规律的推断和决策问题。
在现代科学、金融、医学、工程等领域中都有广泛的应用。
下面是《概率论与数理统计》的一些重要知识点：一、概率论：1.概率的基本概念：随机试验、样本空间、事件、概率公理化定义等。
2.条件概率与概率的乘法定理：条件概率的定义、条件概率的乘法定理、独立事件的定义与性质等。
3.全概率公式与贝叶斯公式：全概率公式的推导与应用、贝叶斯公式的推导与应用等。
4.随机变量与概率分布：随机变量的定义与分类、概率分布的基本性质、离散型随机变量与连续型随机变量的概率分布等。
5.两随机变量函数的概率分布：随机变量的函数、数学期望的定义与性质、方差的定义与性质等。
6.多维随机变量及其分布：二维随机变量的概率分布、联合分布函数与边缘分布、条件分布等。
二、数理统计：1.统计数据的描述：数据的集中趋势度量（均值、中位数、众数）、数据的离散程度度量（极差、方差、标准差）、数据的分布形态度量（偏度、峰度）等。
2.参数估计：点估计的概念与方法、矩估计法、极大似然估计法、最小二乘估计法等。
3.假设检验：假设检验的基本概念、显著性水平与拒绝域、假设检验的步骤、单侧检验与双侧检验等。
4.统计分布：正态分布的性质与应用、t分布与χ²分布的概念与性质、F分布的概念与性质等。
5.方差分析与回归分析：方差分析的基本原理与应用、单因素方差分析、回归分析的基本原理与应用、简单线性回归分析等。
三、随机过程：1.随机过程的基本概念与性质：随机过程的定义、状态与状态转移概率、齐次性与非齐次性等。
2.马尔可夫链：马尔可夫链的定义与性质、状态空间的分类、平稳分布与极限等。
3.随机过程的描述：概率密度函数、概率生成函数、随机过程的矩、协方差函数等。
4.随机过程的分类：齐次与非齐次、连续与间断、宽离散与窄离散等。
概率论与数理统计复习资料知识点总结
《概率论与数理统计》第一章 随机事件与概率1．事件的关系 φφ=Ω-⋃⊂AB A B A AB B A B A 2．运算规则 （1）BA AB A B B A =⋃=⋃（2）)()( )()(BC A C AB C B A C B A =⋃⋃=⋃⋃（3）))(()( )()()(C B C A C AB BC AC C B A ⋃⋃=⋃⋃=⋃ （4）B A AB B A B A ⋃==⋃3．概率)(A P 满足的三条公理及性质： （1）1)(0≤≤A P （2）1)(=ΩP（3）对互不相容的事件n A A A ,,,21 ，有∑===nk kn k kA P A P 11)()(（n 可以取∞）（4） 0)(=φP （5）)(1)(A P A P -=（6）)()()(AB P A P B A P -=-，若B A ⊂，则)()()(A P B P A B P -=-，)()(B P A P ≤ （7）)()()()(AB P B P A P B A P -+=⋃（8）)()()()()()()()(ABC P BC P AC P AB P C P B P A P C B A P +---++=⋃⋃ 4．古典概型：基本事件有限且等可能5．几何概率 6．条件概率（1） 定义：若0)(>B P ，则)()()|(B P AB P B A P =（2） 乘法公式：)|()()(B A P B P AB P = 若n B B B ,,21为完备事件组，0)(>i B P ，则有 （3） 全概率公式： ∑==ni iiB A P B P A P 1)|()()(（4） Bayes 公式： ∑==ni iik k k B A P B P B A P B P A B P 1)|()()|()()|(7．事件的独立性： B A ,独立)()()(B P A P AB P =⇔ （注意独立性的应用）第二章 随机变量与概率分布1． 离散随机变量：取有限或可列个值，i i p x X P ==)(满足（1）0≥i p ，（2）∑iip=1（3）对任意R D ⊂，∑∈=∈Dx i ii pD X P :)(2． 连续随机变量：具有概率密度函数)(x f ，满足（1）1)(,0)(-=≥⎰+∞∞dx x f x f ；（2）⎰=≤≤badx x f b X a P )()(；（3）对任意R a ∈，0)(==a X P4． 分布函数 )()(x X P x F ≤=，具有以下性质（1）1)( ,0)(=+∞=-∞F F ；（2）单调非降；（3）右连续； （4）)()()(a F b F b X a P -=≤<，特别)(1)(a F a X P -=>； （5）对离散随机变量，∑≤=xx i ii px F :)(；（6）对连续随机变量，⎰∞-=xdt t f x F )()(为连续函数，且在)(x f 连续点上，)()('x f x F =5． 正态分布的概率计算 以)(x Φ记标准正态分布)1,0(N 的分布函数，则有 （1）5.0)0(=Φ；（2）)(1)(x x Φ-=-Φ；（3）若),(~2σμN X ，则)()(σμ-Φ=x x F ；（4）以αu 记标准正态分布)1,0(N 的上侧α分位数，则)(1)(αααu u X P Φ-==> 6． 随机变量的函数 )(X g Y =（1）离散时，求Y 的值，将相同的概率相加；（2）X 连续，)(x g 在X 的取值范围内严格单调，且有一阶连续导数，则|))((|))(()('11y g y g f y f X Y --=，若不单调，先求分布函数，再求导。
《概率论与数理统计》复习要点[1]
![《概率论与数理统计》复习要点[1]](https://img.taocdn.com/s3/m/2d507a54ad02de80d4d8401b.png)
