考研数学三必背知识点：概率论与数理统计
数三概率论考试范围
数三概率论考试范围
数理统计学科中的一大分支是概率论，在这次的数三考试中，考生们需要掌握一些概率论的基础知识，并且会考察一些相关的计算与应用。
本篇文章就将为大家介绍考试范围及其涉及的知识点，希望能对大家备考有所指导。
1. 随机变量与概率分布
随机变量指的是在随机试验中可能取到的不同数值，它们具有一定的概率分布，这是概率论最基本的概念之一。
在考试中，会考察离散型随机变量与连续型随机变量的概念及其概率分布，重点考察二项分布、泊松分布、正态分布等。
此外，也需要掌握概率分布的期望和方差的计算方法。
2. 大数定律与中心极限定理
大数定律和中心极限定理是概率论的两个重要定理，也是应用最广泛的概率论知识之一。
大数定律表明，随机变量的频率在大量重复试验中趋向于其概率值；中心极限定理则表明，在大量独立同分布的随机变量之和的情况下，其分布近似于正态分布。
考试中会考察这两个定理的概念、证明方法以及应用案例。
3. 统计推断
统计推断包括点估计和区间估计两部分内容。
在点估计中，需要求出随机变量的某个参数的最优估计值；在区间估计中，需要给出该
参数的一定置信水平下的置信区间。
考试中会考察极大似然估计、最小二乘估计等点估计方法，同时也要掌握t检验、F检验、卡方检验等常用的区间估计方法及其应用。
以上三个知识点是数三概率论考试的主要范围，其中涵盖了概率分布、定理、估计等多个方面的知识。
考生应该注意把握好每个知识点的概念和计算方法，同时也需要注重思维方法和解题技巧的沉淀和积累。
只有全面、细致地掌握这些知识点，才能更好地在考试中发挥自己的实力，取得最佳成绩。
考研数学三必背知识点：概率论与数理统计
概率论与数理统计必考知识点一、随机事件和概率1、 随机事件及其概率运算律名称 表达式交换律A B B A +=+ BA AB =结合律 C B A C B A C B A ++=++=++)()( ABC BC A C AB ==)()(分配律 AC AB C B A ±=±)( ))(()(C A B A BC A ++=+德摩根律B A B A =+ B A AB +=2、概率的定义及其计算公式名称公式表达式 求逆公式 )(1)(A P A P -= 加法公式 )()()()(AB P B P A P B A P -+=+条件概率公式 )()()(A P AB P A B P =乘法公式 )()()(A B P A P AB P = )()()(B A P B P AB P =全概率公式∑==ni iiA B P A P B P 1)()()(贝叶斯公式 （逆概率公式） ∑∞==1)()()()()(i ijj j j A B P A P A B P A P B A P伯努力概型公式 n k p p C k P k n kk n n ,1,0,)1()(=-=-两件事件相互独立相应公式)()()(B P A P AB P =；)()(B P A B P =；)()(A B P A B P =；1)()(=+A B P A B P ；1)()(=+A B P A B P二、随机变量及其分布1、分布函数性质)()(b F b X P =≤ )()()(a F b F b X a P -=≤<2、 散型随机变量分布名称 分布律0–1分布),1(p B 1,0,)1()(1=-==-k p p k X P k k二项分布),(p n Bn k p p C k X P k n kk n ,,1,0,)1()( =-==-泊松分布)(λP,2,1,0,!)(===-k k ek X P kλλ几何分布)(p G,2,1,0,)1()(1=-==-k p p k X P k超几何分布),,(n M N H),min(,,1,,)(M n l l k C C C k X P nNkn MN k M +===--3..续型随机变量分布名称密度函数 分布函数均匀分布),(b a U⎪⎩⎪⎨⎧<<-=其他,0,1)(b x a ab x f⎪⎪⎩⎪⎪⎨⎧≥<≤--<=b x b x a a b a x a x x F ,1,,0)(指数分布)(λE⎪⎩⎪⎨⎧>=-其他,00,)(x e x f x λλ⎩⎨⎧≥-<=-0,10,0)(x e x x F xλ 正态分布),(2σμN+∞<<∞-=--x ex f x 222)(21)(σμσπ ⎰∞---=xt t ex F d21)(222)(σμσπ标准正态分布)1,0(N+∞<<∞-=-x ex x 2221)(πϕ⎰∞---=xt t ex F d21)(222)(σμσπ三、多维随机变量及其分布1、离散型二维随机变量边缘分布 ∑∑======⋅jjijjii i py Y x X P x X P p ),()(∑∑======⋅iiijjij j py Y x X P y Y P p ),()(2、离散型二维随机变量条件分布2,1,)(),()(=========⋅i P p y Y P y Y x X P y Y x X P p jij j j i j i j i2,1,)(),()(=========⋅j P p x X P y Y x X P x X y Y P p i ij i j i i j i j3、连续型二维随机变量( X ,Y )的分布函数⎰⎰∞-∞-=x ydvdu v u f y x F ),(),(4、连续型二维随机变量边缘分布函数与边缘密度函数 分布函数：⎰⎰∞-+∞∞-=xX dvdu v u f x F ),()( 密度函数：⎰+∞∞-=dv v x f x f X ),()( ⎰⎰∞-+∞∞-=yY dudv v u f y F ),()( ⎰+∞∞-=du y u f y f Y ),()(5、二维随机变量的条件分布 +∞<<-∞=y x f y x f x y f X X Y ,)(),()( +∞<<-∞=x y f y x f y x f Y Y X ,)(),()(四、随机变量的数字特征1、数学期望离散型随机变量：∑+∞==1)(k k k p x X E 连续型随机变量：⎰+∞∞-=dx x xf X E )()(2、数学期望的性质(1)为常数C ,)(C C E = )()]([X E X E E = )()(X CE CX E =(2))()()(Y E X E Y X E ±=± b X aE b aX E ±=±)()( )()()(1111n n n n X E C X E C X C X C E +=+ (3)若XY 相互独立则：)()()(Y E X E XY E = (4))()()]([222Y E X E XY E ≤ 3、方差：)()()(22X E X E X D -= 4、方差的性质(1)0)(=C D 0)]([=X D D )()(2X D a b aX D =± 2)()(C X E X D -<(2)),(2)()()(Y X Cov Y D X D Y X D ±+=± 若XY 相互独立则：)()()(Y D X D Y X D +=± 5、协方差：)()(),(),(Y E X E Y X E Y X Cov -= 若XY 相互独立则：0),(=Y X Cov6、相关系数：)()(),(),(Y D X D Y X Cov Y X XY ==ρρ 若XY 相互独立则：0=XY ρ即XY 不相关7、协方差和相关系数的性质(1))(),(X D X X Cov = ),(),(X Y C o v Y X C o v =(2)),(),(),(2121Y X Cov Y X Cov Y X X Cov +=+ ),(),(Y X a b C o v d bY c aX Cov =++8、常见数学分布的期望和方差分布 数学期望方差0-1分布),1(p B p)1(p p - 二行分布),(p n B np)1(p np -泊松分布)(λP λλ几何分布)(p G p1 21pp -超几何分布),,(n M N H N M n1)1(---N mN N M N M n均匀分布),(b a U 2b a + 12)(2a b - 正态分布),(2σμN μ2σ指数分布)(λEλ1 21λ五、大数定律和中心极限定理1、切比雪夫不等式若,)(,)(2σμ==X D X E 对于任意0>ξ有2)(})({ξξX D X E X P ≤≥-或2)(1})({ξξX D X E X P -≥<-2、大数定律：若n X X 1相互独立且∞→n 时，∑∑==−→−ni iDni i X E nX n11)(11(1)若n X X 1相互独立，2)(,)(i i i i X D X E σμ==且M i ≤2σ则：∑∑==∞→−→−ni iPni i n X E nX n11)(),(11(2)若n X X 1相互独立同分布，且i i X E μ=)(则当∞→n 时：μ−→−∑=Pn i i X n 11 3、中心极限定理(1)独立同分布的中心极限定理：均值为μ，方差为02>σ的独立同分布时，当n 充分大时有：)1,0(~1N n n XY nk kn −→−-=∑=σμ(2)拉普拉斯定理：随机变量),(~)2,1(p n B n n =η则对任意x 有： ⎰∞--+∞→Φ==≤--xt n x x dtex p np np P )(21})1({lim 22πη(3)近似计算：)()()()(11σμσμσμσμσμn n a n n b n n b n n Xn n a P b Xa P nk knk k-Φ--Φ≈-≤-≤-=≤≤∑∑==六、数理统计1、总体和样本总体X 的分布函数)(x F 样本),(21n X X X 的联合分布为)(),(121k nk n x F x x x F =∏=2、统计量(1)样本平均值：∑==ni i X nX 11(2)样本方差：∑∑==--=--=ni i ni i X n X n X X n S 122122)(11)(11(3)样本标准差：∑=--=ni i X X n S 12)(11(4)样本k 阶原点距： 2,1,11==∑=kXn A ni ki k(5)样本k 阶中心距：∑==-==ni k ik k k X XnM B 13,2,)(1(6)次序统计量：设样本),(21n X X X 的观察值),(21n x x x ，将n x x x 21,按照由小到大的次序重新排列，得到)()2()1(n x x x ≤≤≤ ，记取值为)(i x 的样本分量为)(i X ，则称)()2()1(n X X X ≤≤≤ 为样本),(21n X X X 的次序统计量。
概率论与数理统计前三章
概率论与数理统计知识点第一章随机事件及其概率1.1 随机事件1.2 概率1.3 条件概率与全概公式1.4 事件的独立性与伯努利概型第二章随机变量及其分布2.1 随机变量与分布函数2.2 离散型随机变量及其分布2.3 连续型随机变量及其分布2.4 二维随机变量2.5 随机变量函数的分布第三章随机变量的数字特征3.1 数学期望3.2 方差3.3 几种常见分布的数学期望与方差3.4 随机变量矩、协方差与相关系数第四章大数定律与中心极限定理4.1 切比雪夫不等式4.2 大数定律4.3 中心极限定理第五章抽样分布5.1 总体与样本5.2 样本函数与样本分布函数5.3 抽样分布第六章参数估计6.1 点估计6.2 估计量的评价标准6.3 区间估计6.4 正态总体均值与方差的区间估计6.5 非正态总体参数的区间估计第七章假设检验7.1 假设检验的基本概念7.2 单个正态总体参数的假设检验7.3 两个正态总体参数的假设检验7.4非正态总体参数的假设检验7.5 总体分布的假设检验第八章方差分析8.1 问题的提出8.2 单因素试验方差分析8.3 单因素方差分析举例第九章回归分析9.1 问题的提出9.2 一元正态线性回归9.3 一元非线性回归简介9.4 多元线性回归9.5 多元回归应用举例第一章 随机事件及其概率知识要点及重要例题一、知识要点。
① 重要公式（1） A+A =Ω（2） A +B ̅̅̅̅̅̅̅̅=A ∙B ̅ A ∙B ̅̅̅̅̅̅=A +B̅ (德摩根定理) （3） P(A+B)=p(A)+P(B)-P(AB) （加法公式） （4） P(A-B)=P(A)-P(AB) （减法公式） （5） P(AB)=P(A)P(B|A)或P(AB)=P(A|B)P(B) （乘法公式） （6） P (B )=∑P (A i )P (B|A i )n i=0 (全概率公式) 由因求果（7） P(A j |B)=P(A j )P(B|A j )∑P (A i )ni=1P(B|A i )(叶贝斯公式) 由果索因② 概率定义（1） 统计定义：频率稳定在一个数附近，这个数称为事件的概率；（2） 古典定义：要求样本空间只有有限个基本事件，每个基本事件出现的可能性相等，则事件Ａ所含基本事件个数与样本空间所含基本事件个数的比称为事件的古典概率；（3） 几何概率：样本空间中的元素有无穷多个，每个元素出现的可能性相等，则可以将样本空间看成一个几何图形，事件Ａ看成这个图形的子集，它的概率通过子集图形的大小与样本空间图形的大小的比来计算；（4） 公理化定义：满足三条公理的任何从样本空间的子集集合到［０，１］的映射③ 随机事件（1） 事件的三种运算：并∪（和）、交∩（积）、差；注意差Ａ－Ｂ可以表示成Ａ与Ｂ的逆的积。
考研概率论与数理统计公式大全
