概率论与数理统计知识点总结(完整超详细版)35387

合集下载

(完整word版)概率论与数理统计(完整公式,知识点梳理)(word文档良心出品)

则称随机变量 X 服从参数为的泊松分布，记为 X ~ () 或
超几何分布几何分布
者 P( )。
泊松分布为二项分布的极限分布（np=λ ，n→∞）。
P( X

k)

CMk

C nk N M
,
k

0,1,2, l
CNn
l min(M , n)
随机变量 X 服从参数为 n,N,M 的超几何分布，记为 H(n,N,M)。
在一个试验下，不管事件有多少个，总可以从其中找出这样一组事件，它具有
如下性质：
①每进行一次试验，必须发生且只能发生这一组中的一个事件；
（5）基本事件、样本空间和事件
②任何事件，都是由这一组中的部分事件组成的。
这样一组事件中的每一个事件称为基本事件，用来表示。
基本事件的全体，称为试验的样本空间，用表示。
概率论与数理统计完整版公式
第 1 章随机事件及其概率
（1）排列组合公式
Pmn

m! (m n)!
从 m 个人中挑出 n 个人进行排列的可能数。
Cmn

m! n!(m n)!
从 m 个人中挑出 n 个人进行组合的可能数。
加法原理（两种方法均能完成此事）：m+n
（2）加法和乘法原理
某件事由两种方法来完成，第一种方法可由 m 种方法完成，第二种方法可由 n 种方法来完成，则这件事可由 m+n 种方法来完成。乘法原理（两个步骤分别不能完成这件事）：m×n 某件事由两个步骤来完成，第一个步骤可由 m 种方法完成，第二个步骤可由 n
（15）全概公式
（16）贝叶斯公式
若事件 A 、B 相互独立，则可得到 A 与 B 、 A 与 B 、 A 与 B 也都相互独

(完整)概率论与数理统计知识点总结!,推荐文档

《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“排列组合”的方法计算补例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：nn n n n =⋅⋅⋅...Α所含样本点数：!1...)2()1(n n n n =⋅⋅-⋅-⋅n nn 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 P A 2所含样本点数： 363423=⋅⋅C1696436)(2==∴A P A 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： 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：n n A A A A A A ⋂⋂⋂=⋃⋃⋃......2121 n n A A A A A A ⋃⋃⋃=⋂⋂⋂ (2121)§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。

(完整版)概率论与数理统计知识点总结(免费)

《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 A ⊂ 称为事件A 与事件B 的和事件，指当且仅B}x x x { ∈∈=⋃或A B A 当A ，B 中至少有一个发生时，事件发生B A ⋃称为事件A 与事件B 的积事件，指当B}x x x { ∈∈=⋂且A B A A ，B 同时发生时，事件发生B A ⋂ 称为事件A 与事件B 的差事件，指当且仅B}x x x { ∉∈=且—A B A 当A 发生、B 不发生时，事件发生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φ=⋂B A 件B 不能同时发生，基本事件是两两互不相容的，则称事件A 与事件B 互为逆事件，又称事件且S =⋃B A φ=⋂B A 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BA 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 发生的次数称为A n 事件A 发生的频数，比值称为事件A 发生的频率n n A 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．概率满足下列条件：)(A P （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：设是两两互不相容的事件，有n A A A ,,,21 （可以取）∑===nk k n k k A P A P 11)()( n ∞2．概率的一些重要性质：（i ）0)(=φP （ii ）若是两两互不相容的事件，则有（可以取）n A A A ,,,21 ∑===nk knk kA P A P 11)()(n ∞（iii ）设A ，B 是两个事件若，则，B A ⊂)()()(A P B P A B P -=-)A ()B (P P ≥（iv ）对于任意事件A ，1)(≤A P （v ）（逆事件的概率）)(1)(A P A P -=（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，里}{}{}{2]1k i i i e e e A =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，称为事件A 发生的0)(>A P )()()|(A P AB P A B P =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一、概率论知识点1.1 概率基本概念概率是研究事物变化规律的一门学科。

在概率学中，我们需要掌握一些基本概念：•随机试验：一种在相同条件下重复的可以观察到不同结果的试验。

•样本空间：随机试验所有可能结果的集合。

•事件：样本空间的子集。

•频率和概率：在大量重复实验中，某个事件出现的频率称为频率，其极限称为概率。

离散型随机变量和连续型随机变量是概率论中两个重要的概念。

•离散型随机变量：在一个范围内，只有有限个或无限个可能值的随机变量。

•连续型随机变量：在一个范围内，有无限个可能值的随机变量。

概率分布是反映随机变量取值情况的概率规律，可分为离散型概率分布和连续型概率分布。

•离散型概率分布：包括伯努利分布、二项分布、泊松分布等。

•连续型概率分布：包括正态分布、指数分布、卡方分布等。

1.4 常用概率分布概率论涉及到很多的分布，其中一些常用的分布如下：•二项分布•泊松分布•正态分布•均匀分布•指数分布1.5 统计推断在概率论中，统计推断是指根据样本数据来对总体进行参数估计和假设检验的方法。

