第一章 概率统计基础知识(2)概率的古典定义与统计定义

概率与统计的基础知识统计学是一门研究如何收集、整理、分析、解释和呈现数据的学科。

概率是统计学的基础，它被用来描述和分析在不同情况下事件发生的可能性。

本文将介绍概率与统计的基础知识，包括概率的定义、概率的计算方法、统计的概念以及统计的应用。

一、概率的定义概率是描述事件发生可能性的数值，它介于0到1之间。

0表示事件不可能发生，1表示事件一定发生。

根据概率的定义，我们可以得出以下公式：P(A) = n(A) / n(S)其中，P(A)表示事件A发生的概率，n(A)表示事件A包含的有利结果的数量，n(S)表示样本空间中可能结果的总数。

二、概率的计算方法1. 经典概率经典概率又称为古典概率，适用于样本空间中所有可能结果都是等可能发生的情况。

在这种情况下，事件A发生的概率可以通过以下公式计算：P(A) = n(A) / n(S)2. 相对频率概率相对频率概率是通过实验的结果来估计概率的方法。

通过多次实验，统计事件A发生的次数，然后将次数除以总实验次数，即可得到相对频率概率。

3. 主观概率主观概率是个体主观判断下对事件发生概率的估计。

它是依据经验、直觉和专业知识来进行的估计。

三、统计的概念统计是利用数据进行推断、决策和预测的过程。

在统计学中，数据被分为两种类型：定性数据和定量数据。

1. 定性数据定性数据是用于描述某种特征或属性的数据。

它通常用文字或符号进行表示，如性别、颜色、态度等。

2. 定量数据定量数据是用于表示数量或度量的数据。

它通常用数字进行表示，如身高、体重、温度等。

统计中的两个重要概念是总体和样本。

总体是指研究对象的全体，而样本是指从总体中随机选取的一部分。

四、统计的应用统计学在各个领域都有广泛的应用，以下是几个常见的应用领域：1. 生物统计学生物统计学是将统计学应用于生物学研究的领域。

它可以帮助研究人员分析生物实验数据、评估药物疗效以及研究遗传变异等。

2. 经济统计学经济统计学是将统计学应用于经济学研究的领域。

概率与统计基础知识概率与统计是数学的一个分支，是研究不确定性的科学。

概率论主要研究随机现象，统计学则通过采样和分析数据来推断总体特征。

今天，我们将介绍一些概率与统计的基础知识，包括概率的定义、常见的概率分布以及统计学中的一些基本概念。

一、概率的定义概率是描述一个随机事件发生可能性的数值。

常用的概率定义有频率定义、古典概型以及主观概率等。

频率定义是指根据统计实验的结果来计算概率，即事件发生的次数与试验总次数的比值。

古典概型是指事件的每种可能结果发生的概率相等。

主观概率则是基于主观判断和经验估计得出的概率。

二、常见的概率分布1. 均匀分布：均匀分布是概率分布中最简单的一种形式。

在一个区间内，每个数值的概率都是相等的。

例如，掷骰子的结果就是均匀分布。

2. 正态分布：正态分布也被称为高斯分布，它是自然界中非常常见的一种分布形式。

正态分布的特点是对称，其密度曲线呈钟形。

许多自然现象和统计数据都符合正态分布，如身高和成绩分布等。

3. 二项分布：二项分布适用于只有两个可能结果的独立重复实验。

例如，抛硬币的结果只有正面和反面两种可能，这时可以用二项分布来描述硬币正反面的概率。

4. 泊松分布：泊松分布用来描述单位时间或单位空间内事件发生的次数，如一天内接到的电话数量、某个时间段内停车场停车次数等。