《概率论与数理统计》复习要点1 事件的关系与运算要求：识记、理解样题：1．设A 、B 为事件，则它们中只要一个发生的事件表示为__AB B A +__ 2．设A,B 为事件,()()(__).P A B P A P AB =-3．设A 、B 、C 为三事件，则C B A ++表示 A 、B 、C 同时发生 4．设A 、B 为事件，则它们中只有一个发生的事件表示为___AB B A +__ 5．设A 、B 、C 是三个随机事件，则A 、B 、C 至少有一个不发生是： （ D ） A ．A BC+A B C+AB C B 、A B C C. A +B+C D. A +B +C6．若事件A ，B 满足关系AB=V ，A+B=U ，则A 与B （ C ） A ．互相独立 B ．相容 C ．互相对立 D ．互不相容但不对立2 加法法则（公式）和乘法法则（法则）要求：识记、理解 样题：1．已知()0.3P A =，()0.4P B =，()0.5P A B =,则(|)P A B ＝ 0.5 ，(+)P B A B ＝ 0.25 ；2．已知随机事件A 的概率5.0)(=A P ，随机事件B 的概率6.0)(=B P 及条件概率8.0)|(=A B P ，则()P A B += 0.7 ；3．三个人独立求解一道数学难题，他们各自能解出该题的概率分别是0.3, 0.4, 0.5，则能将此难题解出的概率是___0.79___； 4．设A,B 为事件，P(A)＝0.5,()0.4,(/)0.2,P B P B A ==则P(A+B)=__0.8___.5．对事件A 与B 相互独立，P(A)=0.4,P(B)=0.2,则()_0.32__.P A B -= 6. 设箱子中有10个球，其中3球为红球，甲、乙、丙三人从箱子中不放回地各取一球，则乙取得红球的概率为____0.3___.7．设,A B 为独立事件，()()0.4P A P B ==,则A 或B 至少有一个发生的概率为____0.64___。
最新概率论与数理统计各章重点知识整理
最新概率论与数理统计各章重点知识整理第一章 概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(Φ):每次试验中一定不会发生的事件. 二. 事件间的关系和运算1.A ⊂B(事件B 包含事件A )事件A 发生必然导致事件B 发生.2.A ∪B(和事件)事件A 与B 至少有一个发生.3. A ∩B=AB(积事件)事件A 与B 同时发生.4. A -B(差事件)事件A 发生而B 不发生.5. AB=Φ (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=Φ且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则 交换律 结合律 分配律 德•摩根律 B A B A = B A B A = 三. 概率的定义与性质1.定义 对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性 对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(Φ) = 0 , 注意: A 为不可能事件P(A)=0 . (2)有限可加性 对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B -A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理 对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义 如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义 事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0).P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0) 3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则 当P(B i )>0时,当P(A)>0, P(B i )>0时,.六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立⇔ P(B)= P (B|A) .2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立.3.n 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P 2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章 随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1) (3))X~π(λ)参数为λ的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (λ>0)三.连续型随机变量1.定义 如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为θ的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (θ>0).(3)X~N (μ,σ2)参数为μ,σ的正态分布 222)(21)(σμσπ--=x ex f -∞<x<∞, σ>0.特别, μ=0, σ2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, Φ(-x)=1-Φ(x) .若X ～N ((μ,σ2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z α}= P{Z<-z α}= P{|Z|>z α/2}= α,则点z α,-z α, ±z α/ 2分别称为标准正态分布的上,下,双侧α分位点. 注意：Φ(z α)=1-α , z 1- α= -z α. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法 先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法 若g(x)处处可导,且恒有g /(x)>0 (或g / (x)<0 ),则Y=g (X)是连续型随机变量,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , α= min (g (-∞),g (∞)) β= max (g (-∞),g (∞)) .如果f (x)在有限区间[a,b]以外等于零,则 α= min (g (a),g (b)) β= max (g (a),g (b)) .第三章 二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义 若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ∞)=0, F(-∞,y)=0, F(-∞,-∞)=0, F(∞,∞)=1 . (3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义 若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 .