茆诗松概率论与数理统计教程
概率论与数理统计教程(茆诗松)第一章
5. 试用A、B、C 表示下列事件： ① A 出现； A ② 仅 A 出现；A B C ③ 恰有一个出现；A B C A B C A B C ④ 至少有一个出现；ABC ⑤ 至多有一个出现；A B C A B C A B C A B C ⑥ 都不出现； A B C
⑦ 不都出现； ABCABC ⑧ 至少有两个出现；A B A C B C
• 非负性公理： P(A)0;
• 正则性公理： P(Ω)=1;
• 可列可加性公理：若A1, A2, ……, An ……
互不相容，则
U
P Ai P(Ai ) i1 i1
3/22/2020
华东师范大学
第一章 随机事件与概率
1.2.2 排列与组合公式
第23页
• 从 n 个元素中任取 r 个，求取法数. • 排列讲次序，组合不讲次序. • 全排列：Pn= n! • 0! = 1. • 重复排列：nr • 选排列： P nr(nn !r)!n(n1)......(nr1)
第29页
注意
• 抛一枚硬币三次 抛三枚硬币一次 • Ω1={(正正正), (反正正), (正反正), (正正反),
(正反反), (反正反), (反反正), (反反反)} 此样本空间中的样本点等可能. • Ω2={(三正), (二正一反), (二反一正), (三反)} 此样本空间中的样本点不等可能.
➢ 而实际去做 N 次试验，得 n 次针与平行线相 交，则频率为: n/N.
➢ 用频率代替概率得： 2lN/(dn). ➢ 历史上有一些实验数据.
3/22/2020
A发生但 B不发生
• 对立： A
A 不发生
3/22/2020
华东师范大学
第一章 随机事件与概率
概率论与数理统计教程(茆诗松)
2004年7月第1版2008年4月第10次印刷第一章随机事件与概率1.1 随机事件及其运算1.1.1 随机现象在一定的条件下，并不总是出现相同结果的现象称为随机现象.在相同条件下可以重复的随机现象又称为随机试验.1.1.2 样本空间随机现象的一切可能基本结果组成的集合称为样本空间，记为，其中表示基本结果，又称为样本点.样本点是今后抽样的最基本单元.1.1.3 随机事件随机现象的某些样本点组成的集合称为随机事件，简称事件.1.1.4 随机变量用来表示随机现象结果的变量称为随机变量.1.1.7 事件域定义1.1.1 设为一样本空间，为的某些子集所组成的集合类.如果满足：(1)；(2)若，则对立事件；(3)若，则可列并.则称为一个事件域，又称为代数.在概率论中，又称为可测空间.1.2 概率的定义及其确定方法1.2.1 概率的公理化定义定义1.2.1设为一样本空间，为的某些子集所组成的一个事件域.若对任一事件，定义在上的一个实值函数满足：(1)非负性公理若，则；(2)正则性公理；(3)可列可加性公理若互不相容，有则称为事件的概率，称三元素为概率空间.第二章随机变量及其分布2.1 随机变量及其分布2.1.1 随机变量的概念定义2.1.1 定义在样本空间上的实值函数称为随机变量.2.1.2 随机变量的分布函数定义2.1.2 设是一个随机变量，对任意实数，称为随机变量的分布函数.且称服从，记为.2.1.4 连续随机变量的概率密度函数定义2.1.4 设随机变量的分布函数为，如果存在实数轴上的一个非负可积函数，使得对任意实数有则称为连续随机变量，称为的概率密度函数，简称为密度函数.密度函数的基本性质(1)非负性；(2)正则性.第三章多维随机变量及其分布3.1 多维随机变量及其联合分布3.1.1 多维随机变量定义3.1.1 如果定义在同一个样本空间上的个随机变量，则称为维(或元)随机变量或随机向量.3.1.2 联合分布函数定义3.1.2 对任意的个实数，则个事件同时发生的概率称为维随机变量的联合分布函数.3.4 多维随机变量的特征数3.4.5 随机向量的数学期望与协方差阵定义3.4.3 记维随机向量为，若其每个分量的数学期望都存在，则称为维随机向量的数学期望向量，简称为的数学期望，而称为该随机向量的方差—协方差阵，简称协方差阵，记为.例3.4.12(元正态分布) 设维随机变量的协方差阵为，数学期望向量为.又记，则由密度函数定义的分布称为元正态分布，记为.第四章大数定律与中心极限定理4.1 特征函数4.1.1 特征函数的定义定义4.1.1 设是一个随机变量，称为的特征函数.设是随机变量的密度函数，则4.2 大数定律4.2.1伯努利大数定律定理 4.2.1(伯努利大数定律) 设为重伯努利试验中事件发生的次数，为每次试验中出现的概率，则对任意的，有4.2.2 常用的几个大数定律4.3 随机变量序列的两种收敛性4.3.1 依概率收敛定义4.3.1(依概率收敛) 设为一随机变量序列，为一随机变量，如果对任意的，有则称依概率收敛于，记作.4.4 中心极限定理4.4.2 独立同分布下的中心极限定理定理 4.4.1(林德贝格—勒维中心极限定理) 设是独立同分布的随机变量序列，且.记则对任意实数有第五章统计量及其分布第六章参数估计第七章假设检验第八章方差分析与回归分析。
茆诗松《概率论与数理统计教程》笔记和课后习题(含考研真题)详解(参数估计)【圣才出品】