考研概率论与数理统计公式大全一、概率论部分：1.概率公式：-事件的概率：P(A)=n(A)/n(S)，其中n(A)表示事件A发生的可能性，n(S)表示样本空间S中的样本个数。
-互斥事件的概率：P(A∪B)=P(A)+P(B)。
-非互斥事件的概率：P(A∪B)=P(A)+P(B)-P(A∩B)。
2.条件概率公式：-事件A在事件B发生的条件下发生的概率：P(A，B)=P(A∩B)/P(B)。
3.乘法公式：-事件A、B同时发生的概率：P(A∩B)=P(A)*P(B，A)=P(B)*P(A，B)。
4.全概率公式：-事件A可以由一系列互斥且构成样本空间的事件B1、B2、..、Bn发生的概率：P(A)=P(A∩B1)+P(A∩B2)+...+P(A∩Bn)=ΣP(A∩Bi)。
5.贝叶斯公式：-已知事件A发生的条件下事件B发生的概率：P(B，A)=P(A∩B)/P(A)=P(A，B)*P(B)/P(A)。
6.重要的离散概率分布：-二项分布：P(X=k)=C(n,k)*p^k*(1-p)^(n-k)，其中n为试验次数，k为成功次数，p为每次成功的概率。
-泊松分布：P(X=k)=(λ^k*e^(-λ))/k!，其中λ为单位时间（或单位面积）内随机事件发生的平均次数。
7.重要的连续概率分布：-均匀分布：f(x)=1/(b-a)，其中a为最小值，b为最大值。
-正态分布：f(x)=(1/(σ*√(2π)))*e^(-(x-μ)^2/(2σ^2))，其中μ为均值，σ为标准差。
二、数理统计部分：1.基本概念：-总体：研究对象的全体。
-样本：从总体中抽取的一部分个体。
-参数：总体的特征数值。
-统计量：样本的特征数值。
2.基本统计量：- 样本均值：x̄ = (x1 + x2 + ... + xn) / n，其中x1、x2、..、xn为样本数据，n为样本容量。
- 样本方差：s^2 = ((x1-x̄)^2 + (x2-x̄)^2 + ... + (xn-x̄)^2) / (n-1)。
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。
云南省考研数学复习资料概率论与数理统计重要概念归纳
云南省考研数学复习资料概率论与数理统计重要概念归纳云南省考研数学复习资料：概率论与数理统计重要概念归纳概率论与数理统计是云南省考研数学科目中的重要内容之一。
掌握概率论与数理统计的基本概念是考生取得高分的关键。
本文将针对云南省考研数学复习，归纳总结与概率论与数理统计相关的重要概念。
希望能为考生提供有用的复习资料。
1. 概率论的基本概念1.1 事件与样本空间在概率论中，事件是指某一结果或一组结果，而样本空间则是包含所有可能结果的集合。
考生需要了解并学会使用事件的运算法则，如交、并、补等。
1.2 概率的定义与性质概率表示某一事件发生的可能性。
考生需要了解概率的定义与性质，如非负性、规范性、可列可加性等。
1.3 条件概率与独立性条件概率是指在给定其他事件发生的条件下，某一事件发生的概率。
独立性则表示两个事件的发生与否互不影响。
考生需要理解条件概率与独立性的概念及其运用。
1.4 随机变量与概率分布随机变量是指在随机试验中可能取到的值。
概率分布则描述了随机变量取各个值的概率。
考生应熟悉常见的离散型分布（如伯努利分布、二项分布、泊松分布等）与连续型分布（如均匀分布、正态分布等）。
2. 数理统计的基本概念2.1 统计量与样本统计量是通过样本数据计算得到的指标，用于对总体特性进行推断。
样本是总体的一个子集。
考生需要了解统计量的基本定义及其性质。
2.2 抽样分布与中心极限定理抽样分布是指统计量在不同样本下的分布。
中心极限定理则说明了在特定条件下，大样本时样本均值的分布接近正态分布。
考生需要了解常见的抽样分布及其性质。
2.3 参数估计参数估计是通过样本数据推断总体参数的值。
常见的估计方法有矩估计、极大似然估计等。
考生需要了解参数估计的基本原理及其应用。
2.4 假设检验与置信区间假设检验是根据样本数据对总体参数的某个假设进行推断的方法。
置信区间则是对总体参数的范围给出一个区间估计。
考生需要理解假设检验与置信区间的基本原理和应用方法。
考研数学《概率论与数理统计》知识点总结
第一章 概率论的基本概念定义： 随机试验E 的每个结果样本点组成样本空间S ，S 的子集为E 的随机事件，单个样本点为基本事件．事件关系：1．A ⊂B ，A 发生必导致B 发生．2．A B 和事件，A ，B 至少一个发生，A B 发生． 3．A B 记AB 积事件，A ，B 同时发生，AB 发生． 4．A －B 差事件，A 发生，B 不发生，A －B 发生． 5．A B=?，A 与B 互不相容(互斥)，A 与B 不能同时发生，基本事件两两互不相容．6．A B=S 且A B=?，A 与B 互为逆事件或对立事件，A 与B 中必有且仅有一个发生，记B=A S A -=．事件运算： 交换律、结合律、分配率略．德摩根律：B A B A =，B A B A =．概率： 概率就是n 趋向无穷时的频率，记P(A)． 概率性质: 1．P (?)=0．2．(有限可加性)P (A 1 A 2 … A n )=P (A 1)+P (A 2)+…+P (A n )，A i 互不相容．3．若A ⊂B ，则P (B －A)=P (B)－P (A)． 4．对任意事件A ，有)A (1)A (P P -=．5．P (A B)=P (A)+P (B)－P (AB)．古典概型： 即等可能概型，满足：1．S 包含有限个元素．2．每个基本事件发生的可能性相同． 等概公式：中样本点总数中样本点数S A )A (==n k P ． 超几何分布：⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛=n N k n D N k D p ，其中ra C r a =⎪⎪⎭⎫ ⎝⎛． 条件概率： )A ()AB ()A B (P P P =． 乘法定理：)A ()A B ()AB C ()ABC ()A ()AB ()AB (P P P P P P P ==．全概率公式：)B ()B A ()B ()B A ()B ()B A ()A (2211n n P P P P P P P +++= ，其中i B 为S 的划分．贝叶斯公式： )A ()B ()B A ()A B (P P P P i i i =，∑==nj j j B P B A P A P 1)()()(或)()()()()()()(B P B A P B P B A P B P B A P A B P +=．独立性： 满足P (AB)=P (A)P (B)，则A ，B 相互独立，简称A ，B 独立． 定理一： A ，B 独立，则．P (B |A)=P (B)．定理二： A ，B 独立，则A 与B ，A 与B ，A 与B 也相互独立． 第二章 随机变量及其分布(0—1)分布：k k p p k X P --==1)1(}{，k =0，1 （0<p <1）．伯努利实验：实验只有两个可能的结果：A 及A ．二项式分布： 记X~b （n ，p ），kn kkn p p C k X P --==)1(}{． n 重伯努利实验：独立且每次试验概率保持不变．其中A 发生k 次，即二项式分布．泊松分布： 记X~π（λ），!}{k e k X P k λλ-==， ,2,1,0=k ．泊松定理： !)1(lim k e p p C k kn k knn λλ--∞→=-，其中λ=np ．当20≥n ，05.0≤p 应用泊松定理近似效果颇佳．随机变量分布函数： }{)(x X P x F ≤=，+∞<<∞-x ．)()(}{1221x F x F x X x P -=≤<．连续型随机变量： ⎰∞-=xt t f x F d )()(，X 为连续型随机变量，)(x f 为X 的概率密度函数，简称概率密度．概率密度性质：1．0)(≥x f ；2．1d )(=⎰+∞∞-x x f ；3．⎰=-=≤<21d )()()(}{1221x x x x f x F x F x X x P ；4．)()(x f x F ='，f (x )在x 点连续；5．P {X=a }=0．均匀分布： 记X~U(a ，b )；⎪⎩⎪⎨⎧<<-=其它，，01)(bx a ab x f ；⎪⎩⎪⎨⎧≥<≤--<=b x b x a a b a x a x x F ，，，10)(． 性质：对a ≤c <c +l ≤b ，有 指数分布：⎪⎩⎪⎨⎧>=-其它，，001)(x e x f x θθ；⎩⎨⎧>-=-其它，，001)(x e x F x θ． 无记忆性： }{}{t X P s X t s X P >=>+>． 正态分布： 记),(~2σμN X ；]2)(ex p[21)(22σμσπ--=x x f ；t t x F xd ]2)(ex p[21)(22⎰∞---=σμσπ．性质： 1．f (x )关于x =μ对称，且P {μ-h <X ≤μ}=P {μ<X ≤μ+h }；2．有最大值f (μ)=(σπ2)-1．标准正态分布： ]2exp[21)(2x x -=πϕ；⎰∞--=Φxt t x d ]2ex p[21)(2π．即μ=0，σ=1时的正态分布X ~N(0，1)性质：)(1)(x x Φ-=-Φ．正态分布的线性转化： 对),(~2σμN X有)1,0(~N X Z σμ-=；且有)(}{}{)(σμσμσμ-Φ=-≤-=≤=x x X P x X P x F ．正态分布概率转化：)()(}{1221σμσμ-Φ--Φ=≤<x x x X x P ；1)(2)()(}{-Φ=-Φ-Φ=+<<-t t t t X t P σμσμ．3σ法则： P =Φ(1)－Φ(-1)=68.26%；P =Φ(2)－Φ(-2)=95.44%；P =Φ(3)－Φ(-3)=99.74%，P 多落在(μ-3σ，μ+3σ)内． 上ɑ分位点： 对X~N(0，1)，若z α满足条件P {X>z α}=α，0<α<1，则称点z α为标准正态分布的上α分位点．常用 上ɑ分位点： 0.001 0.005 0.01 0.025 0.05 0.10 3.0902.5762.3261.9601.6451.282Y 服从自由度为1的χ2分布：设X 密度函数f X (x )，+∞<<∞-x ，若Y=X 2，则⎪⎩⎪⎨⎧≤>-+=000)]()([21)(y y y f y f y y f X XY ，，若设X ~N(0，1)，则有⎪⎩⎪⎨⎧≤>=--00021)(221y y e y y f y Y ，，π定理：设X 密度函数f X (x )，设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，且有h (y )是g (x )的反函数；①若+∞<<∞-x ，则α=min{g (?∞)，g (+∞)}，β=max{g (?∞)，g (+∞)}；②若f X (x )在[a ，b ]外等于零，g (x )在[a ，b ]上单调，则α=min{g (a )，g (b )}，β=max{g (a )，g (b )}．应用： Y=aX +b ~N(a μ+b ，(|a |σ)2)．第三章 多维随机变量及其分布二维随机变量的分布函数：分布函数(联合分布函数)：)}(){(),(y Y x X P y x F ≤≤= ，记作：},{y Y x X P ≤≤．),(),(),(),(},{112112222121y x F y x F y x F y x F y Y y x X x P +--=≤<≤<．F （x ，y ）性质： 1．F （x ，y ）是x 和y 的不减函数，即x 2>x 1时，F （x 2，y ）≥F （x 1，y ）；y 2>y 1时，F （x ，y 2）≥F （x ，y 1）． 2．0≤F （x ，y ）≤1且F （?∞，y ）=0，F （x ，?∞）=0，F （?∞，?∞）=0，F （+∞，+∞）=1． 3．F （x +0，y ）=F （x ，y ），F （x ，y +0）=F （x ，y ），即F （x ，y ）关于x 右连续，关于y 也右连续． 4．对于任意的(x 1，y 1)，(x 2，y 2)，x 2>x 1，y 2>y 1，有P {x 1<X ≤x 2，y 1<Y ≤y 2}≥0．离散型（X ，Y ）：0≥ij p ，111=∑∑∞=∞=ij j i p ，ij yy x x p y x F i i ∑∑=≤≤),(．连续型（X ，Y ）：v u v u f y x F yxd d ),(),(⎰⎰∞-∞-=．f (x ，y )性质： 1．f (x ，y )≥0．2．1),(d d ),(=∞∞=⎰⎰∞∞-∞∞-F y x y x f ．3．y x y x f G Y X P G⎰⎰=∈d d ),(}),{(． 4．若f (x ，y )在点(x ，y )连续，则有),(),(2y x f yx y x F =∂∂∂．n 维： n 维随机变量及其分布函数是在二维基础上的拓展，性质与二维类似．边缘分布： F x (x )，F y (y )依次称为二维随机变量（X ，Y ）关于X 和Y 的边缘分布函数，F X (x )=F (x ，∞)，F Y (y )=F (∞，y )． 离散型： *i p 和j p *分别为（X ，Y ）关于X 和Y 的边缘分布律，记}{1i ij j i x X P p p ==∑=∞=*，}{1j ij i j y Y P p p ==∑=∞=*． 