统计推断主要涉及以下两个方面：•点估计：使用样本数据来推断总体参数的值。

•区间估计：使用样本数据来推断总体参数的一个区间。

二、数理统计知识点2.1 统计数据的描述为了更准确地描述数据，我们需要使用以下几个参数：•平均数：所有数据的和除以数据个数。

•中位数：将数据按大小排序，位于中间位置的数。

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。

概率论与数理统计知识点总结

（2）定理法：
当Y=g(X)严格单调并且可导时:
其中h’(y)是g(x)的反函数
第三章二维随机变量及其分布
（1）联合分布
离散型
如果二维随机向量（X，Y）的所有可能取值为至多可列个有序对（x,y），则称为离散型随机量。
设 =（X，Y）的所有可能取值为，且事件{ = }的概率为pij,,称
为 =（X，Y）的分布律或称为X和Y的联合分布律。联合分布有时也用下面的概率分布表来表示：
设离散型随机变量的可能取值为Xk(k=1,2,…)且取各个值的概率，即事件(X=Xk)的概率为
P(X=xk)=pk，k=1,2,…，
则称上式为离散型随机变量的概率分布或分布律。有时也用分布列的形式给出：
。
显然分布律应满足下列条件：
（1），，（2）。
（2）连续型随机变量的分布密度
设是随机变量的分布函数，若存在非负函数，对任意实数，有
-A称为事件A的逆事件，或称A的对立事件，记为。它表示A不发生的事件。互斥未必对立。
②运算：
结合率：A(BC)=(AB)C A∪(B∪C)=(A∪B)∪C
分配率：(AB)∪C=(A∪C)∩(B∪C) (A∪B)∩C=(AC)∪(BC)
德摩根率：，
（7）概率的公理化定义
设为样本空间，为事件，对每一个事件都有一个实数P(A)，若满足下列三个条件：
泊松分布
设随机变量的分布律为
，，，
则称随机变量服从参数为的泊松分布，记为或者P( )。
泊松分布为二项分布的极限分布（np=λ，n→∞）。
几何分布
，其中p≥0，q=1-p。
随机变量X服从参数为p的几何分布，记为G(p)。