第6章 参数估计6.1 复习笔记一、点估计的概念与无偏性 1．点估计及无偏性（1）定义：设x 1，…，x n 是来自总体的一个样本，用于估计未知参数θ的统计量θ∧＝θ∧（x 1，…，x n ）称为θ的估计量，或称为θ的点估计，简称估计．（2）定义：设θ∧＝θ∧（x 1，…，x n ）是θ的一个估计，θ的参数空间为Θ，若对任意的θ∈Θ，有E θ（θ∧）＝θ，则称θ∧是θ的无偏估计，否则称为有偏估计．注意：①当样本量趋于无穷时，有E （s n 2）→σ2，称s n 2为σ2的渐近无偏估计，这表明当样本量较大时，s n 2可近似看作σ2的无偏估计．②若对s n 2作如下修正：则s 2是总体方差的无偏估计．这个量常被采用．③无偏性不具有不变性．即若θ∧是θ的无偏估计，一般而言，其函数g （θ∧）不是g （θ）的无偏估计，除非g （θ）是θ的线性函数．④并不是所有的参数都存在无偏估计，当参数存在无偏估计时，我们称该参数是可估的，否则称它是不可估的．22211()11nn i i ns s x x n n ===---∑2．有效性定义：设θ∧1，θ∧2是θ的两个无偏估计，如果对任意的θ∈Θ有Var （θ∧1）≤Var （θ∧2），且至少有一个θ∈Θ使得上述不等号严格成立，则称θ∧1比θ∧2有效．二、矩估计及相合性 1．替换原理和矩法估计 替换原理指：（1）用样本矩去替换总体矩，这里的矩可以是原点矩也可以是中心矩． （2）用样本矩的函数去替换相应的总体矩的函数．2．概率函数已知时未知参数的矩估计设总体具有已知的概率函数p （x ；θ1，…，θk ），（θ1，…，θk ）∈Θ是未知参数或参数向量，x 1，…，x n 是样本．假定总体的k 阶原点矩u k 存在，则对所有的j （0＜j ＜k ）u j 都存在，若假设θ1，…，θk 能够表示成u 1，…，u k 的函数θj ＝θj （u 1，…，u k ），则可给出θj 的矩估计：θ∧j ＝θj （a 1，…，a k ），j ＝1，…，k ，其中a 1，…，a k 是前k 阶样本原点矩进一步，如果我们要估计θ1，…，θk 的函数η＝g （θ1，…，θ∧k ），则可直接得到η的矩估计η∧＝g （θ∧1，…，θ∧k ）．注：当k ＝1时，我们通常可以由样本均值出发对未知参数进行估计；如果k ＝2，我们可以由一阶、二阶原点矩（或二阶中心矩）出发估计未知参数．11n jj ii a x n ==∑3．相合性定义：设θ∈Θ为未知参数，θ∧n ＝θ∧n （x 1，…，x n ）是θ的一个估计量，n 是样本容量，若对任何一个ε＞0，有则称θ∧n 为参数θ的相合估计． 判断相合性的两个有用定理：（1）设θ∧n ＝θ∧n （x 1，…，x n ）是θ的一个估计量，若则θ∧n 是θ的相合估计．（2）若θ∧n1，…，θ∧nk 分别是θ1，…，θk 的相合估计η＝g （θ1，…，θk ），是θ1，…，θk 的连续函数，则η∧＝g （θ∧n1，…，θ∧nk ）是η的相合估计．三、最大似然估计与EM 算法 1．最大似然估计定义：设总体的概率函数为P （x ；θ），θ∈Θ，其中θ是一个未知参数或几个未知参数组成的参数向量，Θ是参数空间，x 1，…，x n 是来自该总体的样本，将样本的联合概率函数看成θ的函数，用L （θ；x 1，…，x n ）表示，简记为L （θ），L （θ）＝L （θ；x 1，…，x n ）＝p （x 1；θ）p （x 2；θ）…p （x n ；θ）ˆlim ()0n n P θθε→∞-≥=ˆlim ()nn E θθ→∞=ˆlim ()0nn Var θ→∞=L （θ）称为样本的似然函数．如果某统计量θ∧＝θ∧（x 1，…，x n ）满足则称θ∧是θ的最大似然估计，简记为MLE ．注意：在做题时，习惯于由lnL （θ）出发寻找θ的最大似然估计，再求导，计算极值．但在有些场合用求导就没用，此时就需要从取值范围中的最大值和最小值来入手．2．EM 算法当分布中有多余参数或数据为截尾或缺失时，其MLE 的求取是比较困难的，这时候就可以采用EM 算法，其出发点是把求MLE 的算法分为两步：（1）求期望，以便把多余的部分去掉； （2）求极大值．3．渐近正态性最大似然估计有一个良好的性质：它通常具有渐近正态性．（1）定义：参数目的相合估计θ∧n 称为渐近正态，若存在趋于0的非负常数序列σn （θ），使得依分布收敛于标准正态分布．这时也称θ∧n 服从渐近正态分布N （θ，σn 2（θ）），记为θ∧n ～AN （θ，σn 2（θ）），σn 2（θ）称为θ∧n 的渐近方差．（2）定理：设总体x 有密度函数p （x ；θ），θ∈Θ，Θ为非退化区间，假定 ①对任意的x ，偏导数∂lnp/∂θ，对所有θ∈Θ都存在； ②∀θ∈Θ有|∂p/∂θ|＜F 1（x ），|∂2p/∂θ2|＜F 2（x ），|∂3lnp/∂θ3|＜F 3（x ）()()ˆmax L L θθθ∈Θ=()ˆn n θθσθ-其中函数F 1（x ），F 2（x ），F 3（x ）满足③∀θ∈Θ，若x 1，x 2，…，x n 是来自该总体的样本，则存在未知参数θ的最大似然估计θ∧n ＝θ∧n （x 1，x 2，…，x n ），且θ∧n 具有相合性和渐近正态性，该定理表明最大似然估计通常是渐近正态的，且其渐近方差σn 2（θ）＝（nI （θ））－1有一个统一的形式，其中，I （θ）称为费希尔信息量．