连续型：)(x f X ，)(y f Y 为（X ，Y ）关于X 和Y 的边缘密度函数，记⎰∞∞-=y y x f x f X d ),()(，⎰∞∞-=x y x f y f Y d ),()(． 二维正态分布：]})())((2)([)1(21exp{121),(2222212121212221σμσσμμρσμρρσπσ-+-------=y y x x y x f ． 记(X ，Y )~N (μ1，μ2，σ12，σ22，ρ)]2)(exp[21)(21211σμσπ--=x x f X ，∞<<∞-x ．]2)(exp[21)(22222σμσπ--=y y f Y ，∞<<∞-y ． 离散型条件分布律：jij j j i j i p p y Y P y Y x X P y Y x X P *=======}{},{}{．*=======i ij i j i i j p p x X P y Y x X P x X y Y P }{},{}{．连续型条件分布：条件概率密度：条件分布函数：含义：当0→ε时，)|(d )|(}|{||y x F x y x f y Y y x X P Y X xY X =≈+≤<≤⎰∞-ε．均匀分布： 若⎪⎩⎪⎨⎧∈=其他,0),(,1),(Gy x Ay x f ，则称(X ，Y)在G 上服从均匀分布． 独立定义：若P {X ≤x ，Y ≤y }=P {X ≤x }P {Y ≤y }，即F (x ，y )=F x (x )F y (y )，则称随机变量X 和Y 是相互独立的． 独立条件或可等价为：连续型：f (x ，y )=f x (x )f y (y )；离散型：P {X =x i ，Y =y j }=P {X =x i }P {Y =y j }．正态独立： 对于二维正态随机变量（X ，Y ），X 和Y 相互对立的充要条件是：参数ρ=0．n 维延伸： 上述概念可推广至n 维随机变量，要注意的是边缘函数或边缘密度也是多元(1~n -1元)的．定理：设（X 1，X 2，…，X m ）和（Y 1，Y 2，…，Y n ）相互独立，则X i 和Y j 相互独立．又若h ，g 是连续函数，则h （X 1，X 2，…，X m ）和g （Y 1，Y 2，…，Y n ）相互独立．Z=X+Y 分布： 若连续型(X ，Y )概率密度为f (x ，y )，则Z=X+Y 为连续型且其概率密度为 ⎰∞∞-+-=y y y z f z f Y X d ),()(或⎰∞∞-+-=x x z x f z f Y X d ),()(．f X 和f Y 的卷积公式： 记⎰∞∞-+-==y y f y z f z f f f Y X Y X Y X d )()()(*⎰∞∞--=x x z f x f Y X d )()(，其中除继上述条件，且X 和Y 相互独立，边缘密度分别为f X (x )和f Y (y )．正态卷积：若X 和Y 相互独立且X ~N (μ1，σ12)，记Y ~N (μ2，σ22)，则对Z=X+Y 有Z ~N (μ1+μ2，σ12+σ22)．1．上述结论可推广至n 个独立正态随机变量．2．有限个独立正态随机变量的线性组合仍服从正态分布． 伽马分布：记),(~θαΓX ，0>α，0>θ．⎪⎩⎪⎨⎧>Γ=--其他，，00)(1)(1x e x x f x θαααθ，其中⎰+∞--=Γ01d )(t e t tαα．若X 和Y 独立且X ~Γ(α，θ)，记Y ~Γ(β，θ)，则有X+Y~Γ(α+β，θ)．可推广到n 个独立Γ分布变量之和．XYZ =： ⎰∞∞-=x xz x f x z f X Y d ),()(，若X 和Y 相互独立，则有⎰∞∞-=x xz f x f x z f Y X X Y d )()()(．XYZ =分布： ⎰∞∞-=xxzx f x z f XY d ),(1)(，若X 和Y 相互独立，则有⎰∞∞-=x x z f x f x z f Y X XY d )()(1)(． 大小分布：若X 和Y 相互独立，且有M =max{X ，Y }及N =min{X ，Y }，则M 的分布函数：F max (z )=F X (z )F Y (z )，N 的分布函数：F min (z )=1－[1－F X (z )][1－F Y (z )]，以上结果可推广到n 个独立随机变量的情况．第四章 随机变量的数字特征数学期望： 简称期望或均值，记为E (X )；离散型：k k k p x X E ∑=∞=1)(．连续型：⎰∞∞-=x x xf X E d )()(．定理： 设Y 是随机变量X 的函数：Y =g (X )(g 是连续函数)．1．若X 是离散型，且分布律为P {X =x k }=p k ，则：k k k p x g Y E )()(1∑=∞=．2．若X 是连续型，概率密度为f (x )，则：⎰∞∞-=x x f x g Y E d )()()(．定理推广： 设Z 是随机变量X ，Y 的函数：Z =g (X ，Y )(g 是连续函数)．1．离散型：分布律为P {X =x i ，Y =y j }=p ij ，则：ij j i i j p y x g Z E ),()(11∑∑=∞=∞=． 2．连续型：⎰⎰∞∞-∞∞-=y x y x f y x g Z E d d ),(),()(期望性质：设C 是常数，X 和Y 是随机变量，则：1．E (C )=C ．2．E (CX )=CE (X )．3．E (X +Y )=E (X )+E (Y )． 4．又若X 和Y 相互独立的，则E (XY )=E (X )E (Y )．方差： 记D (X )或Var(X )，D (X )=Var(X )=E {[X －E (X )]2}．标准差(均方差)： 记为σ(X )，σ(X )= ．通式：22)]([)()(X E X E X D -=． k k k p X E x X D 21)]([)(-∑=∞=，⎰∞∞--=x x f x E x X D d )()]([)(2．标准化变量：记σμ-=x X *，其中μ=)(X E ，2)(σ=X D ，*X 称为X 的标准化变量． 0)(*=X E ，1)(*=X D ．方差性质： 设C 是常数，X 和Y 是随机变量，则：1．D (C )=0． 2．D (CX )=C 2D (X )，D (X +C )=D (X )．3．D (X +Y )=D (X )+D (Y )+2E {(X －E (X ))(Y －E (Y ))}，若X ，Y 相互独立D (X +Y )=D (X )+D (Y )． 4．D (X )=0的充要条件是P {X =E (X )}=1．正态线性变换： 若),(~2ii iN X σμ，i C 是不全为0的常数，则),(~22112211i i ni i i ni n n C C N X C X C X C σμ∑∑+++== ．切比雪夫不等式：22}{εσεμ≤≥-X P 或221}{εσεμ-≥<-X P ，其中)(X E =μ，)(2X D =σ，ε为任意正数．协方差：记)]}()][({[),Cov(Y E Y X E X E Y X --=．X 与Y 的相关系数：)()(),Cov(Y D X D Y X XY =ρ．D (X +Y )=D (X )+D (Y )+2Cov(X ，Y )，Cov(X ，Y )=E (XY )－E (X )E (Y )．性质： 1．Cov(aX ，bY )=ab Cov(X ，Y )，a ，b 是常数．2．Cov(X 1+X 2，Y )=Cov(X 1，Y )+Cov(X 2，Y )． 系数性质：令e =E [(Y －(a +bX ))2]，则e 取最小值时有)()1(]))([(2200min Y D X b a Y E e XY ρ-=+-=，其中)()(00X E b Y E a -=，)(),Cov(0X D Y X b =．1．|ρXY |≤1．2．|ρXY |=1的充要条件是：存在常数a ，b 使P {Y =a +bX }=1．|ρXY |越大e 越小X 和Y 线性关系越明显，当|ρXY |=1时，Y =a +bX ；反之亦然，当ρXY =0时，X 和Y 不相关． X 和Y 相互对立，则X 和Y 不相关；但X 和Y 不相关，X 和Y 不一定相互独立． 定义： k 阶矩(k 阶原点矩)：E (X k )． n 维随机变量X i 的协方差矩阵：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=nn n n n n c c c c c c c c c 212222111211C ， =E {[X i －E (X i )][X j －E (X j )]}． k +l 阶混合矩：E (X k Y l)．k 阶中心矩：E {[X －E (X )] k }．k +l 阶混合中心矩： E {[X －E (X )]k [Y －E (Y )]l }．n 维正态分布：)}()(21ex p{det )2(1),,,(1T 221μX C μX C ---=-n n x x x f π ，T21T 21),,,(),,,(n n x x x μμμ ==μX ．性质：1．n 维正态随机变量(X 1，X 2，…，X n )的每一个分量X i (i =1，2，…，n )都是正态随机变量，反之，亦成立． 2．n 维随机变量(X 1，X 2，…，X n )服从n 维正态分布的充要条件是X 1，X 2，…，X n 的任意线性组合l 1X 1+l 2X 2+…+l n X n 服从一维正态分布(其中l 1，l 2，…，l n 不全为零)．3．若(X 1，X 2，…，X n )服从n 维正态分布，且Y 1，Y 2，…，Y k 是X j (j =1，2，…，n )的线性函数，则(Y 1，Y 2，…，Y k )也服从多维正态分布．4．若(X 1，X 2，…，X n )服从n 维正态分布，则“X i 相互独立”与“X i 两两不相关”等价．第五章 大数定律及中心极限定理弱大数定理：若X1，X2，…是相互独立并服从同一分布的随机变量序列，且E(X k)=μ，则对任意ε>0有11lim1=⎭⎬⎫⎩⎨⎧<-∑=∞→εμknknXnP或→μPX，knkXnX11=∑=．定义：Y1，Y2，…，Y n ，…是一个随机变量序列，a是一个常数．若对任意ε>0，有则称序列Y1，Y2，…，Yn，…依概率收敛于a．记伯努利大数定理：对任意ε>0有1lim=⎭⎬⎫⎩⎨⎧<-∞→εpnfP An或0lim=⎭⎬⎫⎩⎨⎧≥-∞→εpnfP An．其中f A是n次独立重复实验中事件A发生的次数，p是事件A在每次试验中发生的概率．中心极限定理定理一：设X1,X2,…,X n ,…相互独立并服从同一分布，且E(X k)=μ，D(X k)=σ2 >0，则n→∞时有σμnnXknk)(1-∑=N(0，1)或nXσμ-~N(0，1)或X~N(μ，n2σ)．定理二：设X1,X2,…,X n ,…相互独立且E(X k)=μ k，D(X k)=σ k2 >0，若存在δ>0使n→∞时，}|{|1212→-∑+=+δδμkknknXEB，则nknkknkBX)(11μ==∑-∑~N(0，1)，记212knknBσ=∑=．定理三：设),(~pnbnη，则n→∞时，Npnpnpn~)1()(--η(0，1)，knknX1=∑=η．第六章样本及抽样分布定义：总体：全部值；个体：一个值；容量：个体数；有限总体：容量有限；无限总体：容量无限．定义：样本：X1,X2,…,X n 相互独立并服从同一分布F的随机变量，称从F得到的容量为n的简单随机样本．频率直方图：图形：以横坐标小区间为宽，纵坐标为高的跨越横轴的几个小矩形．横坐标：数据区间（大区间下限比最小数据值稍小，上限比最大数据值稍大；小区间：均分大区间，组距Δ=大区间/小区间个数；小区间界限：精度比数据高一位）．图形特点：外轮廓接近于总体的概率密度曲线．纵坐标：频率/组距（总长度：<1/Δ；小区间长度：频率/组距）．定义：样本p分位数：记x p，有1．样本x i中有np个值≤x p．2．样本中有n(1－p)个值≥x p．箱线图：x p选择：记⎪⎩⎪⎨⎧∈+∉=++NnpxxNnpxxnpnpnpp当，当，][211)()()1]([．分位数x0.5，记为Q2或M，称为样本中位数．分位数x0.25，记为Q1，称为第一四分位数．分位数x0.75，记为Q3，称为第三四分位数．图形：图形特点：M为数据中心，区间[min，Q1]，[Q1，M]，[M，Q3]，[Q3，max]数据个数各占1/4，区间越短数据密集．四分位数间距：记IQR=Q3－Q1；若数据X<Q1－1.5IQR或X>Q3+1.5IQR，就认为X是疑似异常值．抽样分布：样本平均值：样本方差：样本标准差：样本k阶(原点)矩：kinikXnA11=∑=，k≥1 样本k阶中心矩：kinikXXnB)(11-∑==，k≥2经验分布函数：)(1)(xSnxFn=，∞<<∞-x．)(xS表示F的一个样本X1,X2,…,X n 中不大于x的随机变量的个数．自由度为n 的χ2分布：记χ2~χ2（n），222212nXXX+++=χ，其中X1,X2,…,X n是来自总体N(0，1)的样本．E(χ2 )=n，D(χ2 )=2n．χ12+χ22~χ2（n1+n2）．⎪⎩⎪⎨⎧>Γ=--其他，，)2(21)(2122yexnyfynn．