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。

(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

概率论与数理统计知识点总结（PDF）

概率论与数理统计知识点总结一、随机事件与概率1.随机事件（1）事件间的关系与运算● 事件的差：A B A AB AB -=-= ● 对立事件：,AA A A =∅⋃=Ω ● 完备事件组：设12,,,,n A A A 是有限或可数个事件，如果其满足：① ,,,1,2,i j A A i j i j =∅≠=； ②i iA =Ω，则称12,,,,n A A A 是一个完备事件组.（2）随机事件的运算律 ● 求和运算：①A B B A +=+（交换律）②()()A B C A B C A B C ++=++=++（结合律） ● 求交运算：①AB BA =（交换律）②()()AB C A BC ABC ==（结合律） ● 求和运算与求交运算的混合：①()()()A B C AB AC +=+（第一分配律） ②()()()A BC A B A C +=++（第二分配律） ● 求对立事件的运算：()A A =（自反律） ● 和及交事件的对立事件：①A B AB +=（第一对偶律） ②AB A B =+（第二对偶律）2.随机事件的概率（1）概率的公理化定义● 公理1：()1P Ω=；公理2：对任意事件A ，有()0P A ≥；公理3：对任意可数个两两不相容的事件12,,,,n A A A ，有11()()i i i i P A P A ∞∞===∑.（2）概率测度的其他性质 ● 性质1：()0P ∅=性质2（有限可加性）：12,,,n A A A 是两两互不相容的，则有11()()nni i i i P A P A ===∑性质3：()1()P A P A =-性质4：()()()P A B P A P AB -=-特别地，若A B ⊃，则①()()()P A B P A P B -=-；②()()P A P B ≥ 性质5：0()1P A ≤≤性质6：()()()()P A B P A P B P AB +=+-推论：()()()()()()()()P A B C P A P B P C P AB P AC P BC P ABC ++=++---+3.古典概型与几何概型（1）古典概型● 古典概型的概率测度：()==A A P A Ω中元素个数使发生的基本事件数中元素个数基本事件总数（2）几何概型● 几何概型的概率测度：()()()S A P A S =Ω 4.条件概率（1）条件概率的数学定义 ●()()(()0)()P AB P B A P A P A =>● ()1()P B A P B A =- ●()1()P B A P B A =-● 条件概率测度满足概率的三条公理：公理1：()1P A Ω=；公理2：对任意事件B ，有()0P B A ≥；公理3：对任意可数个两两不相容的事件12,,,,n A A A ，有11()()i i i i P A A P A A ∞∞===∑.（2）乘法公式 ● ()()(),()0P AB P A P B A P A => ● ()()(),()0P AB P B P A B P B => ● ()()()()P ABC P A P B A P C AB = ●12121312121()()()()()n n n P A A A P A P A A P A A A P A A A A -=（3）全概率公式● 设{}i A 是一列有限或可数无穷个两两不相容的非零概率事件，且i iA =Ω，则对任意事件B ，有()()()i i iP B P A P B A =∑.（4）贝叶斯公式● 设{}i A 是一列有限或可数无穷个两两不相容的非零概率事件，且1i i A ∞==Ω，则对任意事件B ， ()0P B >，有()()()()()()()i i i i j j jP A P B A P A B P A B P B P A P B A ==∑. 5.事件的独立性（1）两个事件的独立性 ●()()()P AB P A P B =（2）有限个事件的独立性● 两两独立：()()()i j i j P A A P A P A = ● 相互独立：1212()()()()k k i i i i i i P A A A P A P A P A =（3）相互独立性的性质 ● 性质1：如果n 个事件12,,,n A A A 相互独立，则将其中任何(1)m m n ≤≤个事件改为相应的对立事件，形成的新的n 个事件仍然相互独立. 性质2：如果n 个事件12,,,n A A A 相互独立，则有1111()1(1())n n ni i i i i i P A P A P A ===⎛⎫=-=-- ⎪⎝⎭∏∏（4）伯努利概型● 伯努利定理：在一次试验中，事件A 发生的概率为(01)p p <<，则在n 重伯努利试验中，事件A 恰好发生k 次的概率为：(;,)C k k n kn b k n p p q-=，其中1q p =-. ● 在伯努利试验序列中，设每次试验中事件A 发生的概率为p ，“事件A 在第k 次试验中才首次发生”(1)k ≥，这一事件的概率为1(,)k g k p q p -=.二、随机变量的分布与数字特征1.随机变量及其分布（1）离散型随机变量的概率分布● 离散型随机变量的概率分布满足性质：①()0,1,2,i p x i ≥=②()1iip x =∑● 一旦知道一个离散型随机变量X 的概率分布{}i p x （），便可求得X 所生成的任何事件的概率.特别地，对任意a b ≤，有{}({}){}()i i i i i i a x ba x ba x bP a X b P X x P X x p x ≤≤≤≤≤≤≤≤=====∑∑.一般地，若I 是一个区间，则{}=()i ix IP X I p x ∈∈∑.（2）分布函数● 随机变量的分布函数性质：①单调性，若12x x <，则12()()F x F x ≤； ②()lim ()0x F F x →-∞-∞==，()lim ()1x F F x →+∞+∞==；③右连续性，(0)()F x F x +=. （3）连续型随机变量及其概率密度 ●(){}()xF x P X x f t dt -∞=≤=⎰，()f x 为X 的概率密度函数.● 密度函数性质：①()0,(,)f x x ≥∈-∞+∞； ②()1f x dx +∞-∞=⎰.● {}()()()b aP a X b F b F a f x dx <≤=-=⎰● {}0P X x ==（连续型）●'()()F x f x =2.随机变量的数字特征（1）离散型随机变量的数学期望 ●1=i i i EX x p ∞=∑（2）连续型随机变量的数学期望 ●()EX xf x dx +∞-∞=⎰（3）随机变量函数的数学期望● 设X 是一个随机变量，()g x 是一个实函数.①若X 为离散型随机变量，概率分布为{},1,2,i i P X x p i ===.且1()iii g x p∞=<∞∑，则()Eg X 存在，且1()()i i i Eg X g x p ∞==∑.②若X 为连续型随机变量，()f x 是其密度函数，且()()g x f x dx +∞-∞<∞⎰，则()Eg X 存在，且()()()Eg X g x f x dx +∞-∞=⎰.