三、统计学的基本概念1. 总体与样本：总体是指我们研究的对象的全体，样本是从总体中选取的一部分。

通过对样本的研究，我们可以推断总体的特征。

2. 参数与统计量：总体的特征可以用参数来表示，样本的特征则可以用统计量来估计。

例如，总体均值用μ表示，样本均值用x表示。

3. 抽样：抽样是指从总体中选择一定数量的个体作为样本的过程。

抽样是统计学中非常重要的一环，对样本的选择要具有代表性和随机性。

4. 假设检验：假设检验是统计学中用来推断总体特征的一种方法。

通过建立假设和进行显著性检验，我们可以判断某个结论是否具有统计学意义。

总结起来，概率与统计是研究随机现象的一门学科，它可以帮助我们了解事件发生的概率和推断总体特征。

概率与统计的基本概念和计算方法概率与统计是一门研究随机现象规律的数学学科，它在科学研究、工程技术和社会经济等领域起到重要的作用。

本文将介绍概率与统计的基本概念和计算方法，帮助读者更好地理解和应用这门学科。

一、概率的基本概念及其计算方法概率是描述随机事件发生可能性的数值，一般用百分比、分数或小数表示。

在概率理论中，有三种常见的概率计算方法：古典概率、几何概率和统计概率。

1. 古典概率古典概率又称为理论概率，是基于等可能性假设进行计算的概率。

当随机事件的样本空间中的所有基本事件等可能发生时，可以使用古典概率进行计算。

计算公式为：事件A发生的概率P(A) = A的基本事件数/样本空间中的基本事件总数。

2. 几何概率几何概率是根据几何形状和空间位置关系计算的概率。

它常用于描述连续随机变量的概率。

几何概率的计算方法是通过计算事件A在样本空间中的面积或体积与样本空间总面积或总体积之比得到。

计算公式为：事件A发生的概率P(A) = A的几何形状的面积或体积/样本空间的几何形状的面积或体积。

3. 统计概率统计概率是根据实际观察到的频率计算的概率。

当无法直接使用古典概率或几何概率进行计算时，可以通过实际观测数据进行统计概率的计算。

统计概率的计算方法是事件A的发生频数除以样本空间试验次数的比值。

计算公式为：事件A发生的概率P(A) = 频数A/n。

二、统计的基本概念及其计算方法统计是通过收集、整理、分析数据并进行推断和预测的一门学科。

在统计学中，有两种常见的统计算法：描述统计和推断统计。

1. 描述统计描述统计是通过对已有数据进行总结和描述来了解数据分布和变化规律的统计方法。

常用的描述统计指标包括均值、中位数、众数、标准差等。

计算描述统计指标时，需要先收集数据，然后对数据进行计算和分析。

2. 推断统计推断统计是通过对样本数据进行推断和预测来做出总体特征的统计方法。

推断统计的核心思想是基于样本数据对总体进行推断。

常用的推断统计方法包括假设检验、置信区间估计和回归分析等。

第一章随机事件及其概率§1.1 随机事件概率论与数理统计是一门研究随机现象量的规律性的数学学科，是近代数学的重要组成部分，同时也是近代经济理论的应用与研究的重要数学工具。

（一）随机试验的概念为了研究随机现象，就要对客观事物进行观察。

观察的过程称为试验。

概率论里所研究的试验成为随机试验，随机试验具有下列特点：（1）在相同的条件下试验可以重复进行；（2）每次试验的结果具有多种可能性，而且在试验之前可以明确试验的所有可能结果；（3）在每次试验之前不能准确地预言该次试验将出现哪一种结果。