χ2分布的分位点：对于0<α<1，满足αχχαχα==>⎰∞yyfnPn)(222d)()}({，则称)(2nαχ为)(2nχ的上α分位点．当n充分大时(n>40)，22)12(21)(-+≈nznααχ，其中αz是标准正态分布的上α分位点．自由度为n 的t分布：记t~t(n)，nYXt/=，其中X~N(0，1)，Y~χ2(n)，X，Y相互独立．h(t)图形关于t=0对称；当n充分大时，t分布近似于N(0，1)分布．t分布的分位点：对于0<α<1，满足ααα==>⎰∞t t hnttPnt)(d)()}({，则称)(ntα为)(nt的上α分位点．~ 近似的min Q1 M Q3 max由h (t )对称性可知t 1－α(n )=－t α(n )．当n >45时，t α(n )≈z α，z α是标准正态分布的上α分位点．自由度为(n 1，n 2)的F分布： 记F ~F (n 1，n 2)，21n V n U F=，其中U~χ2(n 1)，V~χ2(n 2)，X ，Y 相互独立．1/F ~F (n 2，n 1) F 分布的分位点：对于0<α<1，满足αψαα==>⎰∞y y n n F FP n n F ),(2121d )()},({，则称),(21n n F α为),(21n n F 的上α分位点．重要性质：F 1－α(n 1，n 2)=1/F α(n 1，n 2)．定理一： 设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，则有),(~2n N X σμ，其中X 是样本均值．定理二：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为 X ，2S ，则有1．)1(~)1(222--n S n χσ；2．X 与2S 相互独立．定理三：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为X ，2S ，则有)1(~--n t nS X μ．定理四：设X 1,X 2,…,X n 1 与Y 1,Y 2,…,Y n 2分别是来自N (μ1，σ12)和N (μ2，σ22)的样本，且相互独立．设这两个样本的样本均值和样本方差分别记为 X ，Y ，21S，22S，则有1．)1,1(~2122212221--n n F S S σσ．2．当σ12=σ22=σ2时，)2(~)()(21121121-++-----n n t n n S Y X w μμ，其中2)1()1(212222112-+-+-=n n S n S n S w，2w w S S =． 第七章 参数估计定义： 估计量：),,,(ˆ21n X X X θ，估计值：),,,(ˆ21nx x x θ，统称为估计． 矩估计法：令)(ll X E =μ=li n i l X n A 11=∑=(k l ,,2,1 =)(k 为未知数个数)联立方程组，求出估计θˆ． 设总体X 均值μ及方差σ2都存在，则有 X A ==1ˆμ，212212122)(11ˆX X n X X n A A i n i i n i -∑=-∑=-===σ． 最大似然估计法：似然函数：离散：);()(1θθi ni x p L =∏=或连续：);()(1θθi ni x f L =∏=，)(θL 化简可去掉与θ无关的因式项．θˆ即为)(θL 最大值，可由方程0)(d d=θθL 或0)(ln d d=θθL 求得． 当多个未知参数θ1，θ1，…，θk 时：可由方程组0d d =L i θ或0ln d d =L iθ（k i ,,2,1 =）求得． 最大似然估计的不变性：若u =u (θ)有单值反函数θ=θ(u )，则有)ˆ(ˆθu u=，其中θˆ为最大似然估计． 截尾样本取样： 定时截尾样本：抽样n 件产品，固定时间段t 0内记录产品个体失效时间(0≤t 1≤t 2≤…≤t m ≤t 0)和失效产品数量． 定数截尾样本：抽样n 件产品，固定失效产品数量数量m 记录产品个体失效时间(0≤t 1≤t 2≤…≤t m )．结尾样本最大似然估计： 定数截尾样本：设产品寿命服从指数分布X~e （θ），θ即产品平均寿命．产品t i 时失效概率P {t =t i }≈f (t i )d t i ，寿命超过t m 的概率θm t m et tF -=>}{，则)(}){()(1i mi mn m m nt P t t F CL =-∏>=θ，化简得)(1)(m t s m e L ---=θθθ，由0)(ln d d =θθL 得：mt s m )(ˆ=θ，其中s (t m )=t 1+t 2+…+t m +(n －m )t m ，称为实验总时间． 定时截尾样本：与定数结尾样本讨论类似有s (t 0)=t 1+t 2+…+t m +(n －m )t 0，)(01)(t s m e L ---=θθθ，mt s )(ˆ0=θ，． 无偏性： 估计量),,,(ˆ21nX X X θ的)ˆ(θE 存在且θθ=)ˆ(E ，则称θˆ是θ的无偏估计量． 有效性：),,,(ˆ211n X X X θ与),,,(ˆ212n X X X θ都是θ的无偏估计量，若)ˆ()ˆ(21θθD D ≤，则1ˆθ较2ˆθ有效．相合性： 设),,,(ˆ21nX X X θθ的估计量，若对于任意0>ε有1}|ˆ{|lim =<-∞→εθθP n ，则称θˆ是θ的相合估计量． 置信区间：αθθθ-≥<<1)},,,(),,,({2121n n X X X X X X P ，θ和θ分别为置信下限和置信上限，则),(θθ是θ的一个置信水平为α-1置信区间，α-1称为置信水平，10<<α．正态样本置信区间： 设X 1，X 2，…，X n 是来自总体X ~N (μ，σ2)的样本，则有μ的置信区间：枢轴量W W 分布 a ，b 不等式 置信水平 置信区间其中z α/2为上α分位点 θ置信区间的求解： 1．先求枢轴量：即函数W =W (X 1，X 2，…，X n ；θ)，且函数W 的分布不依赖未知参数．如上讨论标注2．对于给定置信水平α-1，定出两常数a ，b 使P {a <W <b }=α-1，从而得到置信区间．(0－1)分布p 的区间估计：样本容量n >50时，⇒--∞→)1,0(~)1()(lim N p np np X n n {}⇒-≈<--αα1)1()(2z p np np X n P0)2()(222222<++-+X n p z X n p z n αα⇒若令22αz n a +=，)2(22αz X n b +-=，2X n c =，则有置信区间(a ac b b 2)4(2---，a ac b b 2)4(2-+-）．单侧置信区间： 若αθθ-≥>1}{P 或αθθ-≥<1}{P ，称(θ，∞)或(∞-，θ)是θ的置信水平为α-1的单侧置信区间．正态总体均值、方差的置信区间与单侧置信限（置信水平为α-1）待估 其他 枢轴量W 的分布置信区间单侧置信限一个正态总体μσ2已知ασμz nX +=，ασμz nX -=μ σ2未知αμt n S X +=，αμt nSX -= σ2μ未知2122)1(αχσ--=S n ，222)1(αχσS n -=两个正态总体 μ1－μ2 σ12，σ22 已知μ1－μ2 σ12=σ22=σ2 未知σ12/σ22μ1，μ2 未知ασσ-=1222122211F S S ，ασσF S S 122212221=单个总体X ~N (μ，σ2)，两个总体X ~N (μ1，σ12)，Y ~N (μ2，σ22)．第八章 假设实验定义： H 0：原假设或零假设，为理想结果假设；H 1：备择假设，原假设被拒绝后可供选择的假设． 第Ⅰ类错误：H 0实际为真时，却拒绝H 0．第Ⅱ类错误：H 0实际为假时，却接受H 0．显着性检验：只对犯第第Ⅰ类错误的概率加以控制，而不考虑第Ⅱ类错误的概率的检验．P {当H 0为真拒绝H 0}≤α，α称为显着水平．拒绝域：取值拒绝H 0．临界点：拒绝域边界．双边假设检验：H 0：θ=θ0，H 1：θ≠θ0．右边检验：H 0：θ≤θ0，H 1：θ>θ0．左边检验：H 0：θ≥θ0，H 1：θ<θ0．正态总体均值、方差的检验法(显着性水平为α)原假设H 0备择假设H 1检验统计量拒绝域 1 σ2已知μ≤μ0μ>μ0z ≥z α μ≥μ0 μ<μ0 z ≤－z α μ=μ0μ≠μ0|z |≥z α/22 σ2未知μ≤μ0μ>μ0t≥tα(n－1) μ≥μ0μ<μ0t≤－tα(n－1) μ=μ0μ≠μ0|t|≥tα/2(n－1)3 σ1，σ2已知μ1－μ2≤δμ1－μ2>δz≥zαμ1－μ2≥δμ1－μ2<δz≤－zαμ1－μ2=δμ1－μ2≠δ|z|≥zα/24 σ12=σ22=σ2未知μ1－μ2≤δμ1－μ2>δt≥tα(n1+n2－2)μ1－μ2≥δμ1－μ2<δt≤－tα(n1+n2－2)μ1－μ2=δμ1－μ2≠δ|t|≥tα/2(n1+n2－2)5 μ未知σ2≤σ02σ2>σ02χ2≥χα2(n－1)σ2≥σ02σ2<σ02χ2≤χ21－α(n－1)σ2=σ02σ2≠σ02χ2≥χ2α/2(n－1)或χ2≤χ21－α/2(n－1)6 μ1，μ2未知σ12≤σ22σ12>σ22F≥Fα(n1－1，n2－1)σ12≥σ22σ12<σ22F≤F1－α(n1－1，n2－1)σ12=σ22σ12≠σ22F≥Fα/2(n1－1，n2－1)或F≤F1－α/2(n1－1，n2－1)7成对数据μD≤0 μD>0 t≥tα(n－1)μD≥0 μD<0 t≤－tα(n－1)μD=0 μD≠0 |t|≥tα－2(n－1)检验方法选择：主要是逐对比较法（成对数据）跟两个正态总体均值差的检验的区别，如上表即7跟3、4的区别，成对数据指两样本X和Y之间存在一一对应关系，而3和4一般指X和Y相互对立，但针对同一实体．关系：置信区间与假设检验之间的关系：未知参数的置信水平为1－α的置信区间与显着水平为α的接受域相同．定义：施行特征函数(OC函数)：β(θ)=Pθ(接受H0)．功效函数：1－β(θ)．功效：当θ*∈H1时，1－β(θ*)的值．。
考研数学《概率论与数理统计》知识点总结
第一章 概率论的基本概念定义： 随机试验E 的每个结果样本点组成样本空间S ，S 的子集为E 的随机事件，单个样本点为基本事件． 事件关系： 1．A ⊂B ，A 发生必导致B 发生．2．A B 和事件，A ，B 至少一个发生，A B 发生． 3．A B 记AB 积事件，A ，B 同时发生，AB 发生． 4．A －B 差事件，A 发生，B 不发生，A －B 发生．5．A B=Ø，A 和B 互不相容(互斥)，A 和B 不能同时发生，基本事件两两互不相容． 6．A B=S 且A B=Ø，A 和B 互为逆事件或对立事件，A 和B 中必有且仅有一个发生，记B=A S A -=． 事件运算： 交换律、结合律、分配率略．德摩根律：B A B A =，B A B A =．概率： 概率就是n 趋向无穷时的频率，记P(A)．概率性质:1．P (Ø)=0．2．(有限可加性)P (A 1 A 2 … A n )=P (A 1)+P (A 2)+…+P (A n )，A i 互不相容． 3．若A ⊂B ，则P (B －A)=P (B)－P (A)．4．对任意事件A ，有)A (1)A (P P -=．5．P (A B)=P (A)+P (B)－P (AB)．古典概型： 即等可能概型，满足：1．S 包含有限个元素．2．每个基本事件发生的可能性相同． 等概公式： 中样本点总数中样本点数S A )A (==n k P ． 超几何分布：⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫⎝⎛--⎪⎪⎭⎫ ⎝⎛=n N k n D N k D p ，其中ra C r a =⎪⎪⎭⎫ ⎝⎛． 条件概率： )A ()AB ()A B (P P P =． 乘法定理：)A ()A B ()AB C ()ABC ()A ()AB ()AB (P P P P P P P ==．全概率公式： )B ()B A ()B ()B A ()B ()B A ()A (2211n n P P P P P P P +++= ，其中i B 为S 的划分． 贝叶斯公式： )A ()B ()B A ()A B (P P P P i i i =，∑==nj j j B P B A P A P 1)()()(或)()()()()()()(B P B A P B P B A P B P B A P A B P +=．独立性： 满足P (AB)=P (A)P (B)，则A ，B 相互独立，简称A ，B 独立．定理一： A ，B 独立，则．P (B |A)=P (B)． 定理二： A ，B 独立，则A 和B ，A 和B ，A 和B 也相互独立．(0—1)分布： k k p p k X P --==1)1(}{，k =0，1 （0<p <1）．伯努利实验：实验只有两个可能的结果：A 及A ．二项式分布： 记X~b （n ，p ），kn k k n p p C k X P --==)1(}{． n 重伯努利实验：独立且每次试验概率保持不变．其中A 发生k 次，即二项式分布．泊松分布： 记X~π（λ），!}{k e k X P k λλ-==， ,2,1,0=k ．泊松定理： !)1(lim k e p p C k kn k knn λλ--∞→=-，其中λ=np ．