（4）数学期望的性质● ①对任意常数a ，有Ea a =；②设12,αα为任意实数，12(),()g x g x 为任意实函数，如果12(),()Eg X Eg X 均存在，则11221122[()()]()()E g X g X Eg X Eg X αααα+=+；③如果EX 存在，则对任意实数a ，有()E X a EX a +=+. （5）随机变量的方差 ● 离差：X EX -● 方差：2()DX E X EX =-● ● ①若X 为离散型随机变量，其概率分布为{},1,2,i i P X x p i ===，则22()()i i iDX E X EX x EX p =-=-∑②若X 为连续型随机变量，()f x 为其密度函数，则22()()()DX E X EX x EX f x dx +∞-∞=-=-⎰③22()DX EX EX =-● 方差的基本性质：设X 的方差DX 存在，a 为任意常数，则 ①0Da =；②()D X a DX +=； ③2()D aX a DX =.（6）随机变量的矩与切比雪夫不等式● 矩定义：X 为一个随机变量，k 为正整数，如果kEX 存在（即kE X<∞），则称kEX 为X的k 阶原点矩，称kE X 为X 的k 阶绝对矩.定理：随机变量X 的t 阶矩存在，则其s 阶矩（s t <为正整数）也存在. 推论：设k 为正整数，C 为常数，如果kEX 存在，则()kE X C +存在，特别地，)k E X EX -（存在.● 中心矩定义：X 为一个随机变量，k 为正整数，如果k EX 存在，则称()kE X EX -为X 的k阶中心矩，称kE X EX -为X 的k 阶绝对中心矩.● 定理：设()h x 是x 的一个非负函数，X 是一个随机变量，且()Eh X 存在，则对任意0ε>，有(){()}Eh X P h X εε≥≤.推论1（马尔可夫不等式）：设X 的k 阶矩存在（k 为正整数），即kE X <∞，则对任意0ε>有{}kkE XP X εε≥≤.推论2（切比雪夫不等式）：设X 的方差存在，则对任意0ε>有2{}DXP X EX εε-≥≤.推论3：随机变量X 的方差为0当且仅当存在一个常数a ，使得{}=1P X a =.3.常用的离散型分布,n),n kp -,ndef(,),g k p k =几何分布的无记忆性：设{P X二项分布可作为超几何分布的近似，即1212C C Ck n kk n kN N k n nNN N C N N --⎛⎫⎛⎫≈ ⎪ ⎪⎝⎭⎝⎭.这一近似关系的严格数学表述是：当N →∞时，1N →∞，2N →∞，且1N p N →，21Np N→-，则对任意给定的n 和k ，有()12C C lim1Ck n kn kN N k kn nN NC p p --→∞=-.泊松定理：在n 重伯努利试验中，事件A 在每次试验中发生的概率为n p （注意这与试验的次数n 有关），如果n →∞时，n np λ→（0λ>为常数），则对任意给定的k ，有lim (;,)e !kn n b k n p k λλ-→∞=.当二项分布(,)b n p 的参数n 很大，而p 很小时，可以将它用参数为np λ=的泊松分布来近似，即有()(;,)e !k npnp b k n p k -≈.4.常用的连续型分布正态分布● 定理：设2~(,),,,X N Y aX b a b μσ=+为常数，且0a ≠，则22~(,)Y N a b aμσ+.推论1：如果2~(,)X N μσ，则~(0,1)X N μξσ-=.ξ通常称为X 的标准化.推论2：2~(,)X N μσ的充要条件是存在一个随机变量~(0,1)N ξ，使得X σξμ=+. 推论3：设2~(,),(),()X N x x μσϕΦ分别为其分布函数与密度函数，00(),()x x ϕΦ是标准正态分布的分布函数和密度函数，则有00()(),1()().x x x x μσμϕϕσσ-Φ=Φ-=● 一般正态分布的概率计算：【例】已知2~(,)X N μσ，求()a Φ. 解 0(){}{}{}()X a X a P X a P P b b μμμσσσ---Φ=≤=≤=≤=Φ5.随机变量函数的分布（1）离散型随机变量函数的分布● 离散型随机变量函数的概率分布的一般方法：先根据自变量X 的可能取值确定因变量Y 的所有可能取值，然后对Y 的每一个可能取值(1,2,)i y i =确定相应的{()}i j j i C x g x y ==，则有{}{()}{},{}{}{},j ii i i i i jx C Y y g X y X C P Y y P X C P X x ∈====∈==∈==∑从而求得Y 的概率分布. （2）连续型随机变量函数的分布● 连续型随机变量函数的概率分布的一般方法：一般地，已知X 的分布函数()X F x 或密度函数()X f x ，为求()Y g X =的分布函数，有()(){()}{},Y x F x P Y x P g X x P X C =≤=≤=∈其中{()}x C t g t x =≤.而{}x P X C ∈往往可由X 的分布函数()X F x 来表达或用其密度函数()X f x 的积分来表达：{}()xx X C P X C f t dt ∈=⎰.进而，Y 的密度函数，可直接从()Y F x 导出.三、随机向量1.随机向量的分布（1）随机向量及其分布函数 ●1212{,}P x X x y Y y <≤<≤22122111(,)(,)(,)(,)F x y F x y F x y F x y =--+● 由（联合）分布函数的定义得出性质：①0(,)1F x y ≤≤；②(,)F x y 关于x 和y 均单调非降、右连续； ③(,)lim (,)0,x F y F x y →-∞-∞==(,)lim (,)0,y F x F x y →-∞-∞==(,)(,)(,)lim (,)0,x y F F x y →-∞-∞-∞-∞== (,)(,)(+,+)lim(,) 1.x y F F x y →+∞+∞∞∞==●(,)F x y 的边缘分布函数：(){}{,}(,)X F x P X x P X x Y F x =≤=≤<+∞=+∞， (){}{,}(,)Y F y P Y y P X Y y F y =≤=<+∞≤=+∞.（2）离散型随机向量的概率分布● 离散型随机向量的概率分布{,},,1,2,i i ij P X x Y y p i j ====，ij p 满足性质：①0,,1,2,ij p i j ≥=；②1ijijp=∑∑.● 边缘概率分布：{},1,2,X i i ij jp P X x p i ====∑ {},1,2,Y j j ij ip P Y y p j ====∑（3）连续型随机向量的概率密度函数 ● 二维连续型随机向量(,)(,)x yF x y f s t dsdt -∞-∞=⎰⎰，(,)f x y 为(),X Y 的概率密度函数或X 与Y 的联合密度函数. (,)f x y 具有性质：①(,)0f x y ≥； ②(,)1f x y dxdy +∞+∞-∞-∞=⎰⎰；③若D 是平面上的一个区域，则(){,}(,)DP X Y D f x y dxdy ∈=⎰⎰● 边缘密度函数：()(,)()(,)X Y f x f x y dyf y f x y dx+∞-∞+∞-∞==⎰⎰● 均匀分布的密度函数：1,(,)()(,)0,x y G S G f x y ⎧∈⎪=⎨⎪⎩其他，若(),X Y 服从G 上的均匀分布，则对任何平面区域D ，有()1(){,}(,)=()()DD GS D G P X Y D f x y dxdy dxdy S G S G ⋂⋂∈==⎰⎰⎰⎰. （4）二元正态分布 ● 密度函数：()2211222221212()()()()122(1),x x y y x y μμμμρσσρσσϕ⎡⎤------+⎢⎥-⎢⎥⎣⎦=，记作()221212,~(,;,;)X Y N μμσσρ.