四、最小方差无偏估计 1．均方误差（1）使用条件：小样本，有偏估计．（2）均方误差为：MSE （θ∧）＝E （θ∧－θ）2，常用来评价点估计． 将均方误差进行如下分解：MSE （θ∧）＝E[（θ∧－E θ∧）＋（E θ∧－θ）]2＝E （θ∧－E θ∧）2＋（E θ∧－θ）2＋2E[（θ∧－E θ∧）1()d F x x ∞-∞<∞⎰2()d F x x ∞-∞<∞⎰3sup ()(;)d F x p x x ∞-∞∈Θ<∞⎰θθ()()2ln 0;d p p x x ∞-∞∂⎛⎫<I =<∞ ⎪∂⎝⎭⎰θθθ1ˆ~(,)()nAN nI θθθ（E θ∧－θ）]＝Var （θ∧）＋（E θ∧－θ）2由分解式可以看出均方误差是由点估计的方差与偏差|E θ∧－θ|的平方两部分组成．如果θ∧是θ的无偏估计，则MSE （θ∧）＝Var （θ∧）．（3）一致最小均方误差设有样本x 1，…，x n ，对待估参数θ有一个估计类，如果对该估计类中另外任意一个θ的估计θ~，在参数空间Θ上都有MSE （θ∧）≤MSE （θ~），称θ∧（x 1，…，x n ）是该估计类中θ的一致最小均方误差估计．2．一致最小方差无偏估计定义：设θ∧是θ的一个无偏估计，如果对另外任意一个θ的无偏估计θ~．在参数率间Θ上都有Var （θ∧）≤Var （θ~），则称θ∧是θ的一致最小方差无偏估计，简记为UMVUE ．关于UMVUE ，有如下一个判断准则：设X ＝（x 1，…，x n ）是来自某总体的一个样本，θ∧＝θ∧（X ）是θ的一个无偏估计，Var （θ∧）＜∞，则θ∧是θ的UMVUE 的充要条件是：对任意一个满足E （φ（X ））＝0和Var （φ（X ））＜∞的φ（X ）都有Cov θ（θ∧，φ）＝0，∀θ∈Θ．这个定理表明UMVUE 的重要特征是：θ的最小方差无偏估计必与任一零的无偏估计不相关，反之亦然．3．充分性原则定理：总体概率函数是p （x ；θ），x 1，…，x n 是其样本，T ＝T （x 1，…，x n ）是θ的充分统计量，则对θ的任一无偏估计θ∧＝θ∧（x 1，…，x n ）；令ˆ()E T θθ=。
概率论与数理统计教程(茆诗松)第1章
SA ∫0 P( A) = = SΩ
27 July 2011
π
l sinϕdϕ 2l 2 = d(π / 2) dπ
华东师范大学
第一章 随机事件与概率
第9页
§1.3 概率的性质
= (3/10)×(2/9)+(7/10)×(3/9) = 3/10
27 July 2011
华东师范大学
第一章 随机事件与概率
第24页 24页
1.4.4
贝叶斯公式
乘法公式是求“几个事件同时发生”的概率； 全概率公式是求“最后结果”的概率； 贝叶斯公式是已知“最后结果” ，求“原因” 的概率.
27 July 2011
第一章 随机事件与概率
第19页 19页
条件概率的三大公式
乘法公式; 全概率公式； 贝叶斯公式.
27 July 2011
华东师范大学
第一章 随机事件与概率
第20页 20页
1.4.2
性质1.4.2
乘法公式
(1) 若 P(B)>0，则 P(AB) = P(B)P(A|B)； 若 P(A)>0，则 P(AB) = P(A)P(B|A). (2) 若 P(A1A2 ······An−1)>0，则 P(A1A2 ······An) = P(A1)P(A2|A1) ······ P(An|A1A2 ······An−1)
古典方法 设 Ω 为样本空间，若
① Ω只含有限个样本点; ② 每个样本点出现的可能性相等， 则事件A的概率为: P(A) = A中样本点的个数 / 样本点总数
茆诗松概率论与数理统计教程第一章
n 10 20 23 30 40 50 P(A) 0.12 0.41 0.51 0.71 0.89 0.97
上表所列的答案是出乎很多人意料的, 因为”一个班
级至少有两个人生日相同”的概率, 并不如大多数人
直觉中想象的那样小, 而是相当大. 这个例子告诉我
们, “直觉”有时并不可靠, 这就说明研究随机现象
B=“两球都是红球”,共有22 种取法, C=“两球中至少有一只白球”, 则
AB=“两个球颜色相同”,事件CB,
故P(A)=(44)/(6 6) 0.444，P(B)=(22)/(6 6) 0.111, 则P(AB)=P(A)+P(B) 0.556, P(C)=1-P(B) .0.889
(b)不放回抽样
P(C)=1-P(B) =14/15
.
例六.(分房问题, 类比于教材中例1.2.6的盒子模型) 设有n个人, 每个人都等可能地被分配到N个房 间中的任一间去住(n≤N), 求下列事件的概率 (1)指定的n个房间各有一个人住 (2)恰好有n个房间, 其中各住一个人
解: 将n个人分配到N个房间去, 相当于对每个人, 我们从
.
.
例二(被闪电击中概率的研究).
如何求一个人在某年中被 闪电击中的概率?
