概率论与数理统计基本知识
概率论与数理统计各章重点知识点汇总--最新版
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()()()()+∑+∑-∑=≤<<≤≤<≤=nk j i k j i nj i j i ni i n A A A P A A P A P A A A P 11121…+(-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 e x 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) .,}{},{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 P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 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 i X 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αχχχχαααα=<>=<=>--))}(())({()}({)}({22/122/212n Y n Y P n Y P n Y P 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αααα=>=-<=>)}({)}({)}({2/n t t P n t t P n t t P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)},({)},({21121n n F F P n n F F P αα-<=>ααα=<>=-))},(()),({(212/1212/n n F F n n F F P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⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111kk 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 =∂∂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)=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 nX σμ-~N (0,1) (2/ασz n X ±) μ σ2未知 nS 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 Sn 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,σσ22212121)(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))1,1(1,)1,1(1(212/12221212/2221----⋅-n n F S S n n F S S αα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.。
概率论与数理统计知识点总结!-知识归纳整理
《概率论与数理统计》 第一章随机事件及其概率§1.1 随机事件一、给出事件描述，要求用运算关系符表示事件： 二、给出事件运算关系符，要求判断其正确性： §1.2 概率古典概型公式：P （A ）=所含样本点数所含样本点数ΩA 实用中经常采用“罗列组合”的想法计算补例1：将n 个球随机地放到n 个盒中去，问每个盒子恰有1个球的概率是多少？解：设A ：“每个盒子恰有1个球”。
求：P(A)=？Ω所含样本点数：n n n n n =⋅⋅⋅...Α所含样本点数：!1...)2()1(n n n n =⋅⋅-⋅-⋅n n n A P !)(=∴补例2：将3封信随机地放入4个信箱中，问信箱中信的封数的最大数分别为1、2、3的概率各是多少？解：设A i ：“信箱中信的最大封数为i”。
(i =1,2,3)求：P(A i )=？Ω所含样本点数：6444443==⋅⋅A 1所含样本点数：24234=⋅⋅836424)(1==∴A PA 2所含样本点数：363423=⋅⋅C1696436)(2==∴A PA 3所含样本点数：4433=⋅C161644)(3==∴A P注：由概率定义得出的几个性质：知识归纳整理1、0<P （A ）<12、P(Ω)=1，P(φ) =0 §1.3 概率的加法法则定理：设A 、B 是互不相容事件（AB=φ），则： P （A ∪B ）=P （A ）+P （B ）推论1：设A 1、 A 2、…、 A n 互不相容，则 P(A 1+A 2+...+ A n )= P(A 1) + P(A 2) +…+ P(A n )推论2：设A 1、 A 2、…、 A n 构成完备事件组，则 P(A 1+A 2+...+ A n )=1推论3： P （A ）=1－P （A ）推论4：若B ⊃A ，则P(B －A)= P(B)－P(A) 推论5（广义加法公式）：对任意两个事件A 与B ，有P(A ∪B)=P(A)+P(B)－P(A B) 补充——对偶律：nnAA A A A A ⋂⋂⋂=⋃⋃⋃ (2)121nnAA A A A A ⋃⋃⋃=⋂⋂⋂ (2)121§1.4 条件概率与乘法法则条件概率公式：P(A/B)=)()(B P AB P （P(B)≠0）P(B/A)= )()(A P AB P （P(A)≠0）∴P （AB ）=P （A /B ）P （B ）= P （B / A ）P （A ）有时须与P （A+B ）=P （A ）+P （B ）－P （AB ）中的P （AB ）联系解题。
概率论与数理统计
28
概率的性质
1 P( ) 0
2
A, B互斥（即AB ）
P( A U B) P( A) P( B)
一般地，
Ai Aj (i, j 1, 2,L n, i j )
P UAi P( Ai ). i 1 i 1
29
问题：如何对随机现象进行研究？
5
§1.1.1 随机试验
对随机现象进行的观察或试验称为随机试验，简称为 试验。 随机试验的三个特点:
1.可以在相同条件下重复进行； 2.试验结果不止一个，且可以预知一切 可能的结果的取值范围； 3.试验前不能确定会出现哪一个结果。
6
§1.1.2
样本空间与随机事件
在下图中，用Ω表示一个试验的所有可能的
15
Ω A
A
6. 对立（互逆）的事件：如果 AB＝ , ， 且AB＝,则称A与B为互逆事件，记作 B= A
如果A，B是任意两事件，则有
AA ,
A A ,
A B AB,
A A.
3) A B A ( B A)
注意对立事件与互斥的区别.