(2)归一性 ∑∑=i jij p 1 .3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义 如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-y xdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度. 2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-dxdy y x f .(3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<∞}= F (x , ∞) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<∞, Y ≤y}= F (∞,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=•i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=•j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dy y f Y五.相互独立的随机变量1.定义 若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义 设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称P{X=x i |Y=y j } 为在Y= y j 条件下随机变量X 的条件分布律. 同样,对于固定的i,若P{X=x i }>0,则称 P{Y=y j |X=x i } 为在X=x i 条件下随机变量Y 的条件分布律.第四章 随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛)⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛) 函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差σ(X)=√D(X) . 二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) .2.X,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .,}{},{jji j j i p p y Y P y Y x X P •=====,}{},{•=====i j i i j i p p x X P y Y x X P4. D(X) = 0⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) 1.X~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) 2.X~ b (n,p) (0<p<1) n pn p (1- p)3.X~ π(λ) λ λ4.X~ U(a,b) (a+b)/2 (b-a) 2/125.X 服从参数为θ的指数分布 θ θ26.X~ N (μ,σ2) μ σ2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章 样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i iX X n S 12211 样本标准差S 样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布 即统计量的分布1.X 的分布 不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n .特别,若X~ N (μ,σ2 ) ,则X ~ N (μ, σ2 /n) .2.χ2分布 (1)定义 若X ～N (0,1) ,则Y =∑=ni i X 12~ χ2(n)自由度为n 的χ2分布.(2)性质 ①若Y~ χ2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ χ2(n 1) Y 2~ χ2(n 2) ,则Y 1+Y 2~ χ2(n 1 + n 2). ③若X~ N (μ,σ2 ), 则22)1(σS n -~ χ2(n-1),且X 与S 2相互独立.(3)分位点 若Y~ χ2(n),0< α <1 ,则满足的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为χ2分布的上、下、双侧α分位点.3. t 分布(1)定义 若X~N (0,1 ),Y~ χ2 (n),且X,Y 相互独立,则t=nY X~t(n)自由度为n 的t 分布. (2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (μ,σ2)时, nS X μ-~ t (n-1) .③两个正态总体 相互独立的样本 样本均值 样本方差X~ N (μ1,σ12 ) 且σ12=σ22=σ2 X 1 ,X 2 ,…,X n1X S 12Y~ N (μ2,σ22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w (3)分位点 若t ~ t (n) ,0 < α<1 , 则满足的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧α分位点. 注意: t 1- α (n) = - t α (n).4.F 分布 (1)定义 若U~χ2(n 1), V~ χ2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点 若F~ F(n 1,n 2) ,0< α <1,则满足的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧α分位点. 注意: .).(1),(12211n n F n n F αα=-第七章 参数估计一.点估计 总体X 的分布中有k 个待估参数θ1, θ2,…, θk .