● 边缘密度函数分布：()2121()2()=,x X x x y dy μσϕϕ--+∞-∞⎰，()2222()2()=,y Y y x y dx μσϕϕ--+∞-∞⎰.注意：比较联合密度函数(),x y ϕ和边缘密度函数()X x ϕ，()Y y ϕ，当且仅当0ρ=时，对一切(),x y ，有(),()()X Y x y x y ϕϕϕ=.2.条件分布与随机变量的独立性（1）条件分布与独立性的一般概念● 随机变量X 和Y 相互独立：(,)()()X Y F x y F x F y =● 定理1：随机变量X 和Y 相互独立的充要条件是X 所生成的任何事件与Y 生成的任何事件独立，即对任意实数集A 和B ，有{,}{}{}P X A Y B P X A P Y B ∈∈=∈∈.定理2：如果随机变量X 和Y 相互独立，则对任意函数12(),()g x g y ，均有1()g X 与2()g Y 相互独立. ● 相互独立：12,,,n X X X 相互独立，()121122,,,()()()n n n F x x x F x F x F x =.（2）离散型随机变量的条件概率分布与独立性 ● 概率分布：{,},,1,2,i j ij P X x Y y p i j ====●i j p （当{}0i P Y y =>时）：{,}{}{}iji i i j Y i jP P X x Y y P X x Y y P Y y P =======性质：①0i j p ≥；②1i jip=∑.● 已知j Y y =的条件下X 的条件概率分布：{},1,2,i i i j P X x Y y p i ====；已知i X x =的条件下Y 的条件概率分布：{},1,2,i i j i P Y y X x p j ====.●X Y ij i j j i i j p p p p p =⋅=⋅● 定理：设,X Y 是离散型随机变量，其联合概率分布为{,}(,1,2,)i j ij P X x Y y p i j ====，边缘概率分布分别为X i p 和Yj p (,1,2,)i j =，则X 与Y 相互独立的充要条件是,,1,2,X Y ij i j p p p i j ==.（3）连续型随机变量的条件密度函数与独立性● 在Y y =的条件下X 的条件分布：0(,){,}{}lim {}()xy Y f u y du P X x y y Y y P X x Y y P y y Y y f y -∞∆→≤-∆<≤≤===-∆<≤⎰● 条件分布和条件密度函数● (,)()()()()X Y Y X X Y f x y f x f y x f y f x y ==● 定理：设连续型随机向量(),X Y 的密度函数为(,)f x y ，边缘密度函数分别为()X f x 和()Y f y ，则X 与Y 相互独立的充要条件是(,)()()X Y f x y f x f y =.3.随机向量的函数的分布与数学期望（1）离散型随机向量的函数分布 ●(,){}{(,)}{,},1,2,i j kk k i j g x y z P Z z P g X Y z P X x Y y k ========∑● 设,X Y 是两个相互独立的随机变量，分别服从参数为1λ和2λ的泊松分布，则X Y ξ=+的分布为()()1212e ,0,1,2,!kk k λλλλ-++=,可见X Y ξ=+服从参数为()12λλ+的泊松分布.结论：泊松分布具有独立可加性.2,（2）连续型随机向量的函数分布● 分布函数：(){}{(,)}{(,)}(,)zZ z D F z P Z z P g X Y z P X Y D f x y dxdy =≤=≤=∈=⎰⎰，其中z D ={(,)(,)}x y g x y z ≤. ● 密度函数：'()=()Z Z f z F z .● 随机变量的和：设(,)X Y 的联合密度函数为(,)f x y ，则X Y +的密度函数为()=(,)Z f z f z y y dy +∞-∞-⎰或 ()=(,)Z f z f x z x dx +∞-∞-⎰特别地，如果X 和Y 是相互独立的随机变量，则有(卷积公式)()=()()Z X Y f z f x f z x dx +∞-∞-⎰或 ()=()()Z X Y f z f z y f y dy +∞-∞-⎰即，()=*()*()Z X Y Y X f z f f z f f z =.● 独立正态随机变量之和：设随机变量221122~(,),~(,)X N Y N μσμσ，且X 与Y 独立，则221212~(,)X Y N μμσσ+++，即2122212()2()()z X Y f z μμσσ⎡⎤---⎢⎥+⎢⎥⎣⎦+=，结论：独立正态分布的和服从正态分布.推论：X 与Y 相互独立且分别服从正态分布211(,)N μσ和222(,)N μσ，则其任意非零线性组合仍服从正态分布，且22221212~(,)aX bY N a b a b μμσσ+++.进一步地，12,,n X X X 相互独立，2~(,)i i iX N μσ，则22111~(,)n n ni i i i i i i i i a X N a a μσ===∑∑∑.● 随机变量的商：设二维随机向量(,)X Y 的密度函数为(,)f x y ，则XZ Y=的密度函数为'()=()(,)Z Z f z F z y f zy y dy +∞-∞=⎰.● 最大值与最小值：设,X Y 的分布函数分别为(),()F x G x ，密度函数分别为(),()f x g x ，且X与Y 相互独立，令max{,},min{,}M X Y N X Y ==，则有（3）随机向量函数的数学期望● 二维离散型随机向量的数学期望：,(,)(,)ijiji jEZ Eg X Y g x y p==∑.● 二维连续型随机向量的数学期望：(,)(,)(,)EZ Eg X Y g x y f x y dxdy +∞+∞-∞-∞==⎰⎰.●(,)g X Y XY =型：()(),,,(,),,i j ij i jx y p X Y EXY xyf x y dxdy X Y +∞+∞-∞-∞⎧⎪=⎨⎪⎩∑⎰⎰若为离散型若为连续型（4）数学期望的进一步性质● （1）对任意两个随机变量,X Y ，如果其数学期望均存在，则()E X Y +存在，且()=E X Y EX EY ++（2）设,X Y 为任意两个相互独立的随机变量，数学期望均存在，则EXY 存在，且=EXY EXEY推广：（1）12,,,n X X X 是任意n 个随机变量，数学期望均存在，则()12n E X X X +++存在，且()1212n n E X X X EX EX EX +++=+++（2）设12,,,n X X X 是个相互独立的随机变量，且数学期望均存在，则()12n E X X X 存在，且()1212n n E X X X EX EX EX =.4.