16
7.完备事件组 若事件A1,A2,„An为两两互不相容的事件， 并且
P(C) [P( AC) P(BC) P( ABC)]
0.3 (0.08 0.05 0.03) 0.2
35
1 例 设 A、B 为两个随机事件 ,且已知 P A , 4 1 P B , 就下列三种情况求概率 P BA . 2
1 A 与 B 互斥 ;
用不同的记号，可写为 (A+B)C=AC+BC (AB)+C=(A+C)(B+C)
概率论与数理统计考点归纳
概率论与数理统计考点归纳1. 引言概率论与数理统计是数学中的两个重要分支，它们研究随机现象的规律和利用数据推断总体特征。
在实际应用中，概率论与数理统计广泛应用于自然科学、社会科学、工程技术等领域。
本文将从以下几个方面对概率论与数理统计的考点进行归纳和总结。
2. 概率论考点2.1 随机变量与概率分布•随机变量的定义、分类和常见概率分布：离散随机变量、连续随机变量、二项分布、泊松分布、正态分布等。
•期望、方差和协方差的定义和性质，以及它们与随机变量的关系。
•大数定律和中心极限定理的概念和应用。
2.2 一维随机变量的分布特征•分布函数、概率密度函数和概率质量函数的定义和性质。
•分位数和分位点的概念和计算方法。
•随机变量的矩、协方差和相关系数的定义和计算。
•常见分布的特征：均匀分布、指数分布、正态分布等。
2.3 多维随机变量的分布特征•多维随机变量的联合分布、边缘分布和条件分布的定义和性质。
•多维随机变量的矩、协方差矩阵和相关系数矩阵的定义和计算。
•多维正态分布的定义和性质，以及多维正态分布的应用。
2.4 随机变量的函数的分布特征•随机变量函数的分布：线性变换、和、积、商的分布。
•随机变量函数的期望、方差和协方差的计算方法。
3. 数理统计考点3.1 抽样与抽样分布•抽样的概念和方法：随机抽样、简单随机抽样、系统抽样、分层抽样、整群抽样等。
•抽样分布的概念和性质：样本均值的抽样分布、样本比例的抽样分布、样本方差的抽样分布等。
•中心极限定理在抽样分布中的应用。
3.2 参数估计•点估计的概念和方法：矩估计、最大似然估计等。
•点估计的性质：无偏性、有效性、一致性等。
•置信区间的定义和计算方法。
3.3 假设检验•假设检验的基本步骤：建立原假设和备择假设、选择检验统计量、确定显著性水平、计算拒绝域、做出判断。
•假设检验的错误和功效：第一类错误、第二类错误和功效的概念和计算。
•常见假设检验方法：正态总体均值的假设检验、正态总体方差的假设检验、两样本均值的假设检验等。
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一、概率论知识点总结：1.随机事件：随机事件是指在一次试验中，可能发生也可能不发生的事件。
例如：掷硬币的结果、抽取扑克牌的花色等。
2.概率：概率是描述随机事件发生可能性大小的数值。
概率的取值范围是[0,1]，表示事件发生的可能性大小，0表示不可能发生，1表示一定会发生。
3.古典概型：古典概型是指每种可能的结果发生的概率相等的情形。
例如：掷骰子的结果、抽取彩色球的颜色等。
4.随机变量：随机变量是用来描述试验结果的数值，它的取值是根据随机事件的结果确定的。
例如：掷骰子的点数、抽取扑克牌的点数等。
5.概率分布：随机变量的概率分布描述了每个取值发生的概率。
常见的概率分布有离散概率分布和连续概率分布，如二项分布、正态分布等。
6. 期望值：期望值是衡量随机变量取值的平均值。
对于离散型随机变量，期望值=E[X]=∑[xP(X=x)]；对于连续型随机变量，期望值=E[X]=∫[x f(x)dx]，其中f(x)为概率密度函数。
7. 方差：方差是衡量随机变量取值与期望值之间的偏离程度。
方差=Var(X)=E[(X-E[X])^2]。
8.独立性：两个随机事件或随机变量之间的独立性表示它们的发生与否或取值无关联。
独立性的判定通常通过联合概率、条件概率等来进行推导。
二、数理统计知识点总结：1.样本与总体：在统计学中，样本是指从总体中选取的具体观测数据。
总体是指要研究的对象的全部个体或事物的集合。
2.参数与统计量：参数是描述总体特征的数值，如总体均值、总体方差等。
统计量是根据样本计算得到的参数估计值，用来估计总体参数。
3.抽样方法：抽样方法是从总体中选取样本的方法，常见的抽样方法有简单随机抽样、系统抽样、整群抽样等。
4.统计分布：统计分布是指样本统计量的分布。
常见的统计分布有t分布、F分布、x^2分布等，其中t分布适用于小样本、F分布适用于方差比较、x^2分布适用于拟合优度检验等。
5.点估计与区间估计：点估计是以样本统计量为基础，估计总体参数的数值。
概率论与数理统计知识点总结(免费超详细版)