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμ 解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k μμμθθμμμθθμμμθθ ,以样本矩A l 取代总体矩μ l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A θθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, θ1, θ2,…, θk ),称样本X 1 ,X 2 ,…,X n 的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθ 为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21 ,称为参数θ1, θ2,…,θk 的最大似然估计值,代入样本得到最大似然估计量.若L(θ1, θ2,…, θk )关于θ1, θ2,…, θk 可微,则一般可由似然方程组 0=∂∂i L θ 或 对数似然方程组 0ln =∂∂iL θ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性 若E(∧θ)=θ,则估计量∧θ称为参数θ的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=μk =E(X k ),即样本均值X , 样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩μk 的无偏估计,(2)有效性 若E(∧θ1 )=E(∧θ2)= θ, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效.(3)一致性(相合性) 若n →∞时,θθP →∧,则称估计量∧θ是参数θ的相合估计量.二.区间估计1.求参数θ的置信水平为1-α的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,θ),其中只有一个待估参数θ未知,且其分布完全确定.(2)利用双侧α分位点找出W 的区间(a,b),使P{a<W <b}=1-α.(3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求.2.单个正态总体待估参数 其它参数 W 及其分布 置信区间 μ σ2已知 n X σμ-~N (0,1) (2/ασz n X ±) μ σ2未知 n S X μ-~ t (n-1) )1((2/-±n t n S X α σ2 μ未知22)1(σS n -~ χ2(n-1) ))1()1(,)1()1((22/1222/2-----n S n n S n ααχχ 3.两个正态总体(1)均值差μ 1-μ 2 其它参数 W 及其分布 置信区间已知2221,σσ 22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±- 未知22221σσσ== 212111)(n n S Y X w +---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w +-+±-α 其中S w 等符号的意义见第六章二. 3 (2)③. (2) μ 1,μ 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比σ12/σ22的置信区间为 注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标α/2改为α,另外的下(上)限取为-∞ (∞)即可.。
《概率论与数理统计》复习-知识归纳整理
《概率论与数理统计》复习大纲第一章 随机事件与概率基本概念随机试验E----指试验可在相同条件下重复举行，试验的结果具有多种可能性（每次试验有且仅有一个结果闪现，且事先知道试验可能闪现的一切结果，但不能预知每次试验确实切结果。
样本点ω ---随机试验E的每一具可能闪现的结果样本空间Ω----随机试验E的样本点的全体随机事件-----由样本空间中的若干个样本点组成的集合，即随机事件是样本空间的一具子集。
必然事件---每次试验中必然发生的事件。
不可能事件∅--每次试验中一定不发生的事件。
事件之间的关系包含A⊂B相等A=B对立事件，也称A的逆事件互斥事件AB=∅也称不相容事件A，B相互独立P(AB)=P(A)P(B)例1事件A，B互为对立事件等价于（ D ）A、A，B互不相容B、A，B相互独立C、A∪B＝ΩD、A，B构成对样本空间的一具剖分例2设P(A)=0，B为任一事件，则（C ）A、A=∅B、A⊂BC、A与B相互独立D、A与B互不相容事件之间的运算事件的交AB或A ∩B 例1设事件A、B满足A B¯=∅，由此推导不出(D)A、A⊂BB、A¯⊃B¯C、A B=BD、A B=B例2若事件B与A满足B – A=B，则一定有(B)A、A=∅B、AB=∅C、AB¯=∅D、B=A¯事件的并A∪B事件的差A-B 注意：A-B= A B= A-AB = (A∪B)-BA1,A2,…,An构成Ω的一具完备事件组(或分斥)−−指A1,A2,…,An两两互不相容，且∪i=1nAi=Ω运算法则交换律A∪B=B∪A A∩B=B∩A结合律(A∪B)∪C=A∪(B∪C) (A∩B)∩C=A∩(B∩C)分配律(A∪B)∩C=(AC)∪(BC) (A∩B)∪C=(A∪C)∩(B∪C) 对偶律A∪B=A∩B A∩B=A∪B文氏图事件与集合论的对应关系表记号概率论集合论Ω样本空间，必然事件全集∅不可能事件空集ω基本事件元素A 事件全集中的一具子集A A的对立事件A的补集A⊂B 事件A发生导致事件B发生A是B的子集A=B 事件A与事件B相等A与B相等A∪B 事件A与事件B至少有一具发生A与B的并集AB 事件A与事件B并且发生A与B的交集知识归纳整理A-B事件A 发生但事件B 不发生A 与B 的差集 AB=∅ 事件A 与事件B 互不相容（互斥） A 与B 没有相同的元素古典概型 古典概型的前提是Ω={ω1,ω2, ω3,…, ωn ,}, n 为有限正整数，且每个样本点ωi 出现的可能性相等。
概率论与数理统计知识点总结
概率论与数理统计知识点总结1. 概率论基础- 随机事件：一个事件是随机的，如果它可能发生也可能不发生。
- 样本空间：所有可能事件发生的集合。
- 事件的概率：事件发生的可能性的度量，满足0≤P(A)≤1。