当20≥n ，05.0≤p 使用泊松定理近似效果颇佳．随机变量分布函数： }{)(x X P x F ≤=，+∞<<∞-x ．)()(}{1221x F x F x X x P -=≤<．连续型随机变量： ⎰∞-=xt t f x F d )()(，X 为连续型随机变量，)(x f 为X 的概率密度函数，简称概率密度．概率密度性质：1．0)(≥x f ；2．1d )(=⎰+∞∞-x x f ；3．⎰=-=≤<21d )()()(}{1221x x x x f x F x F x X x P ；4．)()(x f x F ='，f (x )在x 点连续；5．P {X=a }=0．均匀分布： 记X~U(a ，b )；⎪⎩⎪⎨⎧<<-=其它，，01)(bx a ab x f ；⎪⎩⎪⎨⎧≥<≤--<=b x b x a a b a x a x x F ，，，10)(． 性质：对a ≤c <c +l ≤b ，有 a b l l c X c P -=+≤<}{ 指数分布：⎪⎩⎪⎨⎧>=-其它，，001)(x e x f x θθ；⎩⎨⎧>-=-其它，，001)(x e x F x θ． 无记忆性： }{}{t X P s X t s X P >=>+>． 正态分布： 记),(~2σμN X ；]2)(ex p[21)(22σμσπ--=x x f ；t t x F xd ]2)(ex p[21)(22⎰∞---=σμσπ．性质： 1．f (x )关于x =μ对称，且P {μ-h <X ≤μ}=P {μ<X ≤μ+h }；2．有最大值f (μ)=(σπ2)-1． 标准正态分布：]2exp[21)(2x x -=πϕ；⎰∞--=Φxt t x d ]2ex p[21)(2π．即μ=0，σ=1时的正态分布X ~N(0，1)性质：)(1)(x x Φ-=-Φ．正态分布的线性转化： 对),(~2σμN X 有)1,0(~N X Z σμ-=；且有)(}{}{)(σμσμσμ-Φ=-≤-=≤=x x X P x X P x F ．正态分布概率转化： )()(}{1221σμσμ-Φ--Φ=≤<x x x X x P ；1)(2)()(}{-Φ=-Φ-Φ=+<<-t t t t X t P σμσμ．3σ法则： P =Φ(1)－Φ(-1)=68.26%；P =Φ(2)－Φ(-2)=95.44%；P =Φ(3)－Φ(-3)=99.74%，P 多落在(μ-3σ，μ+3σ)内． 上ɑ分位点： 对X~N(0，1)，若z α满足条件P {X>z α}=α，0<α<1，则称点z α为标准正态分布的上α分位点． 常用 上ɑ分位点： 0.001 0.005 0.01 0.025 0.05 0.10 3.0902.5762.3261.9601.6451.282Y 服从自由度为1的χ2分布：设X 密度函数f X (x )，+∞<<∞-x ，若Y=X 2，则⎪⎩⎪⎨⎧≤>-+=000)]()([21)(y y y f y f y y f X XY ，，若设X ~N(0，1)，则有⎪⎩⎪⎨⎧≤>=--00021)(221y y e y y f y Y ，，π定理：设X 密度函数f X (x )，设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，且有⎩⎨⎧<<'=其他，，0)()]([)(βαy y h y h f y f X Y h (y )是g (x )的反函数；①若+∞<<∞-x ，则α=min{g (−∞)，g (+∞)}，β=max{g (−∞)，g (+∞)}；②若f X (x )在[a ，b ]外等于零，g (x )在[a ，b ]上单调，则α=min{g (a )，g (b )}，β=max{g (a )，g (b )}．使用： Y=aX +b ~N(a μ+b ，(|a |σ)2)．二维随机变量的分布函数： 分布函数(联合分布函数)：)}(){(),(y Y x X P y x F ≤≤= ，记作：},{y Y x X P ≤≤．),(),(),(),(},{112112222121y x F y x F y x F y x F y Y y x X x P +--=≤<≤<．F （x ，y ）性质： 1．F （x ，y ）是x 和y 的不减函数，即x 2>x 1时，F （x 2，y ）≥F （x 1，y ）；y 2>y 1时，F （x ，y 2）≥F （x ，y 1）．2．0≤F （x ，y ）≤1且F （−∞，y ）=0，F （x ，−∞）=0，F （−∞，−∞）=0，F （+∞，+∞）=1．3．F （x +0，y ）=F （x ，y ），F （x ，y +0）=F （x ，y ），即F （x ，y ）关于x 右连续，关于y 也右连续．4．对于任意的(x 1，y 1)，(x 2，y 2)，x 2>x 1，y 2>y 1，有P {x 1<X ≤x 2，y 1<Y ≤y 2}≥0．离散型（X ，Y ）：0≥ij p ，111=∑∑∞=∞=ij j i p ，ij yy x x p y x F i i ∑∑=≤≤),(．连续型（X ，Y ）：v u v u f y x F y xd d ),(),(⎰⎰∞-∞-=．f (x ，y )性质：1．f (x ，y )≥0．2．1),(d d ),(=∞∞=⎰⎰∞∞-∞∞-F y x y x f ．3．y x y x f G Y X P G⎰⎰=∈d d ),(}),{(．4．若f (x ，y )在点(x ，y )连续，则有),(),(2y x f yx y x F =∂∂∂． n 维： n 维随机变量及其分布函数是在二维基础上的拓展，性质和二维类似． 边缘分布： F x (x )，F y (y )依次称为二维随机变量（X ，Y ）关于X 和Y 的边缘分布函数，F X (x )=F (x ，∞)，F Y (y )=F (∞，y )．离散型： *i p 和j p *分别为（X ，Y ）关于X 和Y 的边缘分布律，记}{1i ij j i x X P p p ==∑=∞=*，}{1j ij i j y Y P p p ==∑=∞=*． 连续型：)(x f X ，)(y f Y 为（X ，Y ）关于X 和Y 的边缘密度函数，记⎰∞∞-=y y x f x f X d ),()(，⎰∞∞-=x y x f y f Y d ),()(． 二维正态分布：]})())((2)([)1(21exp{121),(2222212121212221σμσσμμρσμρρσπσ-+-------=y y x x y x f ． 记(X ，Y )~N (μ1，μ2，σ12，σ22，ρ)]2)(exp[21)(21211σμσπ--=x x f X ，∞<<∞-x ．]2)(exp[21)(22222σμσπ--=y y f Y ，∞<<∞-y ． 离散型条件分布律： jij j j i j i p p y Y P y Y x X P y Y x X P *=======}{},{}{． *=======i ij i j i i j p p x X P y Y x X P x X y Y P }{},{}{．连续型条件分布：条件概率密度：)(),()(y f y x f y x f Y Y X =|| 条件分布函数：x y f y x f y Y x X P y x F xY Y X d )(),(}{)(⎰∞-==≤=||| )(),()(x f y x f x y f X X Y =||y x f y x f x X y Y P x y F yX X Y d )(),(}{)(⎰∞-==≤=||| 含义：当0→ε时，)|(d )|(}|{||y x F x y x f y Y y x X P Y X xY X =≈+≤<≤⎰∞-ε．均匀分布： 若⎪⎩⎪⎨⎧∈=其他,0),(,1),(Gy x Ay x f ，则称(X ，Y)在G 上服从均匀分布． 独立定义：若P {X ≤x ，Y ≤y }=P {X ≤x }P {Y ≤y }，即F (x ，y )=F x (x )F y (y )，则称随机变量X 和Y 是相互独立的． 独立条件或可等价为：连续型：f (x ，y )=f x (x )f y (y )；离散型：P {X =x i ，Y =y j }=P {X =x i }P {Y =y j }．正态独立： 对于二维正态随机变量（X ，Y ），X 和Y 相互对立的充要条件是：参数ρ=0．n 维延伸： 上述概念可推广至n 维随机变量，要注意的是边缘函数或边缘密度也是多元(1~n -1元)的．定理：设（X 1，X 2，…，X m ）和（Y 1，Y 2，…，Y n ）相互独立，则X i 和Y j 相互独立．又若h ，g 是连续函数，则h （X 1，X 2，…，X m ）和g （Y 1，Y 2，…，Y n ）相互独立．Z=X+Y 分布： 若连续型(X ，Y )概率密度为f (x ，y )，则Z=X+Y 为连续型且其概率密度为⎰∞∞-+-=y y y z f z f Y X d ),()(或⎰∞∞-+-=x x z x f z f Y X d ),()(．f X 和f Y 的卷积公式：记⎰∞∞-+-==y y f y z f z f f f Y X Y X Y X d )()()(*⎰∞∞--=x x z f x f Y X d )()(，其中除继上述条件，且X 和Y相互独立，边缘密度分别为f X (x )和f Y (y )．正态卷积：若X 和Y 相互独立且X ~N (μ1，σ12)，记Y ~N (μ2，σ22)，则对Z=X+Y 有Z ~N (μ1+μ2，σ12+σ22)．1．上述结论可推广至n 个独立正态随机变量．2．有限个独立正态随机变量的线性组合仍服从正态分布． 伽马分布：记),(~θαΓX ，0>α，0>θ．⎪⎩⎪⎨⎧>Γ=--其他，，00)(1)(1x e x x f x θαααθ，其中⎰+∞--=Γ01d )(t e t t αα．若X 和Y 独立且X ~Γ(α，θ)，记Y ~Γ(β，θ)，则有X+Y~Γ(α+β，θ)．可推广到n 个独立Γ分布变量之和．XY Z =： ⎰∞∞-=x xz x f x z f X Y d ),()(，若X 和Y 相互独立，则有⎰∞∞-=x xz f x f x z f Y X X Y d )()()(．XYZ =分布： ⎰∞∞-=x xzx f x z f XY d ),(1)(，若X 和Y 相互独立，则有⎰∞∞-=x x z f x f x z f Y X XY d )()(1)(． 大小分布：若X 和Y 相互独立，且有M =max{X ，Y }及N =min{X ，Y }，则M 的分布函数：F max (z )=F X (z )F Y (z )，N 的分布函数：F min (z )=1－[1－F X (z )][1－F Y (z )]，以上结果可推广到n 个独立随机变量的情况．第四章 随机变量的数字特征数学期望： 简称期望或均值，记为E (X )；离散型：k k k p x X E ∑=∞=1)(．连续型：⎰∞∞-=x x xf X E d )()(．定理： 设Y 是随机变量X 的函数：Y =g (X )(g 是连续函数)．1．若X 是离散型，且分布律为P {X =x k }=p k ，则： k k k p x g Y E )()(1∑=∞=．2．若X 是连续型，概率密度为f (x )，则：⎰∞∞-=x x f x g Y E d )()()(．定理推广： 设Z 是随机变量X ，Y 的函数：Z =g (X ，Y )(g 是连续函数)．1．离散型：分布律为P {X =x i ，Y =y j }=p ij ，则：ij j i i j p y x g Z E ),()(11∑∑=∞=∞=． 2．连续型：⎰⎰∞∞-∞∞-=y x y x f y x g Z E d d ),(),()(期望性质：设C 是常数，X 和Y是随机变量，则：1．E (C )=C ．2．E (CX )=CE (X )．3．E (X +Y )=E (X )+E (Y )． 4．又若X 和Y 相互独立的，则E (XY )=E (X )E (Y )．方差：记D (X )或Var(X )，D (X )=V ar(X )=E {[X －E (X )]2}．标准差(均方差)： 记为σ(X )，σ(X )= ．通式：22)]([)()(X E X E X D -=． k k k p X E x X D 21)]([)(-∑=∞=，⎰∞∞--=x x f x E x X D d )()]([)(2．标准化变量： 记σμ-=x X *，其中μ=)(X E ，2)(σ=X D ，*X 称为X 的标准化变量． 0)(*=X E ，1)(*=X D ．方差性质： 设C 是常数，X 和Y 是随机变量，则： 1．D (C )=0． 2．D (CX )=C 2D (X )，D (X +C )=D (X )．3．D (X +Y )=D (X )+D (Y )+2E {(X －E (X ))(Y －E (Y ))}，若X ，Y 相互独立D (X +Y )=D (X )+D (Y )．4．D (X )=0的充要条件是P {X =E (X )}=1．正态线性变换： 若),(~2i i i N X σμ，i C 是不全为0的常数，则),(~22112211i i n i i i n i n n C C N X C X C X C σμ∑∑+++== ．