《概率论与数理统计》第一章概率论的基本概念§2．样本空间、随机事件1．事件间的关系 A B 则称事件 B 包含事件 A ，指事件 A 发生必然导致事件 B 发生A B {x x A或x B} 称为事件 A 与事件 B 的和事件，指当且仅当 A ，B 中至少有一个发生时，事件 A B 发生A B {x x A且x B} 称为事件 A 与事件 B 的积事件，指当A，B 同时发生时，事件A B 发生A—B {x x A且x B} 称为事件A 与事件 B 的差事件，指当且仅当 A 发生、B 不发生时，事件 A — B 发生A B ，则称事件 A 与B 是互不相容的，或互斥的，指事件 A 与事件 B 不能同时发生，基本事件是两两互不相容的A B S A B ，则称事件 A 与事件 B 互为逆事件，又称事件 A 与事件 B 互为且对立事件2．运算规则交换律 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）(A B) ( A C)A (B C)(A B)( A C)—徳摩根律 A B A B A B A B§3．频率与概率定义在相同的条件下，进行了n 次试验，在这n 次试验中，事件 A 发生的次数n称为事件AA 发生的频数，比值n nA 称为事件 A 发生的频率概率：设E是随机试验，S 是它的样本空间，对于E 的每一事件A赋予一个实数，记为P（A），称为事件的概率1．概率P( A)满足下列条件：（1）非负性：对于每一个事件 A 0 P( A) 1（2）规范性：对于必然事件S P (S) 11（3）可列可加性：设A1, A2 , ,A是两两互不相容的事件，有nn nP A k ) P( A) ( （n可kk 1 k 1以取）2．概率的一些重要性质：（i ）P( ) 0（ii ）若A1, A2 , ,A是两两互不相容的事件，则有n Pn n( （n可以取）A k ) P( A )kk 1 k 1（iii ）设A，B 是两个事件若 A B ，则P(B A) P( B) P( A) ，P( B) P(A) （iv）对于任意事件A，P(A) 1（v）P( A) 1 P(A) （逆事件的概率）（vi）对于任意事件A，B 有P(A B) P( A) P( B) P( A B)§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同若事件 A 包含k 个基本事件，即{e i } {e } {e }A ，里1 i i k] 2，k是，中某个不同的数，则有i1 i 2, ，i k 1,2 nP( A)j k1P { eij}knA包含的基本事件数S中基本事件的总数§5．条件概率（1）定义：设A,B 是两个事件，且P( A) 0 ，称P( A B)P(B | A) 为事件 A 发生的条P(A)件下事件 B 发生的条件概率（2）条件概率符合概率定义中的三个条件。
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概率论与数理统计是数学的一个重要分支，主要研究各种随机现象的规律性及其数值描述。
下面将对概率论与数理统计的一些重要知识点进行总结。
一、概率论知识点总结1. 随机事件与概率- 随机事件：指在一定条件下具有不确定性的事件。
- 概率：用来描述随机事件发生的可能性大小的数值。
2. 古典概型与几何概型- 古典概型：指随机试验中，所有基本事件的可能性相等的情况。
- 几何概型：指随机试验中，基本事件的可能性不完全相等，与图形的属性有关的情况。
3. 随机变量与概率分布- 随机变量：定义在样本空间上的函数，用来描述试验结果与数值之间的对应关系。
- 离散随机变量：取有限个或可列个数值的随机变量。
- 连续随机变量：取无限个数值的随机变量。
4. 期望与方差- 期望：反映随机变量平均取值的数值。
- 方差：反映随机变量取值偏离期望值的程度。
5. 大数定律与中心极限定理- 大数定律：指在独立重复试验中，随着试验次数增加，事件发生的频率趋近于其概率。
- 中心极限定理：指在独立随机变量之和的情况下，当随机变量数目趋于无穷时，这些随机变量之和的分布趋近于正态分布。
二、数理统计知识点总结1. 抽样与抽样分布- 抽样：指对总体进行有规则地选择一部分样本进行观察和研究的过程。
- 抽样分布：指用统计量对不同样本进行计算所得到的分布。
2. 参数估计与置信区间- 参数估计：根据样本推断总体的未知参数。
- 置信区间：对于总体参数估计的一个区间估计，用来表示这个参数的可能取值范围。
3. 假设检验与统计显著性- 假设检验：用来判断统计推断是否与已知事实相符。
- 统计显著性：基于样本数据，对总体或总体参数进行判断的一种方法。
4. 方差分析与回归分析- 方差分析：用来研究因素对于某一变量均值的影响程度。
- 回归分析：通过观察变量之间的关系，建立数学模型来描述两个或多个变量间的依赖关系。
5. 交叉表与卡方检验- 交叉表：将两个或多个变量的数据按照某种方式交叉排列而形成的表格。
概率论与数理统计基础知识
从集合的角度看
B
A
事件是由某些样本点所构成的一个集合．一个事件发 生，当且仅当属于该事件的样本点之一出现．由此可 见，样本空间Ω作为一个事件是必然事件，空集Ø作 为一个事件是不可能事件，仅含一个样本点的事件称 为基本事件．
2. 几点说明
⑴ 随机事件可简称为事件, 并以大写英文字母
A, B, C,
基本事件 实例
由一个样本点组成的单点集.
“出现1点”, “出现2点”, … , “出现6点”.
必然事件 随机试验中必然会出现的结果. 实例 上述试验中 “点数不大于6” 就是必然事件. 不可能事件 随机试验中不可能出现的结果. 实例 上述试验中 “点数大于6” 就是不可能事件. 必然事件的对立面是不可能事件,不可能事 件的对立面是必然事件,它们互称为对立事件.
说明 1. 随机试验简称为试验, 是一个广泛的术语.它包 括各种各样的科学实验, 也包括对客观事物进行的 “调查”、“观察”或 “测量” 等. 2. 随机试验通常用 E 来表示. 实例 “抛掷一枚硬币,观 察正面,反面出现的情况”.
分析 (1) 试验可以在相同的条件下重复地进行; (2) 试验的所有可能结果: 字面、花面; (3) 进行一次试验之前不能 确定哪一个结果会出现. 故为随机试验.