- 条件概率：在另一个事件发生的条件下，一个事件发生的概率。
- 贝叶斯定理：描述了随机事件A和B的条件概率和边缘概率之间的关系。
- 独立事件：两个事件A和B是独立的，如果P(A∩B) = P(A)P(B)。
- 互斥事件：两个事件A和B是互斥的，如果它们不能同时发生，即P(A∩B) = 0。
2. 随机变量及其分布- 随机变量：将随机事件映射到实数的函数。
- 离散随机变量：取值为有限或可数无限的随机变量。
- 连续随机变量：可以在某个区间内取任意值的随机变量。
- 概率分布函数：描述随机变量取值的概率。
- 概率密度函数：连续随机变量的概率分布函数的导数。
- 累积分布函数：随机变量取小于或等于某个值的概率。
- 期望值：随机变量的长期平均值。
- 方差：衡量随机变量取值的离散程度。
3. 多维随机变量及其分布- 联合分布：描述两个或多个随机变量同时取特定值的概率。
- 边缘分布：通过联合分布求得的单个随机变量的分布。
- 条件分布：给定一个随机变量的值时，另一个随机变量的分布。
- 协方差：衡量两个随机变量之间的线性关系。
- 相关系数：协方差标准化后的值，表示变量间的线性相关程度。
4. 大数定律和中心极限定理- 大数定律：随着试验次数的增加，样本均值以概率1收敛于总体均值。
- 中心极限定理：独立同分布的随机变量之和，在适当的标准化后，其分布趋近于正态分布。
5. 数理统计基础- 样本：从总体中抽取的一部分个体。
- 总体：研究对象的全体。
- 参数估计：用样本统计量来估计总体参数。
- 点估计：给出总体参数的一个具体估计值。
- 区间估计：给出一个包含总体参数可能值的区间。
- 假设检验：对总体分布的某些假设进行检验。
- 显著性水平：拒绝正确假设的最大概率。
概率论与数理统计 笔记
概率论与数理统计笔记概率论的公理化定义1. 相关基本概念：我们首先定义以下概念：至此，我们将试验、事件等概念与集合的概念相联系，显然，我们会有以下的运算性质：2. 事件之间的关系以及运算（本质为集合运算）经过简单的推导可以得出以下运算性质：3. 事件的运算性质经过以上铺垫，我们可以引出频率、概率的定义：4. 频率 (frequency)定义：设随机事件a在n次重复试验中发生了m次，则称比值为事件a在n次重复试验中发生的「频率」。
频率越大，事件a发生就越频繁，可以用频率来预测事件a的发生的可能性大小。
当重复试验次数越多，n越大时，频率越逐渐趋于稳定于某个常数。
5. 概率的公理化定义（前苏联柯尔莫哥洛夫首次提出）设是随机试验的样本空间，对于每个事件，赋予一个实数，记为，称为事件a的「概率」，如果集合函数满足一下三个条件：理解：概率的本质一种映射，是一种将每个事件映射给一个实数的映射。
并且满足以上三个性质。
另外，注意一个常记的技巧：由以上概率的公理化定义推导出的性质:1.不可能事件的概率为02.有限可加性3.逆事件有4.减法公式5.单调性6.容斥原理，可推广至多个事件古典概型与几何概型古典概型是概率论的经典研究内容。
古典概型是指，如果一个随机试验，其中包含有限个样本点，并且所有样本点的概率都相等，那么我们就称该随机试验为古典概型。
而几何概型与以上定义基本相同，只不过包含了无限个样本点（对于几何图形来说，一块区域也包含了无穷个点）我们很容易就能够得到古典概型的计算公式（由可列可加性）关于古典概型的具体例题与技巧在此不再赘述。
如何定性认识古典概型的概率？我们可以认为，这种概率代表了一个试验中事件发生的可能性，可以认为是“ 进行无穷次试验之后事件发生频率的趋近值”。
利用这种可能性，我们可以最优化实际的决策。
条件概率与乘法公式条件概率的引入，是为了解决在某事件已经发生（或者指定某条件）的情况下具体事件的概率。
概率论与数理统计复习笔记
概率论与数理统计复习 第一章 概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(?):每次试验中一定不会发生的事件. 二. 事件间的关系和运算1.A ⊂B(事件B 包含事件A )事件A 发生必然导致事件B 发生.2.A∪B (和事件)事件A 与B 至少有一个发生.3. A ∩B=AB(积事件)事件A 与B 同时发生.4. A-B(差事件)事件A 发生而B 不发生.5. AB=? (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=?且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则 交换律 结合律 分配律 德?摩根律 B A B A I Y = B A B A Y I = 三. 概率的定义与性质1.定义 对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性 对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(?) = 0 , 注意: A 为不可能事件 P(A)=0 . (2)有限可加性 对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B-A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理 对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义 如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义 事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0). P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0)3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则当P(B i )>0时,有全概率公式 P(A)=()()i ni i B A P B P ∑=1当P(A)>0, P(B i )>0时,有贝叶斯公式P (B i |A)=()()()()()()∑==ni i i i i i B A P B P B A P B P A P AB P 1. 六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立? P(B)= P (B|A) .