随机变量的数字特征（1）协方差● 协方差：()()()cov ,X Y E X EX Y EY =--⎡⎤⎣⎦1,2,)●()cov ,X Y EXY EXEY =-● 定理：（1）()cov ,X X DX = （2）()()cov ,cov ,X Y Y X =（3）()()cov ,cov ,,,aX bY ab X Y a b =为任意常数（4）()cov ,0,C X C =为任意常数（5）()()()1212cov ,cov ,cov ,X X Y X Y X Y +=+ （6）如果X 与Y 相互独立，则()cov ,0X Y =推论：设,X Y 为任意两个随机变量，如果其方差均存在，则X Y +的方差也存在，且()()2cov ,D X Y DX DY X Y +=++.()()2cov ,D X Y DX DY X Y -=+-特别地，如果X 与Y 相互独立，则()D X Y DX DY +=+.● 定理：设()12,,,n X X X 是n 维随机向量，如果()1,2,,i X i n =的方差均存在，则对任意实向量()12,,,n λλλ，1ni i i X λ=∑的方差必存在，且()21112cov ,n n i i i i i j i j i i i j n D X DX X X λλλλ==≤<≤⎛⎫=+ ⎪⎝⎭∑∑∑.特别地，如果12,,,n X X X 两两独立，则211n n i i i i i i D X DX λλ==⎛⎫= ⎪⎝⎭∑∑. （2）协方差矩阵 ● 记()T 12,,,n X X X =X ，其协差阵通常记作D X .对任意实向量()T12,,,n λλλ=λ，有()T T D D =λX λX λ.对任意实向量()T12,,,n λλλ=λ，()T T 0D D =≥λX λλX .（3）相关系数 ●,cov ,X Y X Y ρ，,1X Y ρ≤● 定理：设(),X Y 是一个二维随机向量，,DX DY 均存在且为正，则,1X Y ρ=的充要条件是X 与Y 具有线性关系，即存在常数0a ≠及常数b ，使得{}1P Y ax b =+=.而且，当0a >时，,1X Y ρ=；当0a <时，,1X Y ρ=-.● 如果,DX DY 均存在且为正，那么X 与Y 不相关等价以下条件：①()cov ,0X Y =； ②EXY EXEY =；③()D X Y DX DY +=+； ④,0X Y ρ=.5.大数定律与中心极限定理（1）依概率收敛 ● 定义：设12,,,,,n X X X X 是一列随机变量，如果对任意0ε>，恒有{}lim 0n n P X X ε→∞->=，则称{}n X 依概率收敛到X ，记作Pn X X −−→或lim n n P X X →∞-=.（2）大数定律 ● 定理：①伯努利大数定律：设n μ是n 重伯努利试验中事件A 发生的次数，已知在每次试验中A 发生的概率为()01p p <<，则对任意0ε>，有lim 0n n P p n με→∞⎧⎫->=⎨⎬⎩⎭，即Pnp nμ−−→或limnn P p nμ→∞-=.②切比雪夫大数定律：设12,,,n ξξξ是一列两两不相关的随机变量，它们的数学期望iE ξ和方差i D ξ均存在，且方差有界，即存在常数C ，使得()1,2,i D C i ξ≤=，则对任意0ε>，有1111lim 1n ni i n i i P E n n ξξε→∞==⎧⎫-<=⎨⎬⎩⎭∑∑. 推论：设12,,,nξξξ是一列独立同分布的随机变量，其数学期望和方差均存在，记=i E ξμ，则对任意0ε>，有11lim 1n i n i P n ξμε→∞=⎧⎫-<=⎨⎬⎩⎭∑. 即11n Pi i n ξμ=−−→∑.③辛钦大数定律：设12,,,nξξξ是一列相互独立同分布的随机变量，且数学期望存在，记=i E ξμ，则有11lim 1n i n i P n ξμε→∞=⎧⎫-<=⎨⎬⎩⎭∑. （3）中心极限定理● 定理：林德伯格-列维设12,,,n ξξξ是一列相互独立同分布的随机变量，且=i E ξμ，2=0,1,2,,i D i ξσ>=则有22lim en t i xn n P x dt ξμ--∞→∞⎧⎫-⎪⎪⎪≤=⎬⎪⎪⎪⎩⎭∑.● 定理：设()~,,01,n X b n p p <<则22lim et xn P x dt --∞→∞⎧⎫⎪≤=⎬⎪⎭.四、数理统计的基础知识1.总体与样本样本与样本分布● 总体X 的分布函数为()F x ，则样本()12,,,n X X X 的分布函数为：()()121,,,nn n i i F x x x F x ==∏，称之为样本分布.特别地，若总体X 为连续型随机变量，其密度函数为()f x ，则样本的密度函数为()()121,,,nn n i i f x x x f x ==∏.若总体X 为离散型随机变量，概率分布为(){}p x P X x ==，x 取遍X 所有可能取值，则样本的概率分布为()()()1211221,,,,,,nn n n n i i p x x x P X x X x X x p x ======∏.),n i x =∏为伯努利总体，如果它服从以}{,p P X =)12,,,n X X X 的概率分布为,n n X i =取1或0，而n i +，它恰等于样本中取值为服从参数为λ的泊松分布，)12,,,n X X 为其样本，则样本的概率分布为)21,,ee !!!!kinn n n k k k n i X i X i i i i i λλλλ--======∏，其中取非负整数，而n i ++.2.统计量常用的统计量)n X +2)X -1(ni i X X =-∑3.常用的统计分布（1）分位数● 上侧分位数：设随机变量X 的分布函数为()F x ，对给定的实数(01)αα<<，如果实数F α满足{}P X F αα>=，即()1F F αα-=或()1F F αα=-，则称F α为随机变量X 的分布的水平α上的上侧分位数. ● 有关等式：{}1P X F αα-≤= 1221P F X F ααα-⎧⎫<≤=-⎨⎬⎩⎭推论：()()122,,P X F m n X F m n ααα-⎛⎫⎧⎫⎧⎫<⋃>= ⎪⎨⎬⎨⎬ ⎪⎩⎭⎩⎭⎝⎭或()()122,,1P F m n X F m n ααα-⎧⎫<<-⎨⎬⎩⎭. ● 双侧分位数：设X 是对称分布的连续型随机变量，其分布函数为()F x ，对给定的实数(01)αα<<，如果正实数T α满足{}P X T αα>=，即()()1F T F T ααα--=-.则称T α为随机变量X 的分布的水平α的双侧分位数. 注意：由于对称性，上式可改写为：()12F T αα=-或{}()12P X T F T ααα>=-=.对于具有对称密度函数的分布函数的上侧分位数，恒有1F F αα-=-. （2）2χ分布 ● 命题：设()12,,,n X X X 是n 个相互独立的随机变量，且()~0,1,1,2,,i X N i n =，则22212n X X X X=+++的密度函数为()1122221;e,022n x n x n xx n χ--=>⎛⎫Γ ⎪⎝⎭.