将下列事件均表示为样本空间的子集. (1) 试验 E2 中(将一枚硬币连抛三次，考虑正反 面出现的情况),随机事件: A＝“至少出现一个正面” B=“三 次出现同一面” C=“恰好出现一次正面” (2) 试验 E6 中(在一批灯泡中任取一只，测试其 寿命),D＝“灯泡寿命不超过1000小时”
(1)由S2= {HHH, HHT, HTH, THH，HTT，THT， TTH,TTT}； 故: A＝{HHH, HHT, HTH, THH，HTT，THT， TTH}； B={HHH,TTT} C={HTT，THT，TTH} (2) D＝{x: x<1000(小时）}。
概率论与数理统计知识点总结免费超详细版
概率论与数理统计知识点总结免费超详细版概率论与数理统计是一门研究随机现象数量规律的学科，它在众多领域都有着广泛的应用，如统计学、物理学、工程学、经济学等。
以下是对概率论与数理统计知识点的超详细总结。
一、随机事件与概率（一）随机事件随机事件是指在一定条件下，可能出现也可能不出现的事件。
随机事件通常用大写字母 A、B、C 等来表示。
（二）样本空间样本空间是指随机试验的所有可能结果组成的集合，通常用Ω表示。
（三）事件的关系与运算1、包含关系：若事件 A 发生必然导致事件 B 发生，则称事件 B 包含事件 A，记作 A⊂B。
2、相等关系：若 A⊂B 且 B⊂A，则称事件 A 与事件 B 相等，记作A ＝ B。
3、并事件：事件 A 与事件 B 至少有一个发生的事件称为 A 与 B的并事件，记作 A∪B。
4、交事件：事件 A 与事件 B 同时发生的事件称为 A 与 B 的交事件，记作A∩B 或 AB。
5、互斥事件：若事件 A 与事件 B 不能同时发生，则称 A 与 B 为互斥事件，即 AB ＝∅。
6、对立事件：若事件 A 与事件 B 满足 A∪B ＝Ω 且 AB ＝∅，则称 A 与 B 为对立事件，记作 B ＝A。
（四）概率的定义与性质1、概率的古典定义：若随机试验的样本空间Ω只包含有限个基本事件，且每个基本事件发生的可能性相等，则事件 A 的概率为 P(A) ＝n(A) ／n(Ω) ，其中 n(A) 为事件 A 包含的基本事件个数，n(Ω) 为样本空间Ω包含的基本事件个数。
2、概率的统计定义：在大量重复试验中，事件 A 发生的频率稳定在某个常数 p 附近，则称 p 为事件 A 的概率，即 P(A) ＝ p 。
3、概率的公理化定义：设随机试验的样本空间为Ω，对于Ω中的每一个事件 A，都赋予一个实数 P(A)，如果满足以下三个条件：（1）非负性：0 ≤ P(A) ≤ 1 ；（2）规范性：P(Ω) ＝ 1 ；（3）可列可加性：对于两两互斥的事件 A1，A2，，有P(A1∪A2∪）＝ P(A1) ＋ P(A2) ＋，则称 P(A) 为事件 A 的概率。
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。
概率论与数理统计知识点总结
概率论与数理统计知识点总结一、概率论1.随机试验和样本空间：随机试验是具有不确定性的试验，其结果有多个可能的取值。
样本空间是随机试验所有可能结果的集合。
2.事件及其运算：事件是样本空间中满足一定条件的结果的集合。
事件之间可以进行并、交、补等运算。
3.概率的定义和性质：概率是描述随机事件发生可能性的数值。
概率具有非负性、规范性和可列可加性等性质。
4.条件概率和独立性：条件概率是在已知一事件发生的条件下，另一事件发生的概率。
事件独立表示两个事件之间的发生没有相互关系。
5.全概率公式和贝叶斯公式：全概率公式是一种计算事件概率的方法，将事件分解成互斥的多个事件的概率之和。
贝叶斯公式是一种用于更新事件概率的方法。
6.随机变量和分布函数：随机变量是样本空间到实数集的映射，用来描述试验结果的数值特征。
分布函数是随机变量取值在一点及其左侧的概率。
7.常用概率分布：常见的概率分布包括离散型分布（如二项分布、泊松分布）和连续型分布（如正态分布、指数分布）。
8.数学期望和方差：数学期望是随机变量的平均值，用于描述随机变量的中心位置。
方差是随机变量离均值的平均距离，用于描述随机变量的分散程度。
二、数理统计1.统计量和抽样分布：统计量是对样本数据进行总结和分析的函数。
抽样分布是统计量的概率分布，用于推断总体参数。
2.估计和点估计：估计是利用样本数据对总体参数进行推断。
点估计是利用样本数据得到总体参数的一个具体数值。
3.估计量的性质和评估方法：估计量的性质包括无偏性、有效性和一致性等。
评估方法包括最大似然估计、矩估计等。
4.区间估计：区间估计是对总体参数进行估计的区间范围。
置信区间是对总体参数真值的一个区间估计。
5.假设检验和检验方法：假设检验是在已知总体参数的条件下，对总体分布做出的统计推断。
检验方法包括参数检验和非参数检验。
6.正态总体的推断：当总体近似服从正态分布时，可以利用正态分布的性质进行推断。
7.方差分析和回归分析：方差分析用于比较两个或多个总体均值是否相等。
(完整版)概率论与数理统计知识点总结(免费超详细版)