切比雪夫不等式： 22}{εσεμ≤≥-X P 或221}{εσεμ-≥<-X P ，其中)(X E =μ，)(2X D =σ，ε为任意正数．协方差：记)]}()][({[),Cov(Y E Y X E X E Y X --=．X 和Y的相关系数：)()(),Cov(Y D X D Y X XY =ρ．D (X +Y )=D (X )+D (Y )+2Cov(X ，Y )，Cov(X ，Y )=E (XY )－E (X )E (Y )．性质： 1．Cov(aX ，bY )=ab Cov(X ，Y )，a ，b 是常数．2．Cov(X 1+X 2，Y )=Cov(X 1，Y )+Cov(X 2，Y )． 系数性质：令e =E [(Y －(a +bX ))2]，则e 取最小值时有)()1(]))([(2200min Y D X b a Y E e XY ρ-=+-=，其中)()(00X E b Y E a -=，)(),Cov(0X D Y X b =．1．|ρXY |≤1．2．|ρXY |=1的充要条件是：存在常数a ，b 使P {Y =a +bX }=1．|ρXY |越大e 越小X 和Y 线性关系越明显，当|ρXY |=1时，Y =a +bX ；反之亦然，当ρXY =0时，X 和Y 不相关． X 和Y 相互对立，则X 和Y 不相关；但X 和Y 不相关，X 和Y 不一定相互独立． 定义： k 阶矩(k 阶原点矩)：E (X k )． n 维随机变量X i的协方差矩阵：⎪⎪⎪⎪⎪⎭⎫⎝⎛=nn n n n n c c c c c c c c c212222111211C ，),Cov(j i ij X X c ==E {[X i －E (X i )][X j －E (X j )]}． k +l 阶混合矩：E (X k Y l)．k 阶中心矩：E {[X －E (X )] k }．k +l 阶混合中心矩：E {[X －E (X )]k [Y －E (Y )]l }．)(x Dn 维正态分布：)}()(21ex p{det)2(1),,,(1T221μXCμXC---=-nnxxxfπ，T21T21),,,(),,,(nnxxxμμμ==μX．性质：1．n维正态随机变量(X1，X2，…，X n)的每一个分量X i (i=1，2，…，n)都是正态随机变量，反之，亦成立．2．n维随机变量(X1，X2，…，X n)服从n维正态分布的充要条件是X1，X2，…，X n的任意线性组合l1X1+l2X2+…+l n X n服从一维正态分布(其中l1，l2，…，l n不全为零)．3．若(X1，X2，…，X n)服从n维正态分布，且Y1，Y2，…，Y k是X j (j=1，2，…，n)的线性函数，则(Y1，Y2，…，Y k)也服从多维正态分布．4．若(X1，X2，…，X n)服从n维正态分布，则“X i 相互独立”和“X i 两两不相关”等价．弱大数定理：若X1，X2，…是相互独立并服从同一分布的随机变量序列，且E(X k)=μ，则对任意ε>0有11lim1=⎭⎬⎫⎩⎨⎧<-∑=∞→εμknknXnP或→μPX，knkXnX11=∑=．定义：Y1，Y2，…，Y n ，…是一个随机变量序列，a是一个常数．若对任意ε>0，有1}|{|lim=<-∞→εaYPnn则称序列Y1，Y2，…，Yn，…依概率收敛于a．记aY Pn−→−伯努利大数定理：对任意ε>0有1lim=⎭⎬⎫⎩⎨⎧<-∞→εpnfP An或0lim=⎭⎬⎫⎩⎨⎧≥-∞→εpnfP An．其中f A是n次独立重复实验中事件A发生的次数，p是事件A在每次试验中发生的概率．中心极限定理定理一：设X1,X2,…,X n ,…相互独立并服从同一分布，且E(X k)=μ，D(X k)=σ2 >0，则n→∞时有σμnnXknk)(1-∑=N(0，1)或nXσμ-~N(0，1)或X~N(μ，n2σ)．定理二：设X1,X2,…,X n ,…相互独立且E(X k)=μk，D(X k)=σk2 >0，若存在δ>0使n→∞时，}|{|1212→-∑+=+δδμkknknXEB，则nknkknkBX)(11μ==∑-∑~N(0，1)，记212knknBσ=∑=．定理三：设),(~pnbnη，则n→∞时，Npnpnpn~)1()(--η(0，1)，knknX1=∑=η．第六章样本及抽样分布定义：总体：全部值；个体：一个值；容量：个体数；有限总体：容量有限；无限总体：容量无限．定义：样本：X1,X2,…,X n 相互独立并服从同一分布F的随机变量，称从F得到的容量为n的简单随机样本．频率直方图：图形：以横坐标小区间为宽，纵坐标为高的跨越横轴的几个小矩形．横坐标：数据区间（大区间下限比最小数据值稍小，上限比最大数据值稍大；小区间：均分大区间，组距Δ=大区间/小区间个数；小区间界限：精度比数据高一位）．图形特点：外轮廓接近于总体的概率密度曲线．纵坐标：频率/组距（总长度：<1/Δ；小区间长度：频率/组距）．定义：样本p分位数：记x p，有1．样本x i中有np个值≤x p．2．样本中有n(1－p)个值≥x p．箱线图：x p选择：记⎪⎩⎪⎨⎧∈+∉=++NnpxxNnpxxnpnpnpp当，当，][211)()()1]([．分位数x0.5，记为Q2或M，称为样本中位数．分位数x0.25，记为Q1，称为第一四分位数．分位数x0.75，记为Q3，称为第三四分位数．图形：图形特点：M为数据中心，区间[min，Q1]，[Q1，M]，[M，Q3]，[Q3，max]数据个数各占1/4，区间越短数据密集．四分位数间距：记IQR=Q3－Q1；若数据X<Q1－1.5IQR或X>Q3+1.5IQR，就认为X是疑似异常值．抽样分布：样本平均值：iniXnX11=∑=样本方差：)(11)(11221212XnXnXXnSiniini-∑-=-∑-===样本标准差：2SS=样本k阶(原点)矩：kinikXnA11=∑=，k≥1 样本k阶中心矩：kinikXXnB)(11-∑==，k≥2~ 近似的min Q1 M Q3 max经验分布函数： )(1)(x S nx F n =，∞<<∞-x ． )(x S 表示F 的一个样本X 1,X 2,…,X n 中不大于x 的随机变量的个数．自由度为n 的χ2分布：记χ2~χ2（n ），222212n X X X +++= χ，其中X 1,X 2,…,X n 是来自总体N (0，1)的样本．E (χ2 )=n ，D (χ2 )=2n ．χ12+χ22~χ2（n 1+n 2）．⎪⎩⎪⎨⎧>Γ=--其他，，00)2(21)(2122y e x n y f y n n ．χ2分布的分位点：对于0<α<1，满足αχχαχα==>⎰∞y y f n P n )(222d )()}({，则称)(2n αχ为)(2n χ的上α分位点． 当n 充分大时(n >40)，22)12(21)(-+≈n z n ααχ，其中αz 是标准正态分布的上α分位点． 自由度为n 的t 分布： 记t ~t (n )，nY Xt /=， 其中X~N (0，1)，Y~χ2(n )，X ，Y 相互独立．2)1(2)1(]2[]2)1([)(+-+Γ+Γ=n n t n n n t h π h (t )图形关于t =0对称；当n 充分大时，t 分布近似于N (0，1)分布．t 分布的分位点：对于0<α<1，满足ααα==>⎰∞t t h n t t P n t )(d )()}({，则称)(n t α为)(n t 的上α分位点．由h (t )对称性可知t 1－α(n )=－t α(n )．当n >45时，t α(n )≈z α，z α是标准正态分布的上α分位点．自由度为(n 1，n 2)的F 分布：记F ~F (n 1，n 2)，21n V n U F =，其中U~χ2(n 1)，V~χ2(n 2)，X ，Y 相互独立．1/F ~F (n 2，n 1)⎪⎩⎪⎨⎧>+ΓΓ+Γ=+-其他，，00]1)[2()2()](2)([)(2)(21211)2(221212111x n y n n n y n n n n y n n n n ψF 分布的分位点：对于0<α<1，满足αψαα==>⎰∞y y n n F F P n n F ),(2121d )()},({，则称),(21n n F α为),(21n n F 的上α分位点．重要性质：F 1－α(n 1，n 2)=1/F α(n 1，n 2)．定理一： 设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，则有),(~2n N X σμ，其中X 是样本均值．定理二：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为 X ，2S ，则有1．)1(~)1(222--n S n χσ；2．X 和2S 相互独立．定理三：设X 1,X 2,…,X n 是来自N (μ，σ2)的样本，样本均值和样本方差分别记为X ，2S ，则有)1(~--n t nS X μ．定理四：设X 1,X 2,…,X n 1 和Y 1,Y 2,…,Y n 2分别是来自N (μ1，σ12)和N (μ2，σ22)的样本，且相互独立．设这两个样本的样本均值和样本方差分别记为 X ，Y ，21S ，22S ，则有1．)1,1(~2122212221--n n F S S σσ．2．当σ12=σ22=σ2时，)2(~)()(21121121-++-----n n t n n S Y X w μμ，其中2)1()1(212222112-+-+-=n n S n S n S w，2w w S S =． 第七章 参数估计定义： 估计量：),,,(ˆ21n X X X θ，估计值：),,,(ˆ21nx x x θ，统称为估计． 矩估计法：令)(ll X E =μ=li n i l X n A 11=∑=(k l ,,2,1 =)(k 为未知数个数)联立方程组，求出估计θˆ． 设总体X 均值μ及方差σ2都存在，则有 X A ==1ˆμ，212212122)(11ˆX X nX X n A A in i i n i -∑=-∑=-===σ． 最大似然估计法：似然函数：离散：);()(1θθi n i x p L =∏=或连续：);()(1θθi ni x f L =∏=，)(θL 化简可去掉和θ无关的因式项．θˆ即为)(θL 最大值，可由方程当多个未知参数θ1，θ1，…，θk 时：可由方程组0)(d d =θθL 或0)(ln d d =θθL 求得． 0d d =L iθ或0ln d d=L i θ（k i ,,2,1 =）求得． 最大似然估计的不变性：若u =u (θ)有单值反函数θ=θ(u )，则有)ˆ(ˆθu u=，其中θˆ为最大似然估计． 截尾样本取样： 定时截尾样本：抽样n 件产品，固定时间段t 0内记录产品个体失效时间(0≤t 1≤t 2≤…≤t m ≤t 0)和失效产品数量． 定数截尾样本：抽样n 件产品，固定失效产品数量数量m 记录产品个体失效时间(0≤t 1≤t 2≤…≤t m )．结尾样本最大似然估计： 定数截尾样本：设产品寿命服从指数分布X~e （θ），θ即产品平均寿命．产品t i 时失效概率P {t =t i }≈f (t i )d t i ，寿命超过t m 的概率θm t m et t F -=>}{，则)(}){()(1i mi mn m mnt P t t F C L =-∏>=θ，化简得)(1)(m t s m e L ---=θθθ，由0)(ln d d =θθL 得：mt s m )(ˆ=θ，其中s (t m )=t 1+t 2+…+t m +(n －m )t m ，称为实验总时间． 定时截尾样本：和定数结尾样本讨论类似有s (t 0)=t 1+t 2+…+t m +(n －m )t 0，)(01)(t s m e L ---=θθθ，mt s )(ˆ0=θ，． 无偏性： 估计量),,,(ˆ21nX X X θ的)ˆ(θE 存在且θθ=)ˆ(E ，则称θˆ是θ的无偏估计量． 有效性：),,,(ˆ211n X X X θ和),,,(ˆ212n X X X θ都是θ的无偏估计量，若)ˆ()ˆ(21θθD D ≤，则1ˆθ较2ˆθ有效． 相合性： 设),,,(ˆ21nX X X θθ的估计量，若对于任意0>ε有1}|ˆ{|lim =<-∞→εθθP n ，则称θˆ是θ的相合估计量． 置信区间：αθθθ-≥<<1)},,,(),,,({2121n n X X X X X X P ，θ和θ分别为置信下限和置信上限，则),(θθ是θ的一个置信水平为α-1置信区间，α-1称为置信水平，10<<α．正态样本置信区间： 设X 1，X 2，…，X n 是来自总体X ~N (μ，σ2)的样本，则有μ的置信区间：枢轴量W W 分布 a ，b 不等式 置信水平 置信区间)1,0(~N n X σμ-⇒ασμα-=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧<-12z n X P ⇒)(2ασz n X ± 其中z α/2为上α分位点θ置信区间的求解： 1．先求枢轴量：即函数W =W (X 1，X 2，…，X n ；θ)，且函数W 的分布不依赖未知参数． 如上讨论标注2．