（二）随机事件的概念在概率论中，将试验的结果称为事件。

每次试验中，可能发生也可能不发生，而在大量试验中具有某种规律性的事件称为随机事件（或偶然事件），简称为事件。

通常用大写拉丁字母、、等表示。

在随机事件中，有些可以看成是由某些事件复合而成的，而有些事件则不能分解为其它事件的组合。

这种不能分解成其它事件组合的最简单的随机事件称为基本事件。

例如，掷一颗骰子的试验中，其出现的点数，“1点”、“2点”、……、“6点”都是基本事件。

“奇数点”也是随机事件，但它不是基本事件。

它是由“1点”、“3点”、“5点”这三个基本事件组成的，只要这三个基本事件中的一个发生，“奇数点”这个事件就发生。

每次试验中一定发生的事件称为必然事件，用符号表示,每次试验中一定不发生的事件称为不可能事件，用符号表示。

例如，在上面提到的掷骰子试验中，“点数小于7”是必然事件。

“点数不小于7”是不可能事件。

（二）事件的集合与图示研究事件间的关系和运算，应用点集的概念和图示方法比较容易理解，也比较直观。

对于试验的每一个基本事件，用只包含一个元素的单点集合表示；由若干个基本事件复合而成的事件，用包含若干个相应元素的集合表示；由所有基本事件对应的全部元素组成的集体集合称为样本空间。

由于任何一次试验的结果必然出现全部基本事件之一，这样，样本空间作为一个事件是必然事件，仍以表示。

统计和概率的基础知识统计学和概率论是现代数学中的重要分支，它们不仅在学术研究中有着广泛的应用，也在实际生活中起着重要的作用。

统计学涉及数据的收集、整理、分析和解释，而概率论则研究随机事件的规律性和概率分布。

本文将介绍统计学和概率论的基础知识，包括概率的定义、统计推断、假设检验以及抽样等相关概念。

一、概率的定义与计算方法概率是描述随机事件发生可能性的数值，通常用0到1之间的数表示。

在概率论中，事件发生的概率被定义为事件发生的次数与试验总次数之比。

例如，将一枚硬币抛掷10次，正面朝上的次数为6次，则正面朝上的概率为6/10=0.6。

计算概率的方法主要有频率法和古典概型法。

频率法是基于大量实验数据的统计计算，通过实验的频率来估计事件发生的概率。

古典概型法则是根据事件的可能性来计算概率，例如一个公平的骰子投掷，每个面的概率都是1/6。

二、统计推断与参数估计统计推断是通过已知样本数据来对总体特征进行推断和估计。

在实际问题中，我们往往无法直接获得总体的所有数据，只能通过样本来进行分析。

统计推断分为参数估计和假设检验两个主要部分。

参数估计是通过样本数据对总体的未知参数进行估计。

常见的点估计方法有最大似然估计和矩估计。

最大似然估计通过寻找参数值，使得样本出现的概率最大化。

矩估计则是基于样本矩和总体矩的对应关系进行估计。

三、假设检验与显著性水平假设检验是用来检验对总体或总体参数的某一假设是否成立的统计方法。

在进行假设检验时，我们需要提出原假设和备择假设。

原假设是对总体参数的某种假设，备择假设则是原假设的对立假设。

显著性水平是进行假设检验时使用的重要参数，通常用α表示。

显著性水平是我们允许犯错误的程度，例如α=0.05表示我们允许犯错的概率为5%。

在假设检验中，当计算得到的p值小于显著性水平时，我们拒绝原假设，否则则接受原假设。

四、抽样与抽样分布抽样是统计学中重要的概念，它是指从总体中选择一部分个体进行观察和研究。

《概率论与数理统计》第一章概率论的基本概念§2．样本空间、随机事件1．事件间的关系 B A ⊂则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生B }x x x { ∈∈=⋃或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ⋃发生B }x x x { ∈∈=⋂且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ⋂发生B }x x x { ∉∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生φ=⋂B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的且S =⋃B A φ=⋂B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件2．运算规则交换律A B B A A B B A ⋂=⋂⋃=⋃结合律)()( )()(C B A C B A C B A C B A ⋂=⋂⋃⋃=⋃⋃ 分配律 )()B (C A A C B A ⋃⋂⋃=⋂⋃）（))(()( C A B A C B A ⋂⋂=⋃⋂徳摩根律B A B A A B A ⋃=⋂⋂=⋃ B —§3．频率与概率定义在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件：（1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P（3）可列可加性：设n A A A ,,,21 是两两互不相容的事件，有∑===nk knk kA P A P 11)()( （n 可以取∞）2．概率的一些重要性质： （i ） 0)(=φP（ii ）若n A A A ,,,21 是两两互不相容的事件，则有∑===nk kn k kA P A P 11)()(（n 可以取∞）（iii ）设A ，B 是两个事件若B A ⊂，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P （v ）)(1)(A P A P -=（逆事件的概率）（vi ）对于任意事件A ，B 有)()()()(AB P B P A P B A P -+=⋃§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同 若事件A包含k个基本事件，即}{}{}{2]1k i i i e e e A =，里个不同的数，则有中某，是，，k k n 2,1i i i ,21 ()中基本事件的总数包含的基本事件数S }{)(1j A n k e P A P kj i ===∑= §5．条件概率（1） 定义：设A,B 是两个事件，且0)(>A P ，称)()()|(A P AB P A B P =为事件A 发生的条件下事件B 发生的条件概率（2） 条件概率符合概率定义中的三个条件1。