《概率论与数理统计》第一章 概率论的基本概念§2．样本空间、随机事件1．事件间的关系 B A ⊂则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生B }x x x { ∈∈=⋃或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ⋃发生B }x x x { ∈∈=⋂且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ⋂发生B }x x x { ∉∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生φ=⋂B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的且S =⋃B A φ=⋂B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件2．运算规则 交换律A B B A A B B A ⋂=⋂⋃=⋃结合律)()( )()(C B A C B A C B A C B A ⋂=⋂⋃⋃=⋃⋃ 分配律 )()B (C A A C B A ⋃⋂⋃=⋂⋃）（ ))(()( C A B A C B A ⋂⋂=⋃⋂ 徳摩根律B A B A A B A ⋃=⋂⋂=⋃ B —§3．频率与概率定义 在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件：（1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P（3）可列可加性：设n A A A ,,,21 是两两互不相容的事件，有∑===nk kn k kA P A P 11)()( （n 可以取∞）2．概率的一些重要性质： （i ） 0)(=φP（ii ）若n A A A ,,,21 是两两互不相容的事件，则有∑===nk kn k kA P A P 11)()(（n 可以取∞）（iii ）设A ，B 是两个事件若B A ⊂，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P（v ）)(1)(A P A P -= （逆事件的概率）（vi ）对于任意事件A ，B 有)()()()(AB P B P A P B A P -+=⋃§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同 若事件A包含k个基本事件，即}{}{}{2]1k i i i e e e A =，里个不同的数，则有中某，是，，k k n 2,1i i i ,21 ()中基本事件的总数包含的基本事件数S }{)(1j A n k e P A P kj i ===∑= §5．条件概率（1） 定义：设A,B 是两个事件，且0)(>A P ，称)()()|(A P AB P A B P =为事件A 发生的条件下事件B 发生的条件概率（2） 条件概率符合概率定义中的三个条件1。
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。
(完整版)概率论与数理统计知识点总结
p k q nk
其中 q 1 p,0 p 1, k 0,1,2,, n ，
则称随机变量 X 服从参数为 n ， p 的二项分布。记为
X ~ B(n, p) .
当 n 1时， P(X k) pk q1k ， k 0.1，这就是（0—1）分布，
所以（0-1）分布是二项分布的特例。
泊 松 设随机变量 X 的分布律为
1
(完整版)概率论与数理统计知识点总结
A—B,也可表示为 A—AB 或者 AB ，它表示 A 发生而 B 不发生的事
件.
A、B 同时发生：A B,或者 AB。A B=Ø ，则表示 A 与 B 不可能 同时发生，称事件 A 与事件 B 互不相容或者互斥。基本事件是
互不相容的.
—A 称为事件 A 的逆事件,或称 A 的对立事件，记为 A .它表 示 A 不发生的事件。互斥未必对立。
P(A）= (1) (2 ) (m ) = P(1) P(2 ) P(m )
m n
A所包含的基本事件数 基本事件总数
（6）几 若随机试验的结果为无限不可数并且每个结果出现的可能性均
1
(完整版)概率论与数理统计知识点总结
何概型 匀，同时样本空间中的每一个基本事件可以使用一个有界区域 来描述，则称此随机试验为几何概型。对任一事件 A，
3° F() lim F(x) 0， F() lim F(x) 1;
x
x
4° F(x 0) F(x) ,即 F(x) 是右连续的；
5° P(X x) F(x) F(x 0) .
对于离散型随机变量， F(x) pk ; xk x x
对于连续型随机变量, F(x) f (x)dx .
概型 用 p 表示每次试验 A 发生的概率，则 A 发生的概率为1 p q ，用
概率论与数理统计课件：数理统计基础知识
数理统计基础知识
首页 返回 退出
6.1.1 总体
§6.1 总体和随机样本
总体:研究对象的全部可能观察值叫做总体. 个体:组成全体的每个观察值叫做个体.
如:考察某校学生的身高
总体:该校的所有学生的身高 个体:每个学生的身高
数理统计基础知识
首页 返回 退出
实际问题中，要研究的是有关对象的各种数量指标. 总体可以用一个随机变量及其分布来描述.
首页 返回 退出
由于抽样的目的是为了对总体进行统计推断， 为了使抽取的样本能很好地反映总体的信息，必 须考虑抽样方法.
最常用的一种抽样方法叫作“简单随机抽样” 它要求抽取的样本满足下面两点: 1. 代表性： X1,X2,…,Xn中每一个与所考察 的总体有相同的分布.
2. 独立性： X1,X2,…,Xn是相互独立的随机变量.
从一批产品中抽5件,检验产品是否合格.
数理统计基础知识
样本容量为5
首页 返回 退出
样本是随机变量.
抽到哪5辆是随机的
容量为n的样本可以看作n维随机变量(X1,X2,…,Xn).
但是，一旦取定一组样本，得到的是n个具体的数 (x1,x2,…,xn)，称为样本的一次观察值，简称样本值 .
数理统计基础知识
总体的指标 如体重、身高、寿命等 是随机变量X 个体的指标 如体重、身高、寿命等 是随机变量X 的一个取值
常用随机变量的记号或用其分布函数表示总体.