(2)若A 与B,A 与B ,A 与B, ,A 与B 中有一对相互独立,则另外三对也相互独立.2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立.3.n 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P ΛΛ2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章 随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1) (3))X~?(?)参数为?的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (?>0)三.连续型随机变量1.定义 如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为?的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (?>0).(3)X~N (?,?2)参数为?,?的正态分布 222)(21)(σμσπ--=x e x f -?<x<?, ?>0.特别, ?=0, ?2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, ?(-x)=1-Φ(x) .若X ～N ((?,?2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z ?}= P{Z<-z ?}= P{|Z|>z ?/2}= ?,则点z ?,-z ?, ?z ?/ 2分别称为标准正态分布的上,下,双侧?分位点. 注意：?(z ?)=1-? , z 1- ?= -z ?. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法 先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法 若g(x)处处可导,且恒有g /(x)>0 (或g / (x)<0 ),则Y=g (X)是连续型随机变量,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , ?= min (g (-?),g (?)) ?= max (g (-?),g (?)) .如果 f (x)在有限区间[a,b]以外等于零,则 ?= min (g (a),g (b)) ?= max (g (a),g (b)) .第三章 二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义 若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ?)=0, F(-?,y)=0, F(-?,-?)=0, F(?,?)=1 .(3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义 若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 . (2)归一性 ∑∑=i jij p 1 . 3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义 如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-yxdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度. 2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-dxdy y x f .(3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<?}= F (x , ?) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<?, Y ≤y}= F (?,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=•i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=•j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dyy f Y五.相互独立的随机变量1.定义 若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义 设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称,}{},{jj i j j i p p y Y P y Y x X P •=====P{X=x i |Y=y j }为在Y= y j 条件下随机变量X 的条件分布律. 同样,对于固定的i,若P{X=x i }>0,则称P{Y=y j |X=x i } 为在X=x i 条件下随机变量Y 的条件分布律.第四章 随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量 连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛) ⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛) 函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差?(X)=√D(X) . 二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) .2.X,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .4. D(X) = 0 ⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) 1.X~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) 2.X~ b (n,p) (0<p<1) n p n p (1- p) 3.X~ ?(?) ? ?,}{},{•=====i ji i j i p p x X P y Y x X P4.X~ U(a,b) (a+b)/2 (b-a) 2/125.X 服从参数为?