概率论与数理统计主要内容小结_概率论与数理统计小结

概率论与数理统计主要内容小结由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“概率论与数理统计小结”。

概率论与数理统计主要内容小结

概率部分

1、全概率公式与贝叶斯公式 全概率公式：

P(A)P(A|B1)P(B1)P(A|B2)P(B2)P(A|Bn)P(Bn)

其中B1,B2,,Bn是空间S的一个划分。贝叶斯公式：P(Bi|A)P(Bi)P(A|Bi)P(B)P(A|B)jjj1n

其中B1,B2,,Bn是空间S的一个划分。

2、互不相容与互不相关

A,B互不相容AB,P(AB)0

事件A,B互相独立P(AB)P(A)(B);两者没有必然联系

3、几种常见随机变量概率密度与分布律:两点分布，二项分布，泊松分布，均匀分布，二项分布，指数分布，正态分布。

X~b(1,p),即二点分布，则分布律为P{xk}pk(1p)1k,k0,1.kkX~b(n,p),即二项分布，则分布律为P{xk}Cnp(1p)nk,k0,1,...,n.X~(),即泊松分布，则分布律为P{xk}kek!,k0,1,......1,x(a,b)X~U(a,b),即均匀分布，则概率密度为f(x)ba.0,其它x1e,x0X~E(),即指数分布，则概率密度为f(x).0,其它X~N(,2),即正态分布，则则概率密度为f(x)

12ex22,x.连续性随机变量X分布函数性质：（i）F()1，F()0,(ii)分布函数连续 对连续性随机变量X，已知概率密度f(x)，则分布函数为F(x)已知分布函数为F(x)，则概率密度f(x)F(x).对连续性随机变量X，已知概率密度f(x), 区间概率P{xL}

4、连续函数随机变量函数的概率密度

设连续随机变量X的概率密度为fX(x),Yg(X)也是连续型随机变量，求Y的概率密度 求法

(i)利用以下结论计算：如果函数g(x)处处可导，且恒有g(x)0（或g(x)0），则Y概率密度为：

xf(t)dt；

f(x)dx

LfX[h(y)]|h(y)|,y fY(y)0,其他g(),g()}.其中，h(y)是g(x)的反函数，且有min{g(),g()},max{(ii)利用分布函数计算：先求yg(x)值域，再在该值域求Y的分布函数

F(y)P{Yy}P{g(X)y}P{XB}则有fY(y)F(y).常用求导公式

(y)xBfX(x)dx

fY(y)F(y)(y)f(x)dxf((y))(y)f((y))(y)

5、二维随机变量分布律

对于二维连续性随机变量(X,Y)，其联合概率密度为f(x,y),其联合分布函数为F(x,y), 则F(x,y)xyf(u,v)dvdu,概率密度性质：（i）f(x,y)0,(ii)

f(u,v)dvdu1

已知概率密度f(x,y),求区域概率有P{(x,y)D}边缘分布函数为FX(x)边缘概率密度为fX(x)f(x,y)dydx,Dyxf(u,v)dvdu,FX(y)f(u,v)dudv,f(x,y)dy,fY(y)f(x,y)dx.条件分布函数为FX|Y(x|y)xyf(x,v)f(u,y)du,FY|X(y|x)dv,fY(y)fX(x)条件概率密度为fX|Y(x|y)f(x,y)f(x,y),fY|X(y|x).fY(y)fX(x)对于离散情形，设联合分布律为P{Xxi,Yyj}pij 边缘概率密度为P{Xxi}pj1ijpi.，P{Yyj}pijp.j

i1条件概率密度为P{Yyj|Xxi}

6、二维随机变量函数的分布

pijpi.，P{Xxi|Yyj}pijp.j

设二维随机变量(X,Y)概率密度为f(x,y)，分布函数为F(x,y)(i)Z=X+Y, 则Z的概率密度为

fZ(z)f(zy,y)dyf(x,zx)dx

fX(zy)fY(y)dyfX(x)fY(zx)dx

当X,Y相互独立时，fZ(z)(ii)M=max{X,Y}与N=min{X,Y} 当X,Y相互独立时，FM(z)FX(z)FY(z)，FN(z)1(1FX(z))(1FY(z))