如：总体X或总体F X
数理统计基础知识
首页 返回 退出
有限总体 总体
无限总体
1.考察某校大一新生（共2000人）的身高. 有限总体
2.观测某地每天最高气温. 无限总体 3.某厂生产的所有电视显像管的寿命. 无限总体
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一、概率的基本概念1.概率的定义：概率是描述事件发生可能性的数字，表示为一个介于0和1之间的数。
2.事件与样本空间：事件是可能发生的结果的集合，样本空间是所有可能结果的集合。
3.事件的运算：事件的运算包括并、交、差等，分别表示两个事件同时发生、至少一个事件发生、一个事件发生而另一个事件不发生等。
4.概率的性质：概率具有非负性、规范性、可列可加性等性质。
二、随机变量与概率分布1.随机变量的定义：随机变量是一个变量，它的值由随机事件决定。
2.离散随机变量：离散随机变量只能取有限或可数个值，其概率表示为离散概率分布函数。
3.连续随机变量：连续随机变量可以取任意实数值，其概率表示为概率密度函数。
4.分布函数：分布函数描述随机变量的概率分布情况，包括累积分布函数和概率质量函数。
三、常见概率分布1.离散分布：包括伯努利分布、二项分布、泊松分布等。
2.连续分布：包括均匀分布、正态分布、指数分布、伽玛分布等。
正态分布在自然界和社会现象中广泛存在。
3.其他分布：包括卡方分布、指数分布、F分布、t分布等。
四、抽样与统计推断1.抽样：抽样是从总体中选择一部分个体进行实验或调查的方法，常用的抽样方法包括随机抽样、分层抽样、整群抽样等。
2.统计推断：通过从样本中获得的数据，对总体做出有关参数的推断。
包括点估计和区间估计两种方法。
3.假设检验：通过对样本数据的统计量进行计算，判断总体参数是否满足其中一种假设。
包括单样本假设检验、两样本假设检验、方差分析等。
五、回归分析与相关分析1.回归分析：研究两个或多个变量之间关系的统计方法，包括一元线性回归分析、多元线性回归分析等。
2.相关分析：研究两个变量之间相关性的统计方法，常用的相关系数包括皮尔逊相关系数和斯皮尔曼相关系数。
六、贝叶斯统计学1.贝叶斯定理：根据先验概率和条件概率，计算后验概率的统计方法。
2.贝叶斯推断：根据贝叶斯定理以及样本数据，推断参数的后验分布。
概率论与数理统计知识点总结(超详细版)
《概率论与数理统计》第一章概率论的基本概念§2．样本空间、随机事件1．事件间的关系 B A ⊂则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生B }x x x { ∈∈=⋃或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ⋃发生B }x x x { ∈∈=⋂且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ⋂发生B }x x x { ∉∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生φ=⋂B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的且S =⋃B A φ=⋂B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件2．运算规则交换律A B B A A B B A ⋂=⋂⋃=⋃结合律)()( )()(C B A C B A C B A C B A ⋂=⋂⋃⋃=⋃⋃ 分配律 )()B (C A A C B A ⋃⋂⋃=⋂⋃）（))(()( C A B A C B A ⋂⋂=⋃⋂徳摩根律B A B A A B A ⋃=⋂⋂=⋃ B —§3．频率与概率定义在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件：（1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P（3）可列可加性：设n A A A ,,,21 是两两互不相容的事件，有∑===nk knk kA P A P 11)()( （n 可以取∞）2．概率的一些重要性质： （i ） 0)(=φP（ii ）若n A A A ,,,21 是两两互不相容的事件，则有∑===nk kn k kA P A P 11)()(（n 可以取∞）（iii ）设A ，B 是两个事件若B A ⊂，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P （v ）)(1)(A P A P -=（逆事件的概率）（vi ）对于任意事件A ，B 有)()()()(AB P B P A P B A P -+=⋃§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同 若事件A包含k个基本事件，即}{}{}{2]1k i i i e e e A =，里个不同的数，则有中某，是，，k k n 2,1i i i ,21 ()中基本事件的总数包含的基本事件数S }{)(1j A n k e P A P kj i ===∑= §5．条件概率（1） 定义：设A,B 是两个事件，且0)(>A P ，称)()()|(A P AB P A B P =为事件A 发生的条件下事件B 发生的条件概率（2） 条件概率符合概率定义中的三个条件1。
概率论与数理统计知识点
概率论与数理统计知识点概率论和数理统计是数学中的两个重要分支，研究随机现象的规律性和推断问题的方法。
概率论主要研究随机事件的概率及其计算方法，数理统计则是利用概率论的理论和方法，通过对数据进行收集、处理和分析，从中得到有关总体的参数估计和假设检验结果。
本文将介绍一些常见的概率论与数理统计的知识点。
一、随机事件与概率1. 随机事件的定义：随机事件指在一次试验中可能发生也可能不发生的事件。