中国1.1×109人中, 在2005年被闪电击中 的人数为3300人, 通过概率的频率方法 我们知道, 某人被闪电击中的概率为
茆诗松《概率论与数理统计教程》(第2版)笔记和课后习题(含考研真题)详解-第1章 随机事件与概率【圣
③对立事件一定是互不相容的事件，即 A∩B＝∅．但互不相容的事件不一定是对立事件．
＿
④A－B 可以记为 AB．
7．事件的运算性质
5 / 85
圣才电子书
（1）交换律
十万种考研考证电子书、题库视频学习平台
A∪B＝B∪A，AB＝BA
（2）结合律
（A∪B）∪C＝A∪（B∪C）
n r 1
次所得的组合，此种重复组合总数为
r
，这里的 r 也允许大于 n．
上述四种排列组合及其总数计算公式在使用中要注意识别有序与无序、重复与不重复．
3．确定概率的频率方法 （1）确定概率的频率方法 在大量重复试验中，用频率的稳定值去获得概率的一种方法，其基本思想是： ①与考察事件 A 有关的随机现象可大量重复进行．
4．随机变量 定义：表示随机现象结果的变量，常用大写字母 X，Y，Z 表示． 注意：很多事件都用随机变量表示时，应写明随机变量的含义．在同一个随机现象中， 不同的设置可获得不同的随机变量，如何设置可按需要进行．
5．事件间的关系 假设在同一个样本空间 Ω（即同一个随机现象）中进行．事件间的关系与集合间关系
2．排列与组合公式 排列与组合都是计算“从 n 个元素中任取 r 个元素”的取法总数公式． 区别：组合公式是不讲究取出元素间的次序，否则用排列公式．而所谓讲究元素间的次 序，可以从实际问题中得以辨别，例如两个人相互握手是不讲次序的；而两个人排队是讲次 序的，因为“甲右乙左”与“乙右甲左”是两件事．
7 / 85
＿
1-1-5），或用概率论的语言说“A 不发生”，即A＝Ω－A．
＿
图 1-1-5 A 的对立事件A
注意：
＿
＿
①对立事件是相互的，即 A 的对立事件是A，而A的对立事件是 A．必然事件 Ω 与不可
茆诗松《概率论与数理统计教程》课后习题
茆诗松《概率论与数理统计教程》课后习题本书是详解研究生入学考试指定考研参考书目为茆诗松《概率论与数理统计教程》的配套题库，每章包括以下四部分：第一部分为考研真题及详解。
本部分按教材章节从历年考研真题中挑选具有代表性的部分，并对其进行了详细的解答。
所选考研真题既注重对基础知识的掌握，让学员具有扎实的专业基础；又对一些重难点部分（包括教材中未涉及到的知识点）进行详细阐释，以使学员不遗漏任何一个重要知识点。
第二部分为课后习题及详解。
本部分对茆诗松编写的《概率论与数理统计教程》（第2版）教材每一章的课后习题进行了详细的分析和解答，并对个别知识点进行了扩展。
课后习题答案经过多次修改，质量上乘，特别适合应试作答和临考冲刺。
第三部分为章节题库及详解。
本部分严格按照茆诗松编写的《概率论与数理统计教程》（第2版）教材内容进行编写，每一章都精心挑选经典常见考题，并予以详细解答。
熟练掌握本书考题的解答，有助于学员理解和掌握有关概念、原理，并提高解题能力。
第四部分为模拟试题及详解。
参照茆诗松编写的《概率论与数理统计教程》（第2版）教材，根据历年考研真题的命题规律及热门考点精心编写了两套考前模拟试题，并提供详尽的解答。
通过模拟试题的练习，学员既可以用来检测学习该考试科目的效果，又可以用来评估对自己的应试能力。
本书提供电子书及打印版，方便对照复习。
目录第一部分考研真题第1章随机事件与概率第2章随机变量与分布第3章多维随机变量及其分布第4章大数定律与中心极限定理第5章统计量及其分布第6章参数估计第7章假设检验第8章方差分析与回归分析第二部分课后习题第1章随机事件与概率第2章随机变量及其分布第3章多维随机变量及其分布第4章大数定律与中心极限定理第5章统计量及其分布第6章参数估计第7章假设检验第8章方差分析与回归分析第三部分章节题库第1章随机事件与概率第2章随机变量与分布第3章多维随机变量及其分布第4章大数定律与中心极限定理第5章统计量及其分布第6章参数估计第7章假设检验第8章方差分析与回归分析第四部分模拟试题茆诗松《概率论与数理统计教程》（第2版）配套模拟试题及详解（一）茆诗松《概率论与数理统计教程》（第2版）配套模拟试题及详解（二）。
概率论与数理统计教程(茆诗松)
例1.1.1
口袋中有a 个白球、b 个黑球，从中一个一个不返 回地取球。A = “取到最后一个是白球”， B = “取到最后一段是白球”。问 A 与 B 的关系？
解：1) 显然，B 发生必然导致A发生，所以 BA;. 2) 又因为A发生必然导致B发生，所以 AB， 由此得 A = B.
• 从 n 个元素中任取 r 个，求取法数.
• 排列讲次序，组合不讲次序.
• 全排列：Pn= n! • 0! = 1.
• •
重选复排排列：列Pn：r n(rn
常用大写字母 X、Y、Z …表示.
事件的表示
➢在试验中，A中某个样本点出现了， 就说 A 出现了、发生了，记为A.
➢维恩图 ( Venn ). ➢事件的三种表示
用语言、用集合、用随机变量.