的指数分布 ? ?26.X~ N (?,?2) ? ?2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章 样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i iX X n S 12211 样本标准差S 样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布 即统计量的分布1.X 的分布 不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n . 特别,若X~ N (?,?2 ) ,则 X ~ N (?, ?2 /n) .2.?2分布 (1)定义 若X ～N (0,1) ,则Y =∑=ni i X 12~ ?2(n)自由度为n 的?2分布.(2)性质 ①若Y~ ?2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ ?2(n 1) Y 2~ ?2(n 2) ,则Y 1+Y 2~ ?2(n 1 + n 2). ③若X~ N (?,?2 ), 则22)1(σS n -~ ?2(n-1),且X 与S 2相互独立.(3)分位点 若Y~ ?2(n),0< ? <1 ,则满足的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为?2分布的上、下、双侧?分位点. 3. t 分布(1)定义 若X~N (0,1),Y~ ?2(n),且X,Y 相互独立,则t=nY X ~t(n)自由度为n 的t 分布.(2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (?,?2 )时, nS X μ-~ t (n-1) . ③两个正态总体相互独立的样本 样本均值 样本方差X~ N (?1,?12 ) 且?12=?22=?2 X 1 ,X 2 ,…,X n1 X S 12 Y~ N (?2,?22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w (3)分位点 若t ~ t (n) ,0 < ?<1 , 则满足的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧?分位点. 注意: t 1- ? (n) = - t ? (n).4.F 分布 (1)定义 若U~?2(n 1), V~ ?2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点 若F~ F(n 1,n 2) ,0< ? <1,则满足的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧?分位点. 注意: .).(1),(12211n n F n n F αα=-第七章 参数估计一.点估计 总体X 的分布中有k 个待估参数?1, ?2,…, ?k .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμΛΛΛ解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k μμμθθμμμθθμμμθθΛΛΛ,以样本矩A l 取代总体矩? l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A ΛΛΛθθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, ?1, ?2,…, ?k ),称样本X 1 ,X 2 ,…,X n的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθΛΛ为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21Λ,称为参数?1, ?2,…,?k 的最大似然估计值,代入样本得到最大似然估计量.若L(?1, ?2,…, ?k )关于?1, ?2,…, ?k 可微,则一般可由 似然方程组0=∂∂i L θ 或 对数似然方程组 0ln =∂∂iLθ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性 若E(∧θ)=?,则估计量∧θ称为参数?的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=?k =E(X k ),即样本均值X ,样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩?k 的无偏估计,(2)有效性 若E(∧θ1 )=E(∧θ2)= ?, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效. (3)一致性(相合性) 若n →∞时,θθP→∧,则称估计量∧θ是参数?的相合估计量. 二.区间估计1.求参数?的置信水平为1-?的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,?),其中只有一个待估参数?未知,且其分布完全确定.(2)利用双侧?分位点找出W 的区间(a,b),使P{a<W <b}=1-?.(3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求.2.单个正态总体待估参数 其它参数 W 及其分布 置信区间? ?2已知 n X σμ-~N (0,1) (2/ασz n X ±) ? ?2未知n S X μ-~ t (n-1) )1((2/-±n t n S X α ?2 ?未知22)1(σS n -~ ?2(n-1) ))1()1(,)1()1((22/1222/2-----n S n n S n ααχχ 3.两个正态总体(1)均值差? 1-? 2 其它参数 W 及其分布 置信区间已知2221,σσ 22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±- 未知22221σσσ== 212111)(n n S Y X w +---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w +-+±-α 其中S w 等符号的意义见第六章二. 3 (2)③. (2) ? 1,? 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比?12/?22的置信区间为 注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标?/2改为?,另外的下(上)限取为-? (?)即可.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