2. 必然事件与不可能事件：必然事件是指在每次试验中一定发生的事件，而不可能事件则是指在每次试验中一定不会发生的事件。
3. 事件的运算：事件的运算包括并、交、补三种基本运算，分别表示两个事件的并集、交集以及一个事件的补集。
4. 概率的定义与性质：概率是度量随机事件发生可能性的数值，其范围介于0和1之间。
对于任意一个事件，其概率不小于0且不大于1，且必然事件的概率为1，不可能事件的概率为0。
二、概率分布1. 离散型随机变量及其概率分布：离散型随机变量的取值是可以数出来的，其概率分布由概率质量函数（Probability Mass Function，简称PMF）给出。
2. 连续型随机变量及其概率分布：连续型随机变量的取值是连续的，其概率分布由概率密度函数（Probability Density Function，简称PDF）给出。
3. 常见概率分布：- 二项分布：描述了一系列独立的伯努利试验中成功次数的概率分布。
- 正态分布：也称为高斯分布，是最重要的概率分布之一，常用于自然科学和社会科学的统计分析。
- 泊松分布：用于描述在一段固定时间或空间内事件发生的次数的概率分布。
- 指数分布：用于描述连续时间上事件发生的间隔时间的概率分布。
- t分布：用于小样本情况下对总体均值的推断。
三、参数估计1. 点估计与区间估计：参数估计分为点估计和区间估计两种方法。
点估计是通过样本数据直接估计出总体参数的取值，而区间估计是通过样本数据给出总体参数的一个区间估计范围。
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。
- 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)。
概率论与数理统计基本知识点一、概率的基本概念 1．概率的定义:在事件上的一个集合函数P ，如果它满足如下三个条件： （1）非负性 A A P ∀≥,0)( （2）正规性 1)(=ΩP（3）可列可加性 若事件,...,2,1,=n A n 两两互斥则称P 为概率。
2．几何概型的定义:若随机试验的样本空间对应一个度量有限的几何区域S ，每一基本事件与S 内的点一一对应，则任一随机事件A 对应S 中的某一子区域D 。
（若事件A 的概率只与A 对应的区域D 的度量成正比，而与D 的形状及D 在S 中的位置无关。
）==（每点等可能性）则称为几何概型。
的度量对应区域的度量对应区域S D )()()(Ω=Ω=A m A m A P 3．条件概率与乘法公式：设A,B 是试验E 的两个随机事件，且0)(>B P ,则称)()()|(B P AB P B A P =为事件B 发生的条件下，事件A 发生的条件概率。
（其中)(AB P 是AB 同时发生的概率）乘法公式：)|()()|()()(B A P B P A B P A P AB P == 4．全概率公式与贝叶斯公式：（全概率公式）定理：设n A A A ...,21是样本空间Ω的一个划分，n i A P i ,...,2,1,0)(=>，B 是任一事件，则有∑==ni iiA B P A P B P 1)|()()(。
（贝叶斯公式）定理：设n A A A ...,21是样本空间Ω的一个划分，n i A P i ,...,2,1,0)(=>，B 是任一事件，则∑===∀nk kki i A B P A P A B P A P B A P n i 1)|()()|()()|(,,...,2,1。
5．事件的独立性：两事件的独立性：（定义）设A 、B 是任意二事件，若P(AB)= P(A)P(B)，则称事件A 、B 是相互独立的。
（直观解释）A 、B 为试验E 的二事件，若A 、 B 的发生互不影响。
二、随机变量和分布函数:1．基本概念:（1）随机变量的定义:随机变量X 是定义于样本空间上的单值实函数。
随机变量 = 变量(函数) + 随机(概率)（2）分布函数的定义:设X 是一随机变量，x 是任意实数，称函数)()(x X P x F ≤=为随机变量X 的分布函数。
分布函数的性质：①)(x F 是个单调不减函数。
②1)(0≤≤x F ：1)()()(lim =Ω=+∞≤=+∞→P X P x F x0)()()(lim ==-∞≤=-∞→φP X P x F x③)(x F 是右连续的。
2．离散型随机变量：（1）离散型随机变量的定义：若随机变量 X 的取值为有限个或可数个，则称X 为离散型随机变量。
（2）设n x x x ...,21为离散型随机变量X 的所有可能取值，记...2,1),(===k x X P p k k 称为离散型随机变量X 的分布列（或概率分布）。
（3）几种常见的分布：①（0-1）分布（伯努力分布、两点分布）：随机变量 X 的所有可能取值为0，1。
②二项分布：在n 重伯努利试验中，若设X 为n 次试验中事件A 出现的次数，设)10()(<<=p p A P ，则X 是一个离散型随机变量，其分布律为：)1(,...,1,0,}{p q n k q p C p k X P kn k k n k -=====-我们称这样的随机变量X 服从参数为n,p 的二项分布，记为),(~p n B X 。
③泊松分布：设随机变量X 的所有可能取值为0，1，2...且...1,0,!)(===-k e k k X P kλλ其中0>λ是常数，则称X 服从参数为λ的泊松分布，记为)(~λP X 。
3．连续型随机变量：（1）连续型随机变量的定义：若X 是随机变量，其分布函数为F(x)，如果存在非负函数)(x p ，使得对于任意实数x ，有⎰∞-=xdt t p x F )()(则称X 是连续型随机变量，而称)(x p 为X 的密度函数。
密度函数具有如下的结论：①⎰+∞∞-=≥1)(;0)(dx x p x p②⎰=<<12)()(21x x dt t p x X x P③分布函数)(x F 与密度函数)(x P 是求导与求积分的关系：)(')(;)()(x F x p dt t p x F x==⎰∞-（2）常用的连续型分布：①均匀分布：若随机变量X 的密度函数为⎪⎩⎪⎨⎧≤≤-=其它,0,1)(bx a a b x p ，则称X 服从区间[a,b]上的均匀分布，记为],[~b a U X 。
