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。