● Γ函数：()()10e 0a x a x dx a +∞--Γ=>⎰.●2χ分布：一个随机变量X 称为服从以n 为自由度的2χ分布，如果其密度函数由()1122221;e,022n x n x n xx n χ--=>⎛⎫Γ ⎪⎝⎭给出，记作()2~X n χ.● 命题：①若()()22~,~X m Y n χχ，且X 与Y 相互独立，则()2~X Y m n χ++. ②若()2~X n χ，则,2EX n DX n ==.（3）F 分布 ● 命题：设Z 由/=/X m n X Z Y n m Y=（设()()22~,~X m Y n χχ，且X 与Y 相互独立.）所定义，则Z 的密度函数为()()11221;,1,0,22m m n m m m f x m n x x x m n n n n --+⎛⎫⎛⎫⎛⎫=+> ⎪⎪ ⎪⎛⎫⎝⎭⎝⎭⎝⎭B ⎪⎝⎭.● B 函数：()()()1110,=10,0q p p q x x dx p q --B ->>⎰.●F 分布：如果一个随机变量X 的密度函数由()()11221;,1,0,22m m n m m m f x m n x x x m n n n n --+⎛⎫⎛⎫⎛⎫=+> ⎪⎪ ⎪⎛⎫⎝⎭⎝⎭⎝⎭B ⎪⎝⎭给出，则称其服从第一自由度为m ，第二自由度为n 的F 分布，记作()~,X F m n . ● 若()~,X F m n ，则()1~,XF n m -.● 当α接近1时，可利用()()11,=,F m n F n m αα-求出所需上侧分位数.（3）t 分布● 定义式：设()()2~0,1,~X N Y n χ，且X 与Y相互独立，记T =，则()2~1,/X T F n Y n=.● 命题：T 的密度函数为()122;1,n x t x n x n +-⎫=+-∞<<+∞⎪⎭⎝⎭.●t 分布：如果一个随机变量X 的密度函数由()122;1,n x t x n x n +-⎫=+-∞<<+∞⎪⎭⎝⎭给出，则称其为服从自由度为n 的t 分布，记作()~X t n .注意：当自由度n 很大时，t 分布接近于标准正态分布，因为2+11222lim 1=en x n x n --→∞⎛⎫+ ⎪⎝⎭.●当α接近1时，()()1t n t n αα-=-.4.抽样分布（1）正态总体的抽样分布● 定理：设总体()()212~,,,,,n X N X X X μσ是其容量为n 的一个样本，X 与2S 分别为此样本的样本均值与样本方差，则有①2~,X N n σμ⎛⎫⎪⎝⎭；②()2221~1n S n χσ--；③X 与2S 相互独立. ● 单正态总体的抽样分布定理：设()12,,,n X X X 为正态总体()2~,X N μσ的样本，X 与2S 分别为该样本的样本均值与样本方差，则有①()~0,1X U N =；②()2221~1n S n χσ--；③()~1X T t n =-.● 双正态总体的抽样分布定理：设()211~,X N μσ与()222~,Y N μσ是两个相互独立的正态总体.又设()112,,n X X X是总体X 的容量为1n 的样本，X 与21S 分别为该样本的样本均值与样本方差.再设()212,,n Y Y Y 是总体Y 的容量为2n 的样本，Y 与22S 分别为此样本的样本均值与样本方差.记2S 是21S 与22S 的加权平均：222121212121122n n S S S n n n n --=++-+-，则有 ①()()~0,1X Y U N μμ---=；②()222112212~1,1S F F n n S σσ⎛⎫=-- ⎪⎝⎭；③当22212==σσσ时，()12~2X Y T t n n μμ---=+-.（2）一般总体抽样分布的极限分布 ● 定理：设()12,,,n X X X 为总体X 的样本，并设总体X 的数学期望与方差均存在，分别记为2,EX DXμσ==.再记n n X X U T ==X 与S 分别表示上述样本的样本均值与样本方差，则有①()()0n dU F x x −−→Φ； ②()()0n dT F x x =−−→Φ.以上()n U F x ，n T F 与()0x Φ分别表示n U ，n T 及标准正态分布的分布函数.五、参数估计与假设检验1.点估计概述评价估计量的标准 ),n X 为参数的有偏估计量.若),n X 为未知参数}-<=θε),n X 为取自总体①样本均值X 是μ的无偏估计量；②样本方差2S 是σ③未修正的样本方差，即样本二阶中心矩),n X 是取自总体,n .则1n 的相合估计量，,n .(~,X N μ),n X 为其样本，则样本方差2S 是2σ的相合估计2.参数的最大似然估计与矩估计（1）最大似然估计 ● ),n x ，存在),n x ，使()*1,,n x x θ为θ的最大似然估计值，称相应的统),n X 为的最大似然估计量.它们统称为θ的最大似然估计，可MLE . 如果未知参数为12,,,r θθθ，那么似然函数是多元函数(,,)r L θθ.若对任意),n x 存在),,,1,2,=n x i r ，使1*1(,,),,)max (,,)∈Θ=r r r L θθθθθ，则称*i θ为i θ的,1,2,,=MLE i r .当似然函数关于未知参数可微时，一般可通过求导数得到MLE ，其主要步骤①写出似然函数1(,,)r L θθ；0∂=∂L θ或ln 0,1,,∂==∂L i r θ，从中求得驻点注意，函数L 与ln L有相同的最值点，而使用后者往往更方便；③判断驻点为最大值点； MLE .● 最大似然估计的不变性：如果ˆθ为θ的最大似然估计，()=u g θ是θ的函数且存在单值反函数()=h u θ.那么()ˆg θ是()g θ的最大似然估计. （2）矩估计 ● 1,2,,ˆ2,3,=k B β.这种求点估计的方用矩法确定的估计量称为矩估计量，相应的估计值为矩估计值，矩估计量. 表示为总体矩的函数，即)2,;,l s αββ； k B 分别替换g 中的k α，)()1212ˆˆˆˆ,,;,,;,,=l s l sg A A B B ααββ即为θ的3.置信区间（1）寻求置信区间的方法● ①选取θ的一个较优的点估计ˆθ； ②围绕ˆθ寻找一个依赖于样本与θ的函数()1,,;=n u u X X θ.u 的分布为已知分布.像u 这样的函数，称为枢轴量；③对给定的置信水平1-α，确定1λ与2λ，使{}121<<=-P u λλα，一般可选取满足{}{}122≤=≥=P u P u αλλ的1λ与2λ；④利用不等式变形导出套住θ的置信区间(),θθ. （2）正态总体参数的置信区间4.假设检验概述假设检验的一般步骤 ①建立零假设0H ；②构造一个含待检验参数θ（不含其他未知参数）且分布已知的枢轴量()12,,,;n u X X X θ，并确定其分布；③对给定的显著性水平α，由上述枢轴量及其分布，结合零假设0H ，确定拒绝域C ，使得(){}120,,,∈≤n P X X X C H α；④根据样本值()12,,,n x x x 是否落在C 中做出是否拒绝0H 的统计决断：如果()12,,,∈n x x x C ，则拒绝0H ，如果()12,,,∉n x x x C ，则不能拒绝0H .5.单正态总体的参数假设检验编辑：李雪伟 2013年5月25日。