1.1.5 事件间的关系
➢包含关系： A B, A 发生必然导致 B 发
生. ➢相等关系: A = B A B 而且 B
5. 试用A、B、C ห้องสมุดไป่ตู้示下列事件：
① A 出现； A ② 仅 A 出现；ABC ③ 恰有一个出现；ABC ABC ABC
④ 至少有一个出现；A B C
⑤ 至多有一个出现；ABC ABC ABC ABC ⑥ 都不出现； ABC
⑦ 不都出现； ABC A B C ⑧ 至少有两个出现；AB AC BC
A A不发生、对立事件 A的余集
注意点(1)
基本事件互不相容，基本事件之并
=ΩA A A
A A Ω
A A
A A
A
A
AB A B
B
茆诗松《概率论与数理统计教程》笔记和课后习题(含考研真题)详解(随机变量及其分布)【圣才出品】
xk p xk 丌收敛，则称 X 癿数学期望丌存在．
k =1
（2）连续型随机变量
定义：设连续随机变量 x 癿密度凼数为 p（x）．如果
x p xdx
则称
E
X
xp
x
dx
为 X 癿数学期望，或称作该分布 p（x）癿数学期望，简称期望或均值．若
x p x dx 丌收敛，则称 X 癿数学期望丌存在．
2．数学期望癿性质 按照数学期望 E（X）癿定义，E（X）由其分布唯一确定．若要求随机变量 X 癿一个凼
5 / 119
圣才电子书 十万种考研考证电子书、题库视频学习平台
数 g（X）癿数学期望，当然要先求出 Y＝g（X）癿分布，再用此分布来求 E（Y）．
lim
xx0
F
x
F
x0
即 F（x0＋0）＝F（x0）
返三个基本性质为判别某个凼数是否能成为分布凼数癿充要条件．
当 F（x）在 a 不 b 处连续时，有 F（a－0）＝F（a），F（b－0）＝F（b）．
3．离散随机变量癿概率分布列
（1）定义：设 X 是一个离散随机变量，如果 X 癿所有可能叏值是 x1，x2，…，xn，…，
则称 X 叏 xi 癿概率 pi＝p（xi）＝P（X＝xi），i＝1，2，…n，…为 X 癿概率分布列或简称为
分布列，记为 X～{pi}．
分布列也可用下表来表示：
X
x1
x2
…
P P（x1） P（x2） …
茆诗松概率论与数理统计教程课件第一章 (3)
, 且P ( B ) k1 P ( A), P (C ) k2 P ( A), 例六. 设A, B, C为 三 事 件 k1 , k2 0, k1 k2 1, P ( BC ) P ( A). 证 明 1 P ( A) k1 k2 1
证明: 由加法公式得 P ( B C ) P ( B) P (C ) P ( BC )
2. 概率的加法公式
加法公式 对于任意事件A, B , 有 P ( A B ) P ( A) P ( B ) P ( AB )
证明: A B A ( B AB), 且A ( B AB) ,
P ( A B) P ( A) P ( B AB )
数 学 分 析 里 已 证 明 单集 调列 是 收 敛 的 : 如果集列 { An }不 减, 则 li mAn n1 An ;
n
如果集列 { An }不 增, 则 li mAn n1 An .
n
与单调集列类比, 不难给出单调事件列极限的定义:
(1)对F 中 任 一 单 调 不 减 的 事 列 件F1 F2 Fn , { Fn }的 极 限 为 limFn n1 Fn ,
m 1 n mn
所 以, P
n 1
Fn 0
所以,
P Am 0. n 1 m n
本节完
§1.3 作业
习题 5, 6, 16,
P( A B ) P( A B) 1 P( A B) 1 ( P ( A) P ( B ) P ( AB )) 1 (0.12 0.02 0.01) 0.87
茆诗松概率论与数理统计教程
例三. 写出下列随机试验的样本空间, 用样本点的集合表示
所述事件. 袋中有3个白球和2个黑球, 从其中任取2个球, 令A表示“取出的全是白球”, B表示“取出的全是黑 球”, C表示“取出的球颜色相同”, D表示“取出的两个 球至少有一个白球”
解 : 解法(a) : ABC
根据事件的运算法 则可验证, 这三
种解法的结果相 同
解法(b) : 该事件从字面来理解就是"A,B,C中至 少有一个不发生", 所以就是A B C.
解法(c) : 该事件可分解为3种情况: (i)"ABC恰好有一个不发生", 即ABC ABC ABC (ii)"ABC恰好有两个不发生",即A BC ABC ABC (iii)"ABC都不发生",即A B C
事件A也可表示为X是奇数; 事件B是X为偶数; 事件C是 X=6; 事件D是X≥2; 事件E是X=0.
注意: 在实际问题中, 哪一种表示方法方便且有利 于问题的解答就采用哪一种.
3. 事件间的关系与运算
因为事件就是样本点的集合, 所以事件间的关系与 运算类比于集合间的关系与运算.
事件间的关系:包含关系, 相等关系, 互不相容关系
(2) 掷一颗骰子的样本空间为: Ω={1,2,3,4,5,6}. (3) 调查10名婴儿中的男婴数的样本空间为:
Ω={0,1,2,3,4,5,6,7,8,9,10}. (4) 试验II的样本空间为: Ω={白球, 黑球}.