概率与统计的基础知识点总结概率与统计是数学中非常重要的分支，它们涵盖了很多基础知识点。

本文将对概率与统计的基础知识点进行总结，包括概率的定义与性质、统计的基本概念、常见概率分布及应用等。

一、概率的定义与性质概率是描述随机现象发生可能性的数值。

一般用P(A)表示事件A发生的概率，取值范围在0到1之间。

概率的性质包括互斥事件概率、对立事件概率、加法法则、乘法法则和全概率公式等，这些性质为我们计算概率提供了基础。

互斥事件概率指的是互不相容的事件A和B同时发生的概率为0。

对立事件概率是指事件A与其非事件发生的概率之和为1。

加法法则是指两个事件相加的概率等于每个事件概率的和减去两个事件同时发生的概率。

乘法法则是指两个事件同时发生的概率等于两个事件概率的乘积。

全概率公式是指将所有可能性发生的概率加起来等于1。

二、统计的基本概念统计是通过对观察数据进行分析和推断，以求得总体特征及其不确定性的一门学科。

在统计学中，有几个基本概念需要了解。

样本是指从总体中抽取的一部分观察数据。

样本空间是指所有可能的抽样结果的集合。

频数是指在某个区间内观察到的样本数量。

频率是指频数与总样本数之比。

均值是指一组数据的平均值，可以用于描述数据集中程度。

标准差是指数据偏离均值的度量，它反映了数据的波动程度。

三、常见概率分布及应用常见的概率分布有正态分布、泊松分布和二项分布等，它们分别适用于不同的实际问题。

正态分布是应用最广泛的一种分布，它的概率密度函数呈钟形曲线。

正态分布在自然科学、社会科学等领域有广泛的应用，如身高体重的测量、学习成绩的评估等。

泊松分布是用于描述单位时间或单位空间内随机事件发生次数的分布。

它适用于描述稀有事件的发生概率，如电话接线员接到电话的次数、化学反应发生的次数等。

二项分布是用于描述重复进行的一系列相互独立的是/非试验的概率分布。

它适用于有固定次数试验，且每次试验结果只有两种可能的情况，如硬币的正反面、商品的合格不合格等。

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 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=Ø，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 (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 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 ），k n kk 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 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 a b 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 ll 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)(exp[21)(22σμσπ--=x x f ；t t x F xd ]2)(exp[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 ]2exp[21)(2π．即μ=0，ζ=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．3ζ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-3ζ，μ+3ζ)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 )}．应用： Y=aX +b ~N(a μ+b ，(|a |ζ)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 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，ζ12，ζ22，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，ζ12)，记Y ~N (μ2，ζ22)，则对Z=X+Y 有Z ~N (μ1+μ2，ζ12+ζ22)．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： ⎰∞∞-=x x zx f x z f XY d ),(1)(，若X 和Y 相互独立，则有⎰∞∞-=xxz 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ζ(X )，ζ(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 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 cc 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 }．n 维正态分布：)}()(21exp{det )2(1),,,(1T 221μX C μX C ---=-n n x x x f π ，T21T 21),,,(),,,(n nx 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．)