(完整版),概率论与数理统计(完整公式,知识点梳理),推荐文档

设离散型随机变量 X 的可能取值为 Xk(k=1,2,…)且取各个值的概率，即
事件(X=Xk)的概率为
P(X=xk)=pk，k=1,2,…，
则称上式为离散型随机变量 X 的概率分布或分布律。有时也用分布列的
形式给出：
X
| x1, x2,, xk,
P( X xk) p1, p2,, pk, 。
显然分布律应满足下列条件：
满足下列三个条件：
1° 0≤P(A)≤1，
2° P(Ω) =1
3° 对于两两互不相容的事件 A1 ， A2 ，…有
P
i 1
Ai
i 1
P( Ai)
常称为可列（完全）可加性。
则称 P(A)为事件 A 的概率。
1° 1, 2 n ，
2°
P(1 )
P( 2 )
P( n )
1 n
。
设任一事件 A ，它是由1, 2 m 组成的，则有
An 1) 。
①两个事件的独立性
设事件 A 、 B 满足 P( AB) P( A)P(B) ，则称事件 A 、 B 是相互独立
的。
若事件 A 、 B 相互独立，且 P( A) 0 ，则有
P(B | A) P( AB) P( A)P(B) P(B)
P( A)
P( A)
若事件 A 、 B 相互独立，则可得到 A 与 B 、 A 与 B 、 A 与 B 也都相互
独立。
必然事件和不可能事件 Ø 与任何事件都相互独立。
Ø 与任何事件都互斥。
②多个事件的独立性
设 ABC 是三个事件，如果满足两两独立的条件，
P(AB)=P(A)P(B)；P(BC)=P(B)P(C)；P(CA)=P(C)P(A)

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) 题目：概率论与数理统计知识点总结摘要本文总结了概率论和数理统计方面的基础知识，涉及概率分布、参数估计、假设检验、卡方检验、多元分析等。

对这些知识点的理解和了解可以帮助人们更好地分析和利用数据，促进数据分析的发展。

关键词：概率论，数理统计，概率分布，参数估计，假设检验，卡方检验，多元分析正文1.概率论概率论是数理统计中一门重要科学，它是一门数学研究现实世界事件发生的规律性、可预测性及不确定性的学科。

在概率论中，我们引入了诸如概率、期望和方差等概念，用来描述和推断某种随机现象的发生。

2.概率分布概率分布是在给定的实际情况下随机变量取值的概率分布。

典型的概率分布包括正态分布、泊松分布和二项分布。

此外，也有一些联合分布，例如协方差、共轭先验、贝叶斯估计等。

3.参数估计参数估计是根据样本数据估计总体参数的统计方法。

它涉及到将总体参数估计为样本参数的过程，通常使用最大似然估计、贝叶斯估计和假定测试等方法。

4.假设检验假设检验是基于统计学原理，用来评估某一假设是否真实存在的方法。

其中包括t检验、F检验、Z检验等，它们之间的区别在于所使用的抽样分布不同。

5.卡方检验卡方检验是一种统计检验，用于直接检验某个抽样值是否遵循某种理论分布。

卡方检验可以根据观察到的抽样数据和理论分布之间的差异来衡量分布概率值的有效性。

6.多元分析多元分析是一种分析不同变量之间交互影响的统计方法。

它包括多元回归分析、多元判别分析、因子分析等，能够帮助我们了解多个变量之间的关系。

结论本文总结了概率论和数理统计方面的基础知识，包括概率分布、参数估计、假设检验、卡方检验和多元分析等。

了解这些知识点可以帮助人们更好地分析和利用数据，促进数据分析的发展。

概率论和数理统计方面的知识点在实际应用中有着重要作用。

概率论可以帮助研究人员对随机现象进行建模、分析和推断，其中包括使用概率分布建立统计模型和估计参数，并使用假设检验和卡方检验来检验假设，以及用多元分析来推断不同变量之间的关系。

概率论与数理统计(完整公式,知识点梳理)

P( X k) q k1 p, k 1,2,3, ，其中 p≥0，q=1-p。
均匀分布
随机变量 X 服从参数为 p 的几何分布，记为 G(p)。
设随机变量 X 的值只落在[a，b]内，其密度函数 f (x) 在[a，b] 上为常数 1 ，即
ba
f
(
x)
b
1
a
,
0,
a≤x≤b 其他，
则称随机变量 X 在[a，b]上服从均匀分布，记为 X~U(a，b)。
X 的分布函数为
正态分布
F(x)
1 ex , 0,
记住积分公式：
x nex dx n!
0
x 0,
x<0。
设随机变量 X 的密度函数为
f (x)
1
( x )2
e 2 2 ，
x ，
2 其中、 0 为常数，则称随机变量 X 服从参数为、
的正态分布或高斯（Gauss）分布，记为 X ~ N (, 2 ) 。
n
A Bi
2°
i1 ，
则有
P(A) P(B1)P(A | B1) P(B2)P(A | B2) P(Bn)P(A | Bn) 。
设事件 B1， B2 ，…， Bn 及 A 满足
1° B1， B2 ，…， Bn 两两互不相容， P(Bi) >0， i 1，2，…， n ，
n
A Bi
2°
i1 ， P( A) 0 ，
在一个试验下，不管事件有多少个，总可以从其中找出这样一组事件，它具有
如下性质：
①每进行一次试验，必须发生且只能发生这一组中的一个事件；
（5）基本事件、样本空间和事件
②任何事件，都是由这一组中的部分事件组成的。