茆诗松《概率论与数理统计教程》笔记和课后习题(含考研真题)详解(假设检验)【圣才出品】
第7章假设检验7.1 复习笔记一、假设检验的基本思想与概念1．假设检验的基本思想（1）通过样本对一个假设作出“对”或“不对”的具体判断，检验的结果若是否定该命题，则称拒绝这个假设，否则就称为接受该假设．（2）若假设可用一个参数的集合表示，该假设检验问题称为参数假设检验问题，否则称为非参数假设检验问题．2．假设检验的基本步骤（1）建立假设；（2）选择检验统计量，给出拒绝域形式；注意：一个拒绝域W唯一确定一个检验法则，一个检验法则也唯一确定一个拒绝域．（3）选择显著性水平第一类错误：命题本为真，却由于随机性落入了拒绝域，而否定了命题．（弃真）第二类错误：命题本为假，由于随机性落入了接受域，而接受了命题．（取伪）犯第一类错误概率：α＝pθ{（X∈W）}，θ∈Θ0，也记为p{X∈W|H0}；犯第二类错误概率：β＝pθ{（X∈W＿）}，θ∈Θ1，也记为p{X∈W＿|H1}．注意：α，β的控制是相反的，即减小α，会加大β．①势函数：设检验问题H0：θ∈Θ0 vs H1：θ∈Θ1的拒绝域为W，则样本观测值X落在拒绝域W内的概率称为该检验的势函数，记为g（θ）＝pθ（X∈W），θ∈Θ＝Θ0∪Θ1②显著性检验：对检验问题H0：θ∈Θ0 vs H1：θ∈Θ1，如果一个检验满足对任意的θ∈Θ0，都有g（θ）≤α，则称该检验是显著性水平为α的显著性检验，简称水平为α的检验．（4）给出拒绝域依据题意分析，确定统计量来给出拒绝域．（5）做出判断有了明确的拒绝域W后，根据样本观测值我们可以作出判断，决定假设是否成立．3．检验的p值定义：在一个假设检验问题中，利用样本观测值能够作出拒绝原假设的最小显著性水平，将检验的p值与假设的显著性水平α进行比较可以很容易作出检验的结论：①如果α≥p，则在显著性水平α下拒绝H0；②如果α＜p，则在显著性水平α下接受H0．二、正态总体参数假设检验1．单个正态总体均值的检验设x1，…，x n是来自N（μ，σ2）的样本，单个正态总体均值的假设检验列表如下：2．假设检验与置信区间的关系检验的接受域与置信区间是一一对应的．3．两个正态总体均值差的检验设x1，…，x m是来自正态总体N（μ1，σ12）的样本，y1，…，y n是来自另一个正态总体N（μ2，σ22）的样本，两个样本相互独立，两个正态总体均值的假设检验如下表：注：1x yu -=2x y u -=t 1是服从自由度为n ＋m －1的t 分布的随机变量，t 2是服从自由度为l 的t 分布的随机变量．4．成对数据检验假定x ～N （μ1，σ12），y ～（μ2，σ22），且x 与y 独立，在正态性假定下，d ＝x －y ～N （μ，σd 2），其中μ＝μ1－μ2，σd 2＝σ12＋σ22，将比较μ1与μ2的大小转化为考察μ是否为零，即考察如下检验问题：H 0：μ＝0 vs H 1：μ≠0即把双样本的检验问题转化为单样本t 检验问题，这时检验的t 统计量为 其中在给定显著性水平α下，该检验问题的拒绝域是：W1＝{|t 2|≥t 1－α/2（n －1）}，这就是1x y t -=2x y t -=2(dt d s =11ni i d d n ==∑1/2211()1n d i i s d d n =⎛⎫=- ⎪-⎝⎭∑成对数据的t检验．5．正态总体方差的检验（1）单个正态总体方差的χ2检验；（2）两个正态总体方差比的F检验．两正态总体方差的假设检验如下表：三、其他分布参数的假设检验1．指数分布参数的假设检验（1）提出假设：H0：θ≤θ0 vs H1：θ＞θ0拒绝域：W1＝{χ2≥χ1－α2（2n）}，p值：p1＝P（χ2≥χ02）．（2）提出假设：H0：θ≥θ0 vs H1：θ＜θ0和H0：θ＝θ0 vs H1：θ≠θ0。
概率论与数理统计教程华东师大茆诗松版第二章 ppt课件
第2页
概率论与数理统计教程华东师 大茆诗松版第二章
(1) 掷一颗骰子， 出现的点数 X 1，2，……，6.
(2) n个产品中的不合格品个数 Y 0，1，2，……，n
(3) 某商场一天内来的顾客数 Z 0，1，2，……
(4) 某种型号电视机的寿命 T : [0, +)
8/4/2020
华东师范大学
第二章 随机变量及其分布
若 X 表示掷一颗骰子出现的点数， 则 {X=1.5} 是不可能事件.
(2) 若 X 为随机变量，则 {X = k} 、 {a < X b} 、……
均为随机事件.
即 {a < X b} ={；a < X() b }
8/4/2020
华东师范大学
第二章 随机变量及其分布
第5页
概率论与数理统
计教程华东师大
茆诗松版第二章
(3) 注意以下一些表达式：
{X = k}= {X k}{X < k}； {a < X b} = {X b}{X a}； { X > b} = {X b}.
(4) 同一样本空间可以定义不同的随机变量.
8/4/2020
华东师范大学
第二章 随机变量及其分布
第6页
概率论与数理统计教
第8页
概率论与数理统计教程华东师大茆 诗松版第二章
➢ 设离散随机变量 X 的可能取值为： x1，x2，……，xn，……
称 pi=P(X=xi)， i =1, 2, …… 为 X 的分布列.
➢ 分布列也可用表格形式表示：
X x1 P p1
x2 …… xn …… p2 …… pn ……
8/4/2020
华东师范大学
概率论与数理统计教程(茆诗松)第8章
华东师范大学
第八章 方差分析与回归分析
第8页
我们要比较各水平下的均值是否相同, 即要对如下的一个假设进行检验:
H0 ：1 =2 =…=r
备择假设为
H1 ：1, 2, …, r 不全相等
（8.1.1）
在不会引起误解的情况下， H1 通常可省略不写。 如果H0成立，因子A的r个水平均值相同，称因子A的r 个水平间没有显著差异，简称因子A不显著；反之， 当H0不成立时，因子A的r个水平均值不全相同，这时 称因子A的不同水平间有显著差异，简称因子A显著。
有一个恒等式
k
( yi y ) 0
，这说明在Q中独立
i 1
的偏差只有k1个。
➢ 在统计学中把平方和中独立偏差个数称为该平 方和的自由度，常记为f，如Q的自由度为 fQ=k1。自由度是偏差平方和的一个重要参数。
13 July 2020
华东师范大学
第八章 方差分析与回归分析
第19页
四、总平方和分解公式
第22页
8.1.4 检验方法
偏差平方和Q的大小与自由度有关，为了便于在 偏差平方和间进行比较，统计上引入了均方的 概念，它定义为MS=Q/fQ ，其意为平均每个自 由度上有多少平方和，它比较好地度量了一组 数据的离散程度。
如今要对因子平方和 SA 与误差平方和 Se 之间进
行比较，用其均方和 MSA= SA /fA ， MSe= Se /fe 进
1
r
r i 1
i
为总均值.