7、数学期望

(i)求法：连续随机变量X概率密度为f(x)，则E(X)xf(x)dx；若Yg(X), 则E(Y)g(x)f(x)dx.离散随机变量分布律为P{xxk}pk，则E(X)xk1kpk;若Yg(X), 则E(X)g(xk)pk.k1若有二维的随机变量(X,Y),其联合概率密度为f(x,y)，若Yg(X,Y), 则E(Y)g(x,y)f(x,y)dydx.(ii)性质：E(C)C,E(CX)CE(X),E(XY)E(X)E(Y)

E(k1X1k2X2knXn)k1E(X1)k2E(X2)knE(Xn)X,Y相互独立，则有E(XY)E(X)E(Y).8、方差

定义：D(X)E[XE(X)]2，标准差（均方差）：D(X).计算：D(X)E(X2)[E(X)]2

性质：D(C)0,D(XC)D(X),D(CX)C2D(X).D(XY)D(X)D(Y)2E[(XEX)(YEY)].常见分布的数学期望和方差：两点分布：E(X)p,D(X)p(1p).X~b(n,p),即二项分布，则E(X)np,D(X)np(1p).X~(),即泊松分布，则E(X),D(X).ab(ba)2,D(X).X~U(a,b),即均匀分布，则E(X)212X~E(),即指数分布，则E(X),D(X)2.X~N(,2),即正态分布，则E(X),D(X)2.9、协方差与相关系数

定义：协方差: Cov(X,Y)E{[XE(X)][YE(Y)]}E(XY)E(X)E(Y).相关系数：XYCov(X,Y)D(X)D(Y).则有Cov(X,Y)XYD(X)D(Y).性质：Cov(X,Y)Cov(Y,X),Cov(X,X)D(X),Cov(X,a)0

Cov(aX,bY)abCov(X,Y),Cov(X1X2,Y)Cov(X1,Y)Cov(X2,Y)

D(XY)D(X)D(Y)2Cov(X,Y)

如果X,Y相互独立，则有D(XY)D(X)D(Y)

|XY|1,且|XY|1a,b,使P{YabX}1.10、独立与不相关关系

XY0X,Y不相关Cov(X,Y)0E(X,Y)E(X)E(Y)X,Y相互独立F(x,y)F(x)F(y)f(x)f(y)E(X,Y)E(X)E(Y)

F为分布函数，而f为概率密度

一般情况下，X,Y相互独立X,Y不相关，但反之不成立；

2特殊情况，当(X,Y)~N(1,2;12,2;)时，X,Y相互独立X,Y不相关

2并且此时E(X)1,E(Y)2;D(X)12,D(Y)2;XY,Cov(X,Y)12.11、切比雪夫(Chebyshev)不等式：设随机变量X的期望与方差为E(X),D(X)2，则对任意正数0，有

P{|XE(X)|}D(X)22, 即P{|X|}2.D(X)进一步有：P{|XE(X)|}1

12、两个中心极限定理

22,即P{|X|}12.定理1（独立同分布的中心极限定理）设随机变量X1,X2,,Xn,相互独立，服从同一分布，有相同的数学期望和方差：E(Xk),D(Xk)20,k1,2,，则

当n充分大时，YnXk1nkE(Xk)k1nnXi1nkn~~~~~~~~D(Xk)k1n近似N(0,1).定理2（棣莫弗-拉普拉斯定理）设随机变量n,n1,2服从参数为n,p(0p1)的二项分布，则当n充分大时，nnpnp(1p)~~~~~~~~近似N(0,1)

统计部分

1、常用统计量

设X为总体，X1,X2,Xn是来自总体X的样本，定义

1n样本平均值：XXi，ni1n1n12样本方差：S(XiX)(Xi2nX2)，n1i1n1i12样本标准差（均方差）：S1n(XiX)2 n1i11nk样本k阶矩：AkXi,k1,2,

ni

12、常用正态总体相关的统计量（1）2分布

定义：设Xi~N(0,1),i1,2,n，则性质(i)可加性：设X~222X~(n)，特别Xi2~2(1).ii1n2(n1),Y~2(n2),则XY~2(n1n2).(ii)设X~(n),则EