概率论与数理统计学习知识重点情况总结(编辑整理详细版)

概率论与数理统计总复习知识点归纳1.概率论的基础概念-随机事件、样本空间和事件的关系。

-频率和概率的关系，概率的基本性质。

-古典概型和几何概型的概念。

-条件概率和乘法定理。

-全概率公式和贝叶斯公式。

-随机变量和概率分布函数的概念。

-离散型随机变量和连续型随机变量的定义、概率质量函数和概率密度函数的性质。

2.随机变量的数字特征-随机变量的数学期望、方差、标准差和切比雪夫不等式。

-协方差、相关系数和线性变换的数学期望和方差公式。

-两个随机变量的和、差、积的数学期望和方差公式。

3.大数定律和中心极限定理-大数定律的概念和三级强大数定律。

-中心极限定理的概念和中心极限定理的两种形式。

4.数理统计的基本概念和方法-总体、样本和抽样方法的概念。

-样本统计量和抽样分布的概念。

-点估计和区间估计的概念。

-假设检验的基本思想和步骤。

-正态总体的参数的假设检验和区间估计。

5.参数估计和假设检验的方法和推广-极大似然估计的原理和方法。

-矩估计的原理和方法。

-最小二乘估计的原理和方法。

-一般参数的假设检验和区间估计。

6.相关分析和回归分析-相关系数和线性相关的概念和性质。

-回归分析的一般原理。

-简单线性回归的估计和检验。

7.非参数统计方法-秩和检验和符号检验的基本思想和应用。

-秩相关系数的计算和检验。

8.分布拟合检验和贝叶斯统计-卡方拟合检验的原理和方法。

-正态总体参数的拟合优度检验。

-贝叶斯估计的基本思想和方法。

9.时间序列分析和质量控制-时间序列的基本性质和分析方法。

-时间序列预测的方法和模型。

-质量控制的基本概念和控制图的应用。

以上是概率论与数理统计总复习知识点的归纳，希望对你的复习有所帮助。

概率论与数理统计知识点总结(详细)[整理]概率论与数理统计（Probability and Mathematics Statistics）是一门基础性学科，广泛应用于统计学、管理科学、数学、计算机科学、社会学、地理学等领域。

它建立在概率论、数理逻辑、微积分以及线性代数的基础上，把统计与数学有机地结合起来，以高效的数学建模对不确定的实际事件分析、推断、做出预测，从而达到指导管理决策的目的。

概率论是概率论与数理统计的重要组成部分，研究概率事件的拓扑结构，以及随机变量的分布规律和抽样特征，用于表示评价系统不确定性及极端情况的几率分析，并且发展出概率密度函数、累积分布函数等数学工具来描述不确定性的变化趋势。

数理统计包括描述性统计和推断性统计两个主要部分。

其中，描述性统计是利用统计指标来描述从待研究对象获取的样本实际数据；推断性统计是利用概率推断理论对样本数据进行分析，以此来得出可推断出总体相应参数和特性的结论。

它所依据的基本概念有抽样统计和统计推断，数理统计关键技术有抽样调查方案的设计、统计量的估计、差异和相关分析等。

数理统计的重要技术有抽样调查方案的设计，它将抽样技术结合统计思想，以达到把握系统性质的目的；统计量的估计，它是用以衡量总体特征的参数估计，它不仅仅只是给出数据量，而且可以推断出总体特征；差异分析，通过它可以看出变量之间的差异情况，从而得出不同水平所代表的总体特征；相关分析，它是一种估计变量之间的相关系数，主要的指标有多元线性回归分析、卡方分析等。

概率论与数理统计在社会中已经得到广泛的应用，主要表现在以下几个方面：在财务分析中，可以根据现实数学模型和概率论分析技术，构建合适的经济风险模型，实现优化的资源配置；在互联网流量分析中，可以根据用户行为分析来挖掘用户特征，指导电子商务推广；在决策分析中，可以利用决策树和数据挖掘技术，建立逻辑模型，形成系统性决策，从而指导业务发展；在信息系统测试中，可以根据质量参数估计系统各项技术指标，为用户提供高质量的信息服务。

统计学复习资料概率论与数理统计重点知识点整理概率论与数理统计是统计学的基础课程之一，也是应用最为广泛的数学工具之一。

下面将对概率论与数理统计的重点知识点进行整理，以供复习使用。

一、概率论的基本概念1. 样本空间和事件：样本空间是指随机试验的所有可能结果构成的集合，事件是样本空间的子集。

2. 古典概型和几何概型：古典概型是指样本空间中的每个结果具有相同的概率，几何概型是指采用几何方法进行分析的概率模型。

3. 概率公理和条件概率：概率公理是概率论的基本公理，条件概率是指在已知某一事件发生的条件下，另一事件发生的概率。

4. 独立事件和全概率公式：独立事件是指两个事件的发生与否互不影响，全概率公式是用于计算复杂事件的概率的公式。

5. 随机变量和概率分布函数：随机变量是对样本空间中的每个结果赋予一个数值，概率分布函数是随机变量的分布情况。

二、概率分布的基本类型1. 离散型概率分布：包括二项分布、泊松分布和几何分布等。

2. 连续型概率分布：包括正态分布、指数分布和均匀分布等。

三、多维随机变量及其分布1. 边缘分布和条件分布：边缘分布是指多维随机变量中的某一个或几个变量的分布，条件分布是指在已知某些变量取值的条件下，其他变量的分布。

2. 二维随机变量的相关系数：相关系数用于刻画两个随机变量之间的线性关系的强度和方向。

3. 多维随机变量的独立性：多维随机变量中的各个分量独立时，称为多维随机变量相互独立。

四、参数估计与假设检验1. 参数估计方法：包括点估计和区间估计，点估计是通过样本数据得到参数的估计值，区间估计是对参数进行一个范围的估计。

2. 假设检验的基本概念：假设检验是用于对统计推断的一种方法，通过与某个假设进行比较来得出结论。

3. 假设检验的步骤：包括建立原假设和备择假设、选择显著性水平、计算检验统计量和做出统计决策等步骤。

五、回归分析与方差分析1. 简单线性回归分析：简单线性回归分析是研究两个变量之间的线性关系的方法，通过建立回归方程来拟合数据。

概率论与数理统计知识点总结一、概率论知识点总结：1.随机事件：随机事件是指在一次试验中，可能发生也可能不发生的事件。

例如：掷硬币的结果、抽取扑克牌的花色等。

2.概率：概率是描述随机事件发生可能性大小的数值。

概率的取值范围是[0,1]，表示事件发生的可能性大小，0表示不可能发生，1表示一定会发生。

3.古典概型：古典概型是指每种可能的结果发生的概率相等的情形。

例如：掷骰子的结果、抽取彩色球的颜色等。

4.随机变量：随机变量是用来描述试验结果的数值，它的取值是根据随机事件的结果确定的。

例如：掷骰子的点数、抽取扑克牌的点数等。

5.概率分布：随机变量的概率分布描述了每个取值发生的概率。

常见的概率分布有离散概率分布和连续概率分布，如二项分布、正态分布等。

6. 期望值：期望值是衡量随机变量取值的平均值。

对于离散型随机变量，期望值=E[X]=∑[xP(X=x)]；对于连续型随机变量，期望值=E[X]=∫[x f(x)dx]，其中f(x)为概率密度函数。

7. 方差：方差是衡量随机变量取值与期望值之间的偏离程度。

方差=Var(X)=E[(X-E[X])^2]。

8.独立性：两个随机事件或随机变量之间的独立性表示它们的发生与否或取值无关联。

独立性的判定通常通过联合概率、条件概率等来进行推导。

二、数理统计知识点总结：1.样本与总体：在统计学中，样本是指从总体中选取的具体观测数据。

总体是指要研究的对象的全部个体或事物的集合。

2.参数与统计量：参数是描述总体特征的数值，如总体均值、总体方差等。

统计量是根据样本计算得到的参数估计值，用来估计总体参数。

3.抽样方法：抽样方法是从总体中选取样本的方法，常见的抽样方法有简单随机抽样、系统抽样、整群抽样等。

4.统计分布：统计分布是指样本统计量的分布。

常见的统计分布有t分布、F分布、x^2分布等，其中t分布适用于小样本、F分布适用于方差比较、x^2分布适用于拟合优度检验等。

5.点估计与区间估计：点估计是以样本统计量为基础，估计总体参数的数值。

《概率论与数理统计》第一章概率论的基本概念§2．样本空间、随机事件1．事件间的关系 A B 则称事件 B 包含事件 A ，指事件 A 发生必然导致事件 B 发生A B {x x A或x B} 称为事件 A 与事件 B 的和事件，指当且仅当 A ，B 中至少有一个发生时，事件 A B 发生A B {x x A且x B} 称为事件 A 与事件 B 的积事件，指当A，B 同时发生时，事件A B 发生A—B {x x A且x B} 称为事件A 与事件 B 的差事件，指当且仅当 A 发生、B 不发生时，事件 A — B 发生A B ，则称事件 A 与B 是互不相容的，或互斥的，指事件 A 与事件 B 不能同时发生，基本事件是两两互不相容的A B S A B ，则称事件 A 与事件 B 互为逆事件，又称事件 A 与事件 B 互为且对立事件2．运算规则交换律 A B B A A B B A结合律(A B) C A (B C) ( A B)C A(B C)分配律 A （B C）(A B) ( A C)A (B C)(A B)( A C)—徳摩根律 A B A B A B A B§3．频率与概率定义在相同的条件下，进行了n 次试验，在这n 次试验中，事件 A 发生的次数n称为事件AA 发生的频数，比值n nA 称为事件 A 发生的频率概率：设E是随机试验，S 是它的样本空间，对于E 的每一事件A赋予一个实数，记为P（A），称为事件的概率1．概率P( A)满足下列条件：（1）非负性：对于每一个事件 A 0 P( A) 1（2）规范性：对于必然事件S P (S) 11（3）可列可加性：设A1, A2 , ,A是两两互不相容的事件，有nn nP A k ) P( A) ( （n可kk 1 k 1以取）2．概率的一些重要性质：（i ）P( ) 0（ii ）若A1, A2 , ,A是两两互不相容的事件，则有n Pn n( （n可以取）A k ) P( A )kk 1 k 1（iii ）设A，B 是两个事件若 A B ，则P(B A) P( B) P( A) ，P( B) P(A) （iv）对于任意事件A，P(A) 1（v）P( A) 1 P(A) （逆事件的概率）（vi）对于任意事件A，B 有P(A B) P( A) P( B) P( A B)§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同若事件 A 包含k 个基本事件，即{e i } {e } {e }A ，里1 i i k] 2，k是，中某个不同的数，则有i1 i 2, ，i k 1,2 nP( A)j k1P { eij}knA包含的基本事件数S中基本事件的总数§5．条件概率（1）定义：设A,B 是两个事件，且P( A) 0 ，称P( A B)P(B | A) 为事件 A 发生的条P(A)件下事件 B 发生的条件概率（2）条件概率符合概率定义中的三个条件。

概率论与数理统计知识点总结概率论与数理统计是数学的一个重要分支，主要研究各种随机现象的规律性及其数值描述。

下面将对概率论与数理统计的一些重要知识点进行总结。

一、概率论知识点总结1. 随机事件与概率- 随机事件：指在一定条件下具有不确定性的事件。

- 概率：用来描述随机事件发生的可能性大小的数值。

2. 古典概型与几何概型- 古典概型：指随机试验中，所有基本事件的可能性相等的情况。

- 几何概型：指随机试验中，基本事件的可能性不完全相等，与图形的属性有关的情况。

3. 随机变量与概率分布- 随机变量：定义在样本空间上的函数，用来描述试验结果与数值之间的对应关系。

- 离散随机变量：取有限个或可列个数值的随机变量。

- 连续随机变量：取无限个数值的随机变量。

4. 期望与方差- 期望：反映随机变量平均取值的数值。

- 方差：反映随机变量取值偏离期望值的程度。

5. 大数定律与中心极限定理- 大数定律：指在独立重复试验中，随着试验次数增加，事件发生的频率趋近于其概率。

- 中心极限定理：指在独立随机变量之和的情况下，当随机变量数目趋于无穷时，这些随机变量之和的分布趋近于正态分布。

二、数理统计知识点总结1. 抽样与抽样分布- 抽样：指对总体进行有规则地选择一部分样本进行观察和研究的过程。

- 抽样分布：指用统计量对不同样本进行计算所得到的分布。

2. 参数估计与置信区间- 参数估计：根据样本推断总体的未知参数。

- 置信区间：对于总体参数估计的一个区间估计，用来表示这个参数的可能取值范围。

3. 假设检验与统计显著性- 假设检验：用来判断统计推断是否与已知事实相符。

- 统计显著性：基于样本数据，对总体或总体参数进行判断的一种方法。

4. 方差分析与回归分析- 方差分析：用来研究因素对于某一变量均值的影响程度。

- 回归分析：通过观察变量之间的关系，建立数学模型来描述两个或多个变量间的依赖关系。

5. 交叉表与卡方检验- 交叉表：将两个或多个变量的数据按照某种方式交叉排列而形成的表格。

概率论与数理统计知识点总结免费超详细版概率论与数理统计是一门研究随机现象及其统计规律的数学学科，在自然科学、工程技术、社会科学、经济管理等众多领域都有着广泛的应用。

以下是对概率论与数理统计中一些重要知识点的详细总结。

一、随机事件与概率1、随机试验随机试验是指在相同条件下可以重复进行，试验结果不止一个且事先不能确定的试验。

2、样本空间样本空间是随机试验所有可能结果组成的集合。

3、随机事件随机事件是样本空间的子集。

4、事件的关系与运算包括包含、相等、和事件、积事件、差事件、互斥事件、对立事件等。

5、概率的定义概率是对随机事件发生可能性大小的度量。

6、古典概型具有有限个等可能结果的随机试验。

7、几何概型样本空间是某个区域，且每个样本点出现的可能性与区域的面积、体积等成正比。

8、条件概率在已知某事件发生的条件下，另一事件发生的概率。

9、乘法公式用于计算两个事件同时发生的概率。

10、全概率公式将复杂事件的概率通过划分样本空间分解为简单事件的概率之和。

11、贝叶斯公式在已知结果的情况下，反推导致该结果的原因的概率。

二、随机变量及其分布1、随机变量用数值来描述随机试验的结果。

2、离散型随机变量取值可以一一列举的随机变量。

3、离散型随机变量的概率分布列出随机变量的取值以及对应的概率。

4、常见的离散型随机变量分布包括 0-1 分布、二项分布、泊松分布等。

5、连续型随机变量取值充满某个区间的随机变量。

6、连续型随机变量的概率密度函数用于描述连续型随机变量的概率分布。

7、常见的连续型随机变量分布包括均匀分布、正态分布、指数分布等。

8、随机变量的函数的分布已知随机变量的分布，求其函数的分布。

三、多维随机变量及其分布1、二维随机变量由两个随机变量组成的向量。

2、二维随机变量的联合分布函数描述二维随机变量的概率分布。

3、二维离散型随机变量的联合概率分布列出二维离散型随机变量的取值组合以及对应的概率。

4、二维连续型随机变量的联合概率密度函数用于描述二维连续型随机变量的概率分布。

概率论与数理统计知识点总结免费超详细版概率论与数理统计是一门研究随机现象数量规律的学科，它在众多领域都有着广泛的应用，如统计学、物理学、工程学、经济学等。

以下是对概率论与数理统计知识点的超详细总结。

一、随机事件与概率（一）随机事件随机事件是指在一定条件下，可能出现也可能不出现的事件。

随机事件通常用大写字母 A、B、C 等来表示。

（二）样本空间样本空间是指随机试验的所有可能结果组成的集合，通常用Ω表示。

（三）事件的关系与运算1、包含关系：若事件 A 发生必然导致事件 B 发生，则称事件 B 包含事件 A，记作 A⊂B。

2、相等关系：若 A⊂B 且 B⊂A，则称事件 A 与事件 B 相等，记作A ＝ B。

3、并事件：事件 A 与事件 B 至少有一个发生的事件称为 A 与 B的并事件，记作 A∪B。

4、交事件：事件 A 与事件 B 同时发生的事件称为 A 与 B 的交事件，记作A∩B 或 AB。

5、互斥事件：若事件 A 与事件 B 不能同时发生，则称 A 与 B 为互斥事件，即 AB ＝∅。

6、对立事件：若事件 A 与事件 B 满足 A∪B ＝Ω 且 AB ＝∅，则称 A 与 B 为对立事件，记作 B ＝A。

（四）概率的定义与性质1、概率的古典定义：若随机试验的样本空间Ω只包含有限个基本事件，且每个基本事件发生的可能性相等，则事件 A 的概率为 P(A) ＝n(A) ／n(Ω) ，其中 n(A) 为事件 A 包含的基本事件个数，n(Ω) 为样本空间Ω包含的基本事件个数。

2、概率的统计定义：在大量重复试验中，事件 A 发生的频率稳定在某个常数 p 附近，则称 p 为事件 A 的概率，即 P(A) ＝ p 。

3、概率的公理化定义：设随机试验的样本空间为Ω，对于Ω中的每一个事件 A，都赋予一个实数 P(A)，如果满足以下三个条件：（1）非负性：0 ≤ P(A) ≤ 1 ；（2）规范性：P(Ω) ＝ 1 ；（3）可列可加性：对于两两互斥的事件 A1，A2，，有P(A1∪A2∪）＝ P(A1) ＋ P(A2) ＋，则称 P(A) 为事件 A 的概率。

概率论与数理统计各章重点知识整理 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.。

概率论与数理统计知识点总结一、概率论1.随机试验和样本空间：随机试验是具有不确定性的试验，其结果有多个可能的取值。

样本空间是随机试验所有可能结果的集合。

2.事件及其运算：事件是样本空间中满足一定条件的结果的集合。

事件之间可以进行并、交、补等运算。

3.概率的定义和性质：概率是描述随机事件发生可能性的数值。

概率具有非负性、规范性和可列可加性等性质。

4.条件概率和独立性：条件概率是在已知一事件发生的条件下，另一事件发生的概率。

事件独立表示两个事件之间的发生没有相互关系。

5.全概率公式和贝叶斯公式：全概率公式是一种计算事件概率的方法，将事件分解成互斥的多个事件的概率之和。

贝叶斯公式是一种用于更新事件概率的方法。

6.随机变量和分布函数：随机变量是样本空间到实数集的映射，用来描述试验结果的数值特征。

分布函数是随机变量取值在一点及其左侧的概率。

7.常用概率分布：常见的概率分布包括离散型分布（如二项分布、泊松分布）和连续型分布（如正态分布、指数分布）。

8.数学期望和方差：数学期望是随机变量的平均值，用于描述随机变量的中心位置。

方差是随机变量离均值的平均距离，用于描述随机变量的分散程度。

二、数理统计1.统计量和抽样分布：统计量是对样本数据进行总结和分析的函数。

抽样分布是统计量的概率分布，用于推断总体参数。

2.估计和点估计：估计是利用样本数据对总体参数进行推断。

点估计是利用样本数据得到总体参数的一个具体数值。

3.估计量的性质和评估方法：估计量的性质包括无偏性、有效性和一致性等。

评估方法包括最大似然估计、矩估计等。

4.区间估计：区间估计是对总体参数进行估计的区间范围。

置信区间是对总体参数真值的一个区间估计。

5.假设检验和检验方法：假设检验是在已知总体参数的条件下，对总体分布做出的统计推断。

检验方法包括参数检验和非参数检验。

6.正态总体的推断：当总体近似服从正态分布时，可以利用正态分布的性质进行推断。

7.方差分析和回归分析：方差分析用于比较两个或多个总体均值是否相等。