(x D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)=ζ2 >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)=ζk2 >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．~ 近似的min Q1 M Q3 max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，ζ2)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，ζ2)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，ζ2)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，ζ12)和N (μ2，ζ22)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ζ12=ζ22=ζ2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ζ2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 n i 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 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 e t t F -=>}{，则)(}){()(1i m i m n m m n t 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：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),,,(ˆ21n X 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，ζ2)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．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μζ2已知 )1,0(~N nX Z σμ-=)(2ασz nX ±ασμz nX +=，ασμz nX -=μζ2未知 )1(~--=n t nS X t μ⎪⎭⎫ ⎝⎛±2αt n S X αμt n S X +=，αμt nSX -= ζ2μ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－μ2ζ12，ζ22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－μ2ζ12=ζ22=ζ2 未知)2(~)()(21121121-++---=--n n t n n S Y X t w μμ()12112--+±-n n S tY X w α2w w S S =121121121121----+--=-++-=-n n S t Y X n n S t Y X w w ααμμμμ2)1()1(2122 22112-+-+-=nnS nSnSwζ12/ζ22μ1，μ2未知)1,1(~2122212221--=nnFSSFσσ⎪⎪⎭⎫⎝⎛-212221222211,1ααFSSFSSασσ-=1222122211FSS，ασσFSS122212221=单个总体X~N(μ，ζ2)，两个总体X~N(μ1，ζ12)，Y~N(μ2，ζ22)．第八章假设实验定义：H0：原假设或零假设，为理想结果假设；H1：备择假设，原假设被拒绝后可供选择的假设．第Ⅰ类错误：H0实际为真时，却拒绝H0．第Ⅱ类错误：H0实际为假时，却接受H0．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H0为真拒绝H0}≤α，α称为显著水平．拒绝域：取值拒绝H0．临界点：拒绝域边界．双边假设检验：H0：θ=θ0，H1：θ≠θ0．右边检验：H0：θ≤θ0，H1：θ>θ0．左边检验：H0：θ≥θ0，H1：θ<θ0．正态总体均值、方差的检验法(显著性水平为α)原假设H0备择假设H1检验统计量拒绝域1 ζ2已知μ≤μ0μ>μ0nXZσμ-=z≥zαμ≥μ0μ<μ0z≤－zαμ=μ0μ≠μ0|z|≥zα/22 ζ2未知μ≤μ0μ>μ0nSXt0μ-=t≥tα(n－1) μ≥μ0μ<μ0t≤－tα(n－1) μ=μ0μ≠μ0|t|≥tα/2(n－1)3 ζ1，ζ2已知μ1－μ2≤δμ1－μ2>δ222121nnYXZσσδ+--=z≥zαμ1－μ2≥δμ1－μ2<δz≤－zαμ1－μ2=δμ1－μ2≠δ|z|≥zα/24 ζ12=ζ22=ζ2未知μ1－μ2≤δμ1－μ2>δ1211--+--=nnSYXtwδ2)1()1(212222112-+-+-=nnSnSnSwt≥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ζ2≤ζ02ζ2>ζ02222)1(σχSn-=χ2≥χα2(n－1)ζ2≥ζ02ζ2<ζ02χ2≤χ21－α(n－1)ζ2=ζ02ζ2≠ζ02χ2≥χ2α/2(n－1)或χ2≤χ21－α/2(n－1)6 μ1，μ2未知ζ12≤ζ22ζ12>ζ222221SSF=F≥Fα(n1－1，n2－1) ζ12≥ζ22ζ12<ζ22F≤F1－α(n1－1，n2－1)ζ12=ζ22ζ12≠ζ22F≥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．。