推广： 有限个 无穷可列个 4、积：称事件 A 与事件 B 同时发生的事件为 A 与 B 的积事件，简称为积，记为 A B 或 AB。 例如，在 E3 中，即观察某电话交换台在某时刻接到的呼唤次数中，令 A={接到偶数次 呼唤}，B={接到奇数次呼唤}，则 A B={接到 6 的倍数次呼唤} 推广： 任意有限个 无穷可列个 5、差：称事件 A 发生但事件 B 不发生的事件为 A 减 B 的差事件简称为差，记为 A-B。 例如，测量晶体管的β参数值，令 A={测得β值不超过 50}，B=｛测得β值不超过 100｝， 则，A-B=φ，B-A=｛测得β值为 50﹤β≤100｝ 6、互不相容：若事件 A 与事件 B 不能同时发生，即 AB=φ，则称 A 与 B 是互不相容 的。 例如，观察某定义通路口在某时刻的红绿灯：若 A={红灯亮}，B={绿灯亮}，则 A 与 B 便是互不相容的。 7、对立：称事件 A 不发生的事件为 A 的对立事件，记为 显然 ，A∩ =φ 例如，从有 3 个次品，7 个正品的 10 个产品中任取 3 个，若令 A={取得的 3 个产品中 至少有一个次品}，则 ={取得的 3 个产品均为正品}。 §3 事件的运算规律 1、交换律 A∪B=B∪A； A∩B=B∩A 2、结合律 （A∪B）∪C=A∪（B∪C） ；（A∩B）∩C=A∩（B∩C） 3、分配律 A∩（B∪C）=（A∩B）∪（A∩C）， A∪（B∩C）=（A∪B）∩（A ∪ C） 4、对偶律 此外，还有一些常用性质，如 A∪ B A，A∪B B（越求和越大）；A∩B A，A∩B B（越求积越小）。 若 A B，则 A∪ B=B, A∩ B=A A-B=A-AB= A 等等。 二 事件的概率 §1 概率的定义 所谓事件 A 的概率是指事件 A 发生可能性程度的数值度量，记为 P（A）。规定 P(A)≥ 0，P（Ω）=1。 1、古典概型中概率的定义 古典概型：满足下列两条件的试验模型称为古典概型。 （1）所有基本事件是有限个； （2）各基本事件发生的可能性相同； 例如：掷一匀称的骰子，令 A={掷出 2 点}={2}，B={掷出偶数总}={2，4，6}。此试验 样本空பைடு நூலகம்为 Ω={1，2，3，4，5，6}，于是，应有 1=P（Ω）=6P（A），即 P（A）= 。 而 P（B）=3P（A）= 定义 1：在古典概型中，设其样本空间Ω所含的样本点总数，即试验的基本事件总数为 NΩ而事件 A 所含的样本数，即有利于事件 A 发生的基本事件数为 NA，则事件 A 的概率 便定义为： 不难证明，古典概型中所定义的概率有以下三条基本性质：
1° P（A）≥0 2° P（Ω）=1 3° 若 A1，A2，……，An 两两互不相容，则 2、概率的统计定义 频率：在 n 次重复试验中，设事件 A 出现了 nA 次，则称： 为事件 A 的频率。频率具 有一定的稳定性。示例见下例表 试验者 抛硬币次数 n 正面（A）出现次数 nA 正面（A）出现的 频率
考试复习重点资料（最新版）
资料见第二页
封
面
第1页
武汉理工大学考研概率论与数理统计笔记
第一章 随机事件与概率 一 随机事件 §1 几个概念 1、随机实验:满足下列三个条件的试验称为随机试验；（1）试验可在相同条件下重复进 行；（2）试验的可能结果不止一个，且所有可能结果是已知的；（3）每次试验哪个结果出现 是未知的；随机试验以后简称为试验，并常记为 E。 例如：E1：掷一骰子，观察出现的总数；E2：上抛硬币两次，观察正反面出现的情况； E3：观察某电话交换台在某段时间内接到的呼唤次数。 2、随机事件：在试验中可能出现也可能不出现的事情称为随机事件：常记为 A，B， C…… 例如，在 E1 中，A 表示“掷出 2 点”，B 表示“掷出偶数点”均为随机事件。 3、必然事件与不可能事件：每次试验必发生的事情称为必然事件，记为Ω。每次试验 都不可能发生的事情称为不可能事件，记为Φ。 例如，在 E1 中，“掷出不大于 6 点”的事件便是必然事件，而“掷出大于 6 点”的事 件便是不可能事件,以后，随机事件，必然事件和不可能事件统称为事件。 4、基本事件：试验中直接观察到的最简单的结果称为基本事件。 例如，在 E1 中，“掷出 1 点”，“掷出 2 点”，……，“掷出 6 点”均为此试验的基本事 件。 由基本事件构成的事件称为复合事件，例如，在 E1 中“掷出偶数点”便是复合事件。 5、样本空间：从集合观点看，称构成基本事件的元素为样本点，常记为 e. 例如，在 E1 中，用数字 1，2，……，6 表示掷出的点数，而由它们分别构成的单点集 {1}，{2}，…{6}便是 E1 中的基本事件。在 E2 中，用 H 表示正面，T 表示反面，此试验的 样本点有（H，H），（H，T），（T，H），（T，T），其基本事件便是{（H，H）}，{（H，T）}， {（T，H）}，{（T，T）}显然，任何事件均为某些样本点构成的集合。 例如， 在 E1 中“掷出偶数点”的事件便可表为{2，4，6}。试验中所有样本点构成的 集合称为样本空间。记为Ω。 例如， 在 E1 中，Ω={1，2，3，4，5，6} 在 E2 中，Ω={（H，H），（H，T），（T，H），（T，T）} 在 E3 中，Ω={0，1，2，……} §2 事件间的关系与运算 1、包含:“若事件 A 的发生必导致事件 B 发生，则称事件 B 包含事件 A，记为 A B 或 B A。 例如，在 E1 中，令 A 表示“掷出 2 点”的事件，即 A={2} B 表示“掷出偶数”的事件，即 B={2，4， 6}则 2、相等：若 A B 且 B A，则称事件 A 等于事件 B，记为 A=B 例如，从一付 52 张的扑克牌中任取 4 张，令 A 表示“取得到少有 3 张红桃”的事件； B 表示“取得至多有一张不是红桃”的事件。显然 A=B 3、和：称事件 A 与事件 B 至少有一个发生的事件为 A 与 B 的和事件简称为和，记为 A B，或 A+B 例如，甲，乙两人向目标射击，令 A 表示“甲击中目标”的事件，B 表示“乙击中目 标”的事件，则 AUB 表示“目标被击中”的事件。