X 的分布函数为：⎪⎩⎪⎨⎧>≤<--≤=b x b x a bx ax a x x F ,1,,0)(②指数分布：若随机变量X 的密度函数为⎩⎨⎧>=-其它,00,)(x e x p x λλ其中x>0, 则称X 服从参数为λ的指数分布，记为)(~λE X 。
分布函数为⎩⎨⎧>-=-其它,00,1)(x e x F x λ4．正态分布：（1）正态分布的定义R x ex p x ∈∙=--,21)(22)(σμσπ，其中)0(,>σσμ是常数，则称X 服从参数为2,σμ的正态分布(或高斯分布)，记为),(~2σμN X 。
分布函数为：dt t xex F 222)(21)(σμσπ--∞-⎰∙=（2）性质：①p(x)是关于直线x=μ对称的，在x=μ处取得极大值。
②σ决定图形的形状：固定μ；σ的值越大，p(x)的图形就越平坦；σ的值越小，p(x)的图形就越陡峭。
③μ决定图形的位置：固定σ；μ的值增大，p(x)的图形就向右移动；μ的值减小，p(x)的图形就向左移动。
（3）标准正态分布：①当μ=0,，σ=1时。
记为)1,0(~N X ，相应的密度函数以及分布函数分别记为)()(x x φϕ和。
②+∞<<-∞=-x e x x ,21)(22πϕ③+∞<<-∞=⎰∞--x dt ex xt ,21)(22πφ④)(1)(x x φφ-=-⑤定理：设),(~2σμN X ，则)1,0(~N X σμ-（4）正态分布σ3原则：①6826.01)1(2)|(|=-=<-φσμX P ②9545.01)2(2)2)(|=-=<-φσμX P ③9973.01)3(2)3|(|=-=<-φσμX P 5．随机变量函数的分布:（1）离散型随机变量函数的分布: 设X 的分布列为:Y=g(X)为X 的函数，则Y 的分布列为:（2）连续型随机变量函数的分布:设X 是连续型随机变量,密度函数为)().(X g Y x p x =是X 的连续函数，则Y 也是一个连续型随机变量。
计算它的密度函数的步骤如下： ①先求Y 的取值范围②再利用定义求Y 的分布函数)(y F y ，⎰≤=≤=})(|{)())(()(y x g x xy dx x p y X g P y F③最后再通过求导得出Y 的密度函数)(y p y 。
三、随机变量的数字特征： 1．期望的定义:（1）离散型随机变量的数学期望:设X 为离散型随机变量，其分布律为...2,1,)(===k p x X P k k 若∑∞=∞<1||k k k p X 记∑∞==1)(k k k p x X E 则称)(X E 为随机变量X的数学期望或均值。
（2）几种常见离散型随机变量的数学期望：①（0-1）分布：设随机变量X 服从10,1,10~<<=+⎪⎪⎭⎫ ⎝⎛p q p p qX ，则p X E =)( ②二项分布：设随机变量X服从二项分布),(~p n B X ，n k qp C k X P kn kk n...1,0,)(===-，则np q p C k X E nk kn k k n =∙=∑=-0)(。
③泊松分布：设随机变量X 服从泊松分布)(~λP X ，...2,1,0,!)(===-k e k k X P kλλ则λλλ=∙=-∞=∑e k k X E k k!)(（3）连续型随机变量的数学期望：设X 为具有密度函数p(x)的连续型随机变量，若⎰∞∞-∞<dx x p x )(||（存在），记⎰∞∞-=dx x xp X E )()(则称)(X E 为随机变量X 的数学期望（4）几种常见连续型随机变量的数学期望:①均匀分布:设随机变量X 服从均匀分布],[~b a U X ,由定义可知2/)()(b a X E += ②正态分布:设随机变量),(~2σμN X ,由定义可知μσπσμ=∙=--∞+∞-⎰222)(21)(x exX E 。
③指数分布：设随机变量)(~λE X ，由定义可知⎰+∞-==01)(λλλdx e x X E x 。
2．期望的性质与计算：（1）随机变量函数的数学期望：①定理1：设X 为连续型随机变量，密度函数为)(x p ,对随机变量X 的函数)(x g Y =，则⎰∞∞-==dx x p x g X Eg Y E )()()()(。
②定理2：设(X, Y)为连续型随机向量,密度函数为),(y x p 。
对随机向量),(y x 的函数),(y x g Z =，则有⎰⎰+∞∞-+∞∞-==dxdy y x p y x g Y X Eg Z E ),(),(),()(。
③定理的用处：避免了先求随机变量函数的分布，再利用期望的定义求随机变量函数的期望。
（2）期望的性质：①C C EC ,=为常数。
②设k 为常数，则)()(X kE kX E =③若)(X E 、)(Y E 存在 ,则)()()(Y E X E Y X E +=+④若X 、Y 相互独立且)(X E 、)(Y E 存在 ，则)()()(Y E X E XY E =3．方差的定义与性质：（1）方差的定义：设X 是随机变量，若E[X-E(X)]2存在，则称它为随机变量X 的方差，记为D(X )或Var(X)。
方差D(X )的平方根称为标准差或均方差。
（方差是刻画随机变量取值离散程度的一个指标）（2）方差的计算：①方差的一般计算公式：22)()()(EX X E X D -= ②离散型随机变量：∑∞=-=-=122)()()(k k kp EX xEX X E X D 。
③具有密度函数p(x)的连续型随机变量：⎰∞∞--=-=dx x p EX x EX X E X D )()()()(22。
④正态分布的方差：⎰+∞∞-=-=22)()()(σdx x p EX x X D 。
（3）方差的性质： ①C C D ,0)(=为常数。
②设k 为常数，则)()(2X D k kX D =。