概率与统计的基础知识概率与统计是数学中重要的分支，它们研究的是随机现象的规律性和不确定性问题。

概率论主要关注各种可能事件发生的可能性大小，而统计学则专注于数据的收集、分析和解释。

两者相辅相成，是现代科学研究和实践中不可或缺的工具。

本文将介绍概率与统计的基础知识，分别从概率的基本原理和统计的概念与应用等方面展开论述。

一、概率的基本原理概率是描述随机事件发生可能性的一种数学工具。

它可以用来计算某个事件发生的概率大小。

概率的基本原理包括古典概率和统计概率两种。

1. 古典概率古典概率是基于古典概率论的理论基础。

它适用于对于事物属性已知、样本空间有限且各样本等可能出现的情况。

古典概率的计算公式为：P(A) = m / n，其中A为事件，m为事件A的样本数，n为样本空间的总样本数。

2. 统计概率统计概率是基于统计学理论的概率推断方法。

它适用于对于事物属性未知、样本空间无限大的情况。

统计概率的计算方法一般通过频率来估计。

当事件发生的次数在大量试验中逐渐趋近于一个固定值时，这个固定值即为事件的统计概率。

二、统计的概念与方法统计学是研究收集、分析和解释数据的科学。

它通过利用样本数据做出对总体特征的推断，从而对实际问题进行分析和决策。

1. 数据的收集与整理统计的第一步是数据的收集与整理。

数据可以是定量数据也可以是定性数据。

定量数据指可以用数值来度量的观察值，如身高、体重等；定性数据指描述性质的观察值，如性别、颜色等。

在收集数据时，应做到全面、准确和可靠。

2. 描述统计与推论统计描述统计是以图表、指标等方式对收集到的数据进行总结和描述，以便直观地反映数据的分布特征。

推论统计则是通过样本数据推断总体特征，并对研究对象进行推断和预测。

3. 参数估计与假设检验参数估计是根据样本数据对总体参数的取值区间进行估计，判断总体参数的值是否落在该区间之中。

假设检验是根据样本数据对研究对象的某个特征提出假设，并在一定的显著性水平下进行判断。

二、概率的古典定义与统计定义二、概率的古典定义与统计定义(p5-11)确定一个事件的概率有几种方法，这里介绍其中两种最主要的方法，在历史上，这两种方法分别被称为概率的两种定义，即概率的古典定义及统计定义。

(一) 概率的古典定义用概率的古典定义确定概率的方法的要点如下:（1）所涉及的随机现象只有有限个样本点，设共有n个样本点；（2）每个样本点出现的可能性相同(等可能性);若事件含有k个样本点，则事件的概率为:(1.1-1)[例1.1-3][例1.1-3]掷两颗骰子，其样本点可用数组（x , y）表示，其中，x与y分别表示第一与第二颗骰子出现的点数。

这一随机现象的样本空间为:它共含36个样本点，并且每个样本点出现的可能性都相同。

参见教材6页图。

这个图很多同学看不懂！其实就是x+y=?在坐标系反映出来的问题。

（二）排列与组合（二）排列与组合用古典方法求概率，经常需要用到排列与组合的公式。

现简要介绍如下: 排列与组合是两类计数公式，它们的获得都基于如下两条计数原理。

（1）乘法原理: 如果做某件事需经k步才能完成，其中做第一步有m1种方法，做第二步m2种方法，做第k步有m k种方法，那么完成这件事共有m1×m2×…×m k种方法。

例如, 甲城到乙城有3条旅游线路，由乙城到丙城有2条旅游线路，那么从甲城经乙城去丙城共有3×2=6 条旅游线路。

(2) 加法原理: 如果做某件事可由k类不同方法之一去完成，其中在第一类方法中又有m1种完成方法, 在第二类方法中又有m2种完成方法，在第k类方法中又有m k种完成方法, 那么完成这件事共有m1+m2+…+m k种方法。

例如，由甲城到乙城去旅游有三类交通工具: 汽车、火车和飞机，而汽车有5个班次，火车有3个班次，飞机有2个班次，那么从甲城到乙城共有5+3+2=10 个班次供旅游选择。

排列与组合排列与组合的定义及其计算公式如下:①排列:从n个不同元素中任取）个元素排成一列称为一个排列。