称第 i 水平下的均值 i 与总均值 的差:
ai=i - 为 Ai 的效应。
13 July 2020
华东师范大学
第八章 方差分析与回归分析
第12页
概率论和数理统计教程茆诗松专题培训课件
11/27/2019
华东师范大学
第二章 随机变量及其分布
第5页
2.1.2 随机变量的分布函数
定义2.1.2 设X为一个随机变量，对任意实数 x，
称 F(x)=P( X x) 为 X 的分布函数.
基本性质：
(1) F(x) 单调不降； (2) 有界：0F(x)1，F()=0，F(+)=1； (3) 右连续.
第12页
定义2.1.4
设随机变量X 的分布函数为F(x), 若存在非负可积函数 p(x) ，满足：
F(x)xp(t)dt
则称 X 为连续随机变量， 称 p(x)为概率密度函数，简称密度函数.
11/27/2019
华东师范大学
第二章 随机变量及其分布
第13页
密度函数的基本性质
(1) p(x) 0; (非负性)
(2)
p(
x)dx
1.
(正则性)
满足(1) (2)的函数都可以看成某个 连续随机变量的概率密度函数.
11/27/2019
华东师范大学
第二章 随机变量及其分布
例2.1.3
设
X
~
ke3x, p(x)
0,
x0, x0.
求 (1) 常数 k. (2) F(x).
解：
(1) k =3.
11/27/2019
华东师范大学
第二章 随机变量及其分布
第6页
2.1.3 离散随机变量的分布列
设离散随机变量 X 的可能取值为： x1，x2，……，xn，……
称 pi=P(X=xi)， i =1, 2, …… 为 X 的分布列.
分布列也可用表格形式表示：
X x1 P p1
概率论与数理统计教程(茆诗松)第三章多维随机变量及其分布
P(X1=1, X2=0) = P(|Y|<1, |Y|≥2) = 0
P(X1=1, X2=1) = P(|Y|<1, |Y|<2) = P(|Y|<1) = 0.6826
23 August 2021
华东师范大学
第三章 多维随机变量及其分布
列表为：
X1 X2 0 1
0
0.0455 0
1
0.2719 0.6826
第13页
23 August 2021
华东师范大学
第三章 多维随机变量及其分布
课堂练习
第14页
设随机变量 X 在 1，2，3 ， 4 四个整数中等可 能地取值，另一个随机变量 Y 在 1到X 中等可能 地取一整数值。试求（X, Y）的联合分布列.
第三章 多维随机变量及其分布
第1页
第三章 多维随机变量及其分布
§3.1 多维随机变量及其联合分布 §3.2 边际分布与随机变量的独立性 §3.3 多维随机变量函数的分布 §3.4 多维随机变量的特征数 §3.5 条件分布与条件期望
23 August 2021
华东师范大学
第三章 多维随机变量及其分布
23 August 2021
华东师范大学
第三章 多维随机变量及其分布
3.2.1 边际分布函数
第29页
巳知 (X, Y) 的联合分布函数为 F(x, y)，
则 X FX (x) = F(x, +),
Y FY (y) = F(+ , y).
23 August 2021
概率论与数理统计教程茆诗松版第二章ppt课件
4/22/2020
华东师范大学
第二章 随机变量及其分布
第8页
2.1.3 离散随机变量的分布列
➢ 设离散随机变量 X 的可能取值为： x1，x2，……，xn，……
称 pi=P(X=xi)， i =1, 2, …… 为 X 的分布列.
➢ 分布列也可用表格形式表示：
X x1 P p1
x2 …… xn …… p2 …… pn ……
4/22/2020
华东师范大学
第二章 随机变量及其分布
注 意 点 (2)
第11页
对离散随机变量的分布函数应注意： (1) F(x)是递增的阶梯函数; (2) 其间断点均为右连续的; (3) 其间断点即为X的可能取值点; (4) 其间断点的跳跃高度是对应的概率值.
4/22/2020
华东师范大学
第二章 随机变量及其分布
第二章 随机变量及其分布
第1页
第二章 随机变量及其分布
§2.1 随机变量及其分布 §2.2 随机变量的数学期望 §2.3 随机变量的方差与标准差 §2.4 常用离散分布 §2.5 常用连续分布 §2.6 随机变量函数的分布 §2.7 分布的其他特征数
4/22/2020
华东师范大学
第二章 随机变量及其分布
(2) F(x) 是 (∞, +∞) 上的连续函数; (3) P(X=x) = F(x)F(x0) = 0;
4/22/2020
华东师范大学
第二章 随机变量及其分布
注意点(2)
第18页
(4) P{a<X≤b} = P{a<X<b} = P{a≤X<b} = P{a≤X≤b} = F(b)F(a).
(5) 当F(x) 在x点可导时, p(x) = F ( x )
- 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)。
例二. 设有两门高射炮, 每一门击中飞机的概率都 是0.6, 求同时射击一发炮弹能击中飞机的概率. 若欲以99%的概率击中飞机, 求至少需要多少 门高射炮同时射击.