对于给定置信水平α-1，定出两常数a ，b 使P {a <W <b }=α-1，从而得到置信区间． (0－1)分布p 的区间估计：样本容量n >50时，⇒--∞→)1,0(~)1()(lim N p np np X n n {}⇒-≈<--αα1)1()(2z p np np X n P0)2()(222222<++-+X n p z X n p z n αα⇒若令22αz n a +=，)2(22αz X n b +-=，2X n c =，则有置信区间(a ac b b 2)4(2---，a ac b b 2)4(2-+-）．单侧置信区间：若αθθ-≥>1}{P 或αθθ-≥<1}{P ，称(θ，∞)或(∞-，θ)是θ的置信水平为α-1的单侧置信区间．待估 其他 枢轴量W 的分布置信区间单侧置信限一个正态总体μσ2已知)1,0(~N nX Z σμ-=)(2ασz nX ±ασμz nX +=，ασμz nX -=μσ2未知 )1(~--=n t nS X t μ⎪⎭⎫ ⎝⎛±2αt n S X αμt n S X +=，αμt nSX -=σ2μ未知)1(~)1(2222--=n S n χσχ⎪⎪⎭⎫ ⎝⎛---2212222)1(,)1(ααχχS n S n 2122)1(αχσ--=S n ，222)1(αχσS n -=两个正态总体μ1－μ2σ12，σ22已知)1,0(~)(22212121N n n Y X Z σσμμ+---=⎪⎪⎭⎫ ⎝⎛+±-2221212n n z Y X σσα2221212122212121n n z Y X n n z Y X σσμμσσμμαα+--=-++-=-μ1－μ2 σ12=σ22=σ2 未知)2(~)()(21121121-++---=--n n t n n S Y X t w μμ2)1()1(212222112-+-+-=n n Sn S n S w()12112--+±-nn S tY X wα2w w S S =121121121121----+--=-++-=-n n S t Y X n n S t Y X w w ααμμμμσ12/σ22μ1，μ2未知)1,1(~2122212221--=n n F S S F σσ⎪⎪⎭⎫ ⎝⎛-212221222211,1ααF S S F S S ασσ-=1222122211F S S ，ασσF S S 122212221=1122第八章 假设实验定义： H 0：原假设或零假设，为理想结果假设；H 1：备择假设，原假设被拒绝后可供选择的假设． 第Ⅰ类错误：H 0实际为真时，却拒绝H 0．第Ⅱ类错误：H 0实际为假时，却接受H 0．显著性检验：只对犯第第Ⅰ类错误的概率加以控制，而不考虑第Ⅱ类错误的概率的检验．P {当H 0为真拒绝H 0}≤α，α称为显著水平．拒绝域：取值拒绝H 0．临界点：拒绝域边界．双边假设检验：H 0：θ=θ0，H 1：θ≠θ0．右边检验：H 0：θ≤θ0，H 1：θ>θ0．左边检验：H 0：θ≥θ0，H 1：θ<θ0．正态总体均值、方差的检验法(显著性水平为α)原假设H 0备择假设H 1检验统计量 拒绝域 1 σ2已知μ≤μ0μ>μ0 n X Z σμ0-=z ≥z α μ≥μ0 μ<μ0 z ≤－z α μ=μ0 μ≠μ0 |z |≥z α/2 2 σ2未知μ≤μ0μ>μ0 nS X t 0μ-=t ≥t α(n －1) μ≥μ0 μ<μ0 t ≤－t α(n －1) μ=μ0 μ≠μ0 |t |≥t α/2(n －1)3σ1，σ2已知μ1－μ2≤δμ1－μ2>δ 222121n n Y X Z σσδ+--=z ≥z αμ1－μ2≥δ μ1－μ2<δ z ≤－z α μ1－μ2=δ μ1－μ2≠δ |z |≥z α/24 σ12=σ22 =σ2未知μ1－μ2≤δμ1－μ2>δ 1211--+--=n n S Y X t w δ2)1()1(212222112-+-+-=n n S n S n S wt ≥t α(n 1+n 2－2) μ1－μ2≥δ μ1－μ2<δ t ≤－t α(n 1+n 2－2) μ1－μ2=δ μ1－μ2≠δ |t |≥t α/2(n 1+n 2－2) 5 μ未知σ2≤σ02σ2>σ02 2022)1(σχSn -=χ2≥χα2(n －1)σ2≥σ02 σ2<σ02 χ2≤χ21－α(n －1)σ2=σ02σ2≠σ02χ2≥χ2α/2(n －1)或χ2≤χ21－α/2(n －1)6 μ1，μ2未知σ12≤σ22σ12>σ222221SSF=F≥Fα(n1－1，n2－1) σ12≥σ22σ12<σ22F≤F1－α(n1－1，n2－1)σ12=σ22σ12≠σ22F≥Fα/2(n1－1，n2－1)或F≤F1－α/2(n1－1，n2－1)7 成对数据μD≤0 μD>0nSDtD-=t≥tα(n－1) μD≥0 μD<0 t≤－tα(n－1)μD=0 μD≠0 |t|≥tα－2(n－1)检验方法选择：主要是逐对比较法（成对数据）跟两个正态总体均值差的检验的区别，如上表即7跟3、4的区别，成对数据指两样本X和Y之间存在一一对应关系，而3和4一般指X和Y相互对立，但针对同一实体．关系：置信区间和假设检验之间的关系：未知参数的置信水平为1－α的置信区间和显著水平为α的接受域相同．定义：施行特征函数(OC函数)：β(θ)=Pθ(接受H0)．功效函数：1－β(θ)．功效：当θ*∈H1时，1－β(θ*)的值．。
考研数学三概率论与数理统计知识点
2017考研数学三之概率论与数理统计知识点
来源：文都图书
在数学三的三门科目中，概率论与数理统计不仅是考研数学中的难点，而且考生得分率普遍较低。
与微积分和线性代数不同的是，概率论与数理统计并不强调解题方法，也很少涉及解题技巧，而非常强调对基本概念、定理、公式的深入理解。
其主要知识点有以下几点：
1.随机事件和概率：包括样本空间与随机事件;概率的定义与性质(含古典概型、几何概型、加法公式);条件概率与概率的乘法公式;事件之间的关系与运算(含事件的独立性);全概公式与贝叶斯公式;伯努利概型。
2.随机变量及其概率分布：包括随机变量的概念及分类;离散型随机变量概率分布及其性质;连续型随机变量概率密度及其性质;随机变量分布函数及其性质;常见分布;随机变量函数的分布。
3.二维随机变量及其概率分布：包括多维随机变量的概念及分类;二维离散型随机变量联合概率分布及其性质;二维连续型随机变量联合概率密度及其性质;二维随机变量联合分布函数及其性质;二维随机变量的边缘分布和条件分布;随机变量的独立性;两个随机变量的简单函数的分布。
4.随机变量的数字特征：随机变量的数字期望的概念与性质;随机变量的方差的概念与性质;常见分布的数字期望与方差;随机变量矩、协方差和相关系数。
了解了主要知识点后，我们再通过汤家凤老师的2017《考研数学接力题典1800》（数学三）来适量做题，巩固我们对知识点的认识和掌握。
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一个重要分支，它涉及到随机现
象的概率规律和统计规律的研究。
在学习概率论与数理统计时，我
们需要掌握一些重点概念和方法，下面我会从概率论和数理统计两
个方面分别介绍一些重点内容。
首先是概率论部分。
概率论是研究随机现象的规律性和统计规
律的数学理论。
重点内容包括事件与概率、随机变量及其分布、大
数定律和中心极限定理等。
事件与概率是概率论的基础，它涉及到
样本空间、事件的概念、事件的运算规则等内容。
随机变量及其分
布是概率论的核心内容，包括离散型随机变量、连续型随机变量及
它们的分布、数学期望和方差等。
大数定律和中心极限定理是概率
论的重要成果，它们揭示了大量独立随机变量和的平均值的规律性，是概率论在实际问题中的重要应用。
其次是数理统计部分。
数理统计是利用数学方法研究统计规律
的学科。
重点内容包括抽样分布、参数估计、假设检验等。
抽样分
布是数理统计的基础，它涉及到样本分布、样本均值的分布、样本
方差的分布等内容。
参数估计是数理统计的核心内容，包括点估计
和区间估计，涉及到最大似然估计、贝叶斯估计等方法。
假设检验
是数理统计的重要应用，它包括了假设检验的基本原理、参数检验和非参数检验等内容。
总的来说，概率论与数理统计是数学中的重要分支，它们的重点内容涉及到概率论和数理统计的基本概念、方法和应用。
在学习过程中，我们需要深入理解这些内容，并能够灵活运用到实际问题中去。
希望这些内容能够帮助你更好地理解概率论与数理统计。
概率论与数理统计考点归纳
以下是概率论与数理统计的一些常见考点归纳：
概率论：
1. 概率的基本概念：样本空间、事件、随机变量等。
2. 概率运算：并、交、差、补等运算规则。
3. 条件概率与独立性：条件概率的定义与计算、独立事件的判定与计算。
4. 随机变量：离散和连续随机变量的概念、概率质量函数（PMF）和概率密度函数（PDF）、期望、方差等。
5. 常见离散分布：伯努利分布、二项分布、泊松分布等。
6. 常见连续分布：均匀分布、正态分布、指数分布等。
7. 两个随机变量的关系：协方差、相关系数等。
数理统计：
1. 抽样与抽样分布：简单随机抽样、抽样分布、中心极限定理等。
2. 参数估计：点估计和区间估计、最大似然估计、置信区间等。
3. 假设检验：假设检验的基本步骤、显著性水平、p值等。
4. 单样本参数检验：均值检验、比例检验等。
5. 两样本参数检验：两样本均值检验、两样本比例检验等。
6. 方差分析：单因素方差分析、多因素方差分析等。
7. 相关与回归分析：相关系数、简单线性回归模型等。
这只是概率论与数理统计的一些常见考点归纳，实际考试中可能还会涉及更多细分知识点。
在复习过程中，建议根据自己的学习进度和重点，深入学习和掌握这些知识点，并进行大量的练习题来加深理解和提高解题能力。
概率论与数理统计各章重点知识整理
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()()()()+∑+∑-∑=≤<<≤≤<≤=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),(=⎰⎰∞∞-∞∞-d x d y 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),}{},{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) .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⎪⎩⎪⎨⎧===),,,(),,,(),,,(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 =∂∂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.。
概率统计数学三考研大纲
概率论与数理统计一、随机事件和概率考试内容随机事件和样本空间（基本事件空间）事件的关系与运算完全事件组概率的概念概率的基本性质古典型概率几何型概率条件概率概率的基本公式时间的独立性独立重复试验考试要求1.了解样本空间的概念，理解随即事件的概念，掌握事件间的关系及运算.2.理解概率、条件概率的概念，掌握概率的基本性质，会计算古典概型和几何概型。
掌握计算概率的加法公式、乘法公式、全概率公式以及贝叶斯公式等基本公式。
3.理解事件独立性的概念，掌握用事件独立性进行概率计算；理解独立重复试验的概念二、随机变量及其概率分布考试内容随机变量及其概率分布随机变量的分布函数的概念及其性质离散型随机变量的概率分布连续型随机变量的概率密度常见随机变量的概率分布随机变量函数的概率分布考试要求1.理解随机变量及其概率分布的概念；理解分布函数的概念及性质；会计算与随机变量相关联的事件的概率2.理解离散型随机变量及其概率分布的概念，掌握0—1分布、二项分布、超几何分布、泊松分布及其应用.3.掌握泊松定理的结论和应用条件，会用泊松分布近似表示二项分布.4.理解连续型随机变量及其概率密度的概念，掌握均匀分布、正态分布、指数分布及其应用.5.会根据自变量的概率分布求简单函数的概率分布三、随机变量的联合概率分布考试内容随机变量联合分布函数离散型随机变量的联合概率分布、边缘分布和条件分布连续型随机变量的联合概率密度、边缘密度和条件密度随机变量的独立性和相关性常见二维随机变量的联合分布两个及两个以上随机变量的函数的概率分布考试要求1.理解随机变量的联合分布函数的概念和基本性质.2.理解随机变量的联合分布的概念、性质及其两种基本表达形式：离散型联合概率分布和连续型联合概率密度.掌握两个随机变量的联合分布的边缘分布和条件分布.3.理解随机变量的独立性和相关性的概念，掌握随机变量独立条件；理解随机变量的不相关性与独立性的关系.4.掌握二维均匀分布和二维正态分布，理解其中参数的概率意义.5.会根据两个随机变量的联合概率分布求其函数的函数的概率分布；会根据多个随机变量的概率分布求其函数的概率分布.四、随机变量的数字特征考试内容随机变量的数学期望（均值）、方差、标准差及其性质随机变量函数的数学期望切比雪夫不等式矩、协方差、相关系数及其性质考试要求1.理解随机变量数字特征（数学期望、方差、标准差、矩、协方差、相关系数）的概念，并会利用数字特征的基本性质计算具体分布的数字特征，掌握常见分布的数字特征.2.会根据随机变量的概率分布求其函数的数学期望；会根据两个随机变量联合概率分布求其函数的数学期望.3.掌握切比雪夫不等式五、大数定律和中心极限定理考试内容切比雪夫大数定律伯努利大数定律辛钦大数定律德莫弗—拉普拉斯定理独立同分布中心极限定理考试要求1.了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律成立的条件及结论.2.掌握德莫弗—拉普拉斯中心极限定理、独立同分布中心极限定理的结论和应用条件，并会用相关定理近似计算有关事件的概率.六、数理统计的基本概念考试内容总体个体简单随机样本统计量经验分布函数样本均值样本方差和样本矩2χ分布t 分布F分布分位数正态总体常用抽样分布考试要求1.理解总体、简单随机样本、统计量、样本均值样本方差和样本矩的概念.2.了解产生2χ变量、t变量、F变量的典型模式；理解标准正态分布、2χ分布、t分布、F分布的分位数，会查相应的分位数、会查相应的数值表.3.掌握正态总体的抽样分布.七、参数估计考试内容点估计的概念估计量和估计值矩估计法最大撕然估计法估计量的评选标准区间估计的概念单个正态总体均值的区间估计单个正态总体方差和标准差的区间估计两个正态总体的均值差和方差比的区间估计考试要求1.理解参数的点估计、估计量和估计值的概念；了解估计量的无偏性、有效性（最小方差性）和相合性（一致性）的概念，并会验证估计量的无偏性；2、掌握矩估计法（一阶、二阶矩）和最大似然估计法.3.掌握建立未知参数的（双侧和单侧）置信区间的一般方法；掌握正态总体均值、方差、矩以及与其相关的数字特征的置信区间的求法.4.掌握两个正态总体的均值差和方差比以及相关数字特征的置信区间的求法.八、假设检验考试内容显著性检验的基本思想和步骤假设检验的两类错误单个及两个正态总体的均值和方差的假设检验考试要求1.理解“假设”的概念和基本类型；理解显著性检验的基本思想，掌握假设检验的基本步骤；会构造简单假设的显著性检验.2.理解假设检验可能产生的两类错误，对于较简单的情形，会计算两类错误的概率.3.了解单个和两个状态总体参数的假设检验.。