解: 令事件A={飞机被击中}, 事件Ai={第i门炮击中飞机}
P( A) P( A1 A2 ) P( A1 ) P( A2 ) P( A1 A2 )
2. 多个事件的独立性
对于有限个事件的独立性, 我们有下列相应的定义: 定义: 对随机试验中的n个事件A1,…, An, 若对任意k
(2≤k≤n) 及任意i1,…,ik,(1≤i1<i2<…<ik≤n)满足
P(Ai1Ai2…Aik)=P(Ai1)P(Ai2)…P(Aik),
则称事件Ai1 , Ai2 ,… ,Aik相互独立.
为什么呢???
我们举两个反例说明.
反例一:
推不出
例如: 若样本空间S {e1, e2 , e3 , e4 },令事件 A1 {e1, e2 }, A2 {e1, e3 }, A3 {e1, e4 }
反例二:
推不出
例 如: 若 样 本 空 间S {(i, j) : i, j 1,2, ,6},令 A1 {(i, j) : j 1,2,5}, A2 {(i, j) : j 4,5,6}, A3 {(i, j) : i j 9}
独立性
P( A1 ) P( A2 ) P( A1 )P( A2 ) 0.6 0.6 0.36 0.84
设有n门炮同时射击.
因A的情形很多, 我们考虑A的对立事件A
P( A) 1 P( A) 1 P( A1 A2 An )
独立性
1 P( A1 )P( A2 ) P( An ) 1 0.4n 0.99
由定义可知, 的条件为
对三个相互独立事件A1,
A2,
A3,
需满足
P(A1A2)=P(A1)P(A2) P(A2A3)=P(A2)P(A3) P(A1A3)=P(A1)P(A3) P(A1A2A3)=P(A1)P(A2)P(A3)
注意: 在表示A,B,C三事件独立时, 两组条件: 和
缺一不可, 互相不能替代.
AB独 立
P( A) P( A)P(B) P( A)(1 P(B) P( A)P(B )
这表明A与B独立. 类似可证, A与B独立, A与B独立.
事件独立性的判别可根据定义进行, 但有时也可以 根据直觉判断.
例如: 分别掷两枚硬币, 硬币甲出现正面与否和硬币 乙出现正面与否, 相互之间能有什么影响呢?不要 计算也能肯定它们是相互独立的!
P(A| B) n , mn
P( A) n mn
在这种情形下, P(A|B)=P(A), 我们称事件A和B独 立, 表明事件B的发生与否将不影响事件A的概率.
这时, 由乘法公式得: P(AB)=P(B)P(A|B)=P(A)P(B), 故我们得到如下得独立性定义:
定义: 对随机试验中的任两个事件A,B, 若 P(AB)=P(A)P(B),
则n 5.026
例三. 今有甲乙两名射手轮流对同一目标进行射 击. 甲命中的概率为p1, 乙命中的概率为p2. 甲 先射, 谁先命中谁得胜, 分别求甲乙两人获胜的 概率.
你最好先作一下直觉的判断
解: (1)有两个小孩的家庭.
这时样本空间Ω={(男男),(男女),(女男),(女女)}. A={(男女),(女男)}. B={(男男),(男女),(女男)}. AB={(男女),(女男)}.
所以P(A)=1/2, P(B)=3/4, P(AB)=1/2
由此可知, P(AB)≠P(A)P(B), 即A和B不独立.
则称事件A与B相互独立, 简称A与B独立; 否 则称A与B不独立或相依.
独立性的性质: 若事件A与B相互独立, 则A与B, A与B, A与B也相互独立.
证 明: P( A) P( A Ω) P( A (B B ) P( AB AB ) P( AB) P( AB )
P( AB ) P( A) P( AB)
1 P( A1 A2 A3 ) 36 P( A1 )P( A2 )P( A3 )
P( A1 A2 )
1 6
1 4
P( A1 )P( A2来自)P( A1 A3 )
1 36
1 18
P( A1 )P( A3 )
11 P( A2 A3 ) 12 18 P( A2 )P( A3 )
而对于n个事件, 它们相互独立的条件实际上含 有下列等式:
但并不是什么问题都是那么容易靠直觉判断的, 不 妨看下面的例一.
例一. 一个家庭中有若干个小孩, 假定生男孩和生 女孩是等可能的, 令 A={一个家庭中有男孩, 又有女孩} B={一个家庭中最多有一个女孩} 对下列两种情形, 讨论A与B的独立性: (1)家庭中有两个小孩, (2)家庭中有三个小孩.
P(Ai1Ai2)=P(Ai1)P(Ai2)
共Cn2个等式
P(Ai1Ai2Ai3)=P(Ai1)P(Ai2)P(Ai3) …
共Cn3个等式
P(A1A2…An)=P(A1)P(A2)…P(An) 共Cnn个等式
计有Cn2 Cn3 Cnn (11)n Cn0 Cn1 2n 1 n个等式
对于n个事件, 我们也有类似独立性性质的性质. 同时还有, 若A1,…An相互独立, 则其中任意m (2≤m<n)个事件(或其对立事件)都相互独立.
(2)有三个小孩的家庭. Ω={(男男男),(男男女),(男女男),(女男女)
(男女女),(女男女),(女女男),(女女女)}.
从而A含有6个样本点 , B含有4个样本点, AB含有3个样本点
所以P(A)=6/8=3/4, P(B)=4/8=1/2, P(AB)=3/8
由此可知, P(AB)=3/8=P(A)P(B), 即A和B独立.
第五节 独立性
1. 两个事件的独立性 2. 多个事件的独立性 3. 试验的独立性
1. 两个事件的独立性
对随机试验中事件A,B, 通常P(A|B)≠P(A), 这表明 事件B的发生将影响事件A发生的概率.
但有时也会出现P(A|B)=P(A)的情形:
例如: 在一只装有m只红球, n只白球的盒中进行 两次放回式抽样. 令事件B={第一次摸出红球}, 事件A={第二次摸出红球}, 显然