考研数学概率与数理统计考试内容总结3篇
考研数学概率与数理统计考试内容总结3篇考研数学概率与数理统计考试内容总结3篇在进行考研的时候，数学的概率与数理统计考试内容一直是考生们十分关注的问题，下面就让小编给大家带来考研数学概率与数理统计考试内容，希望大家喜欢！下面就和小编一起来看看吧。
考研数学概率与数理统计考试内容篇1概率论与数理统计是考研数学一和数学三的必考内容，数学二的考生不考。
这部分的内容相对于高等数学而言算是较简单的部分，与线性代数一样都是考生必须要抓住的地方。
接下来跨考教育数学教研室吴方方老师就为考生归纳总结概率论与数理统计的考点，希望对考生复习有所帮助。
概率统计的考点每年都差不多，没什么大的变化。
从历年的考研真题来看，概率统计这部分的内容考查单一知识点比较少，即使是填空题和选择题都是这样。
大部分的考题都是考查考生的理解能力和综合应用能力，因此要求我们考生要能够灵活地应用所学的知识建立正确的概率模型。
要能够熟练的应用高等数学里的知识来解决我们概率统计上的问题，比如定积分和二重积分是我们同学们要必须掌握的住的知识，其在概率统计中一维和二维随机变量求概率都能用的上。
概率统计第一章的古典概型和几何概型是大部分考生所头疼的，其中古典概型更是让很多同学摸不着头脑，其实古典概型考试大都是以小题形式出现的，它并不是考试的重点，但确实是考试的难点。
而几何概型就是一个事件发生的概率等于这个事件的度量与整个样本空间度量的比，这个度量可以是长度、面积、体积。
相对于古典概型，几何概型是重要的。
接下来，就是随机变量的内容了。
我们主要考的是离散和连续两种随机变量，一维随机变量和二维随机变量主要考点包括：分布函数，概率密度，分布律，联合分布函数，联合概率密度，联合分布律，边缘分布函数，边缘概率密度，边缘分布律，条件分布律，条件概率密度，以及一维和二维随机变量的函数的分布。
其中随机变量函数的分布是考试的重点，一般是与第四章数字特征(期望、方差、协方差以及相关系数)结合来考大题。
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。
考研数学概率论与数理统计笔记知识点(全)
三 二二维连续型随机变量量（积分积出来的就是连续的）
1.定义：概率密度积分（二二重积分）
2.联合概率密度
1）性质：1.非非负性；2.规范性
2）应用用：求P，就是求二二重积分
在f（x，y）的连续点上，分布求二二阶倒数就是概率密度
步骤：1）画图（为了了解不不等式）
2）讨论
3）代入入（注意端点）
第三章 多维随机变量量及其分布
知识点：一一 二二维随机变量量及其分布函数 二二 二二维离散型随机变量量 三 二二维连续型随机变量量 四 二二维随 机变量量函数的分布
一一 二二维随机变量量及其分布函数
1.二二维随机变量量就是一一个（X，Y）向量量
要注意是一一维的（是用用一一个变量量表示）
4.离散+连续（一一定是使用用全概率公式的）
定义：X为离散型，Y为连续型，且相互独立立
六 全概率公式与⻉贝叶斯公式（关键在于完备事件组）
1.完备事件组：互斥是对立立的前提条件
2.全概率公式：由因到果（推导，画图）（全部路路径）
3.⻉贝叶斯公式：由果到因（推导，画图）（所占的比比例例）
Note：关键是1.完备事件组必须完备；2.要画图3注意抽签原理理
题型一一：概率的基本计算
1.事件决定概率，但是概率推不不出事件
3.边缘概率密度
1）具体就是边缘分布函数求导（详⻅见笔记）
Note：注意边缘的公式，在求时，注意取值范围，以及上下限（一一根直线传过去）（类似于 二二重积分的先积部分——后积先定限，限内画条线）
2）G是从几几何看出来的，不不要死记公式，要结合图像（G为非非零区域）
Note：1.在写公式之前要先保证分⺟母不不为0，即要先确定范围
考研数学《概率论与数理统计》知识点总结
第一章概率论的基本概念第五章ﻩ大数定律及中心极限定理伯努利大数定理：对任意ε>0有1lim=⎭⎬⎫⎩⎨⎧<-∞→εpnfP An或lim=⎭⎬⎫⎩⎨⎧≥-∞→εpnfP An.其中f A是n次独立重复实验中事件Ａ发生的次数,p是事件A在每次试验中发生的概率.中心极限定理定理一:设X1,X2,…,Xｎ，…相互独立并服从同一分布,且E(Ｘ k）=μ，D(Xｋ)=σ2 ＞0,则n→∞时有σμnnXknk)(1-∑=N(0，１)或nXσμ-~N(０，1)或X~N（μ，n2σ).定理二：设Ｘ1，X2，…,X n ,…相互独立且E(X k)＝μｋ,D(Ｘk）=σ k2 >0,若存在δ＞0使n→∞时，}|{|1212→-∑+=+δδμkknknXEB,则nknkknkBX)(11μ==∑-∑～Ｎ(0，1)，记212knknBσ=∑=．定理三:设),(~pnbnη,则n→∞时，Npnpnpn~)1()(--η(0,1),knknX1=∑=η.定义:总体:全部值；个体:一个值；容量:个体数；有限总体：容量有限;无限总体:容量无限.定义:样本:X1,X2,…,X n 相互独立并服从同一分布F的随机变量，称从F得到的容量为n的简单随机样本．频率直方图：图形:以横坐标小区间为宽,纵坐标为高的跨越横轴的几个小矩形．横坐标:数据区间（大区间下限比最小数据值稍小,上限比最大数据值稍大；小区间:均分大区间,组距Δ=大区间/小区间个数;小区间界限：精度比数据高一位).图形特点:外轮廓接近于总体的概率密度曲线．纵坐标：频率／组距（总长度:<1/Δ；小区间长度：频率/组距）.定义:样本ｐ分位数:记x p，有1.样本x i中有nｐ个值≤xｐ.2．样本中有ｎ(1－p)个值≥x p.箱线图:x p选择:记⎪⎩⎪⎨⎧∈+∉=++NnpxxNnpxxnpnpnpp当，当，][211)()()1]([.分位数x0.5,记为Ｑ２或M，称为样本中位数．分位数x０.25,记为Ｑ1,称为第一四分位数．分位数x0.７5，记为Q３，称为第三四分位数.图形：图形特点:M为数据中心,区间[ｍin,Q1]，[Q1,M],［M，Q3]，[Ｑ3，mａｘ］数据个数各占1/4，区间越短数据密集．四分位数间距：记IQＲ=Q3-Q1；若数据X<Q1－1.5IＱR或X>Ｑ3+1．５IQR,就认为X是疑似异常值.抽样分布：样本平均值：iniXnX11=∑=样本方差:)(11)(11221212XnXnXXnSiniini-∑-=-∑-===样本标准差：2SS=样本k阶(原点)矩:kinikXnA11=∑=，k≥１样本k阶中心矩:kinikXXnB)(11-∑==,k≥2经验分布函数：)(1)(xSnxFn=，∞<<∞-x.)(xS表示F的一个样本X1,Ｘ2,…,X n 中不大于ｘ的随机变量的个数.自由度为n的χ２分布：记χ２~χ２（n），222212nXXX+++=χ，其中X1,Ｘ2,…,Ｘｎ是来自总体N(0,１）的样本．E（χ2 )=ｎ,D(χ2 ）=2n．χ12＋χ２2~χ2(n1+n2)．⎪⎩⎪⎨⎧>Γ=--其他，，)2(21)(2122yexnyfynn.~近似的min Q1 M Q3 max第七章ﻩ参数估计正态总体均值、方差的置信区间与单侧置信限（置信水平为）1１22。
(完整版)概率论与数理统计知识点总结
第1章随机事件及其概率在第二步某事件发生条件下第一步某事件的概率，就用贝叶斯公式我们作了 n 次试验，且满足每次试验只有两种可能结果， A 发生或A 不发生；n次试验是重复进行的，即 A 发生的概率每次均一样；每次试验是独立的，即每次试验 A 发生与否与其他次试验 A 发 生与否是互不影响的。
这种试验称为伯努利概型，或称为 n 重伯努利试验。
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Pn (k ) 表示n 重伯努利试验中A 出现k (0 k n)次的概率，P n (k) C ：P k q nkk 0,1,2, ,n5第二章随机变量及其分布(1)设离散型随机变量X 的可能取值为X k (k=1,2,…)且取各个值的概率， 即事件(X=X k )的概率为P(X=x k )=p k , 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 | x 1,x 2, , x k ,P(X x k ) p 1, p 2,, p k ,。
显然分布律应满足下列条件：p k 1(1 )宀 0 , k1,2,, ( 2 ) k1(14)伯努利 概型散 随变 的 布(2 ) 设F (x )是随机变量X 的分布函数，若存在非负函数f(x )，对任意实数X ，有XF(x) f (x)dx则称X 为连续型随机变量。
f (X )称为X 的概率密度函数或密度函数， 简称概率密度。
密度函数具有下面4个性质：分布仁 f(x) 03、P(X i X X 2) F(X 2)F(X J f (x)dxX i4、P(x=a)=O,a为常数，连续型随机变量取个别值的概率为 0连 型 机 量 续 随变 的 密度2、f(x)dx 1。
第三章二维随机变量及其分布如果二维随机向量 （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（人『）（门1,2,），且事 件｛= （X i ,y j ）｝的概率为 p ij,,称P ｛（X,Y ） （X i ,y j ）｝ P j （i,j 1,2,）为=（X ，Y ）的分布律或称为 X 和Y 的联合分布律。
重庆市考研数学复习资料概率论与数理统计重点知识点梳理
重庆市考研数学复习资料概率论与数理统计重点知识点梳理概率论与数理统计是考研数学中的一个重要模块，对于考生来说，掌握好这部分知识点非常关键。
下面将从概率论和数理统计两个方面，对重庆市考研数学复习资料中的重点知识点进行梳理和总结。
一、概率论1. 随机事件和随机变量在概率论中，随机事件和随机变量是两个基本概念。
随机事件是指随机试验中的某种结果（样本点）的集合，而随机变量是随机试验结果的数值描述。
2. 概率的定义和性质概率是对随机事件发生可能性的度量，可以通过频率或者几何概率进行计算。
概率具有加法公式、乘法公式、互斥事件概率等性质。
3. 条件概率和独立性条件概率是指在已知某个事件发生的情况下，另一个事件发生的概率。
独立事件是指两个事件发生与否互不影响。
4. 随机变量的概率分布随机变量可以是离散型的或者连续型的。
离散型随机变量的概率分布可以通过概率质量函数来描述，连续型随机变量的概率分布可以通过概率密度函数来描述。
5. 数学期望和方差数学期望是对随机变量平均值的度量，方差是对随机变量离散程度的度量。
可以通过定义式或者性质进行计算。
二、数理统计1. 参数估计参数估计是指根据样本数据来估计总体参数的值。
常用的估计方法包括矩估计和最大似然估计。
2. 假设检验假设检验是根据样本数据对总体参数提出的某种假设进行推断的方法。
常用的假设检验方法有单样本均值检验、方差检验和两样本均值检验等。
3. 方差分析方差分析是一种用于比较两个或多个总体均值差异的统计推断方法。
可以通过检验组间离散度与组内离散度的比值来判断均值是否有显著差异。
4. 相关与回归分析相关分析用于研究两个变量之间的相关关系，回归分析则用于建立两个变量之间的数学模型。
5. 非参数统计方法非参数统计方法是在对总体分布进行假设的基础上，利用样本数据进行统计推断的方法。
常用的非参数方法有秩和检验、卡方检验和符号检验等。
综上所述，概率论与数理统计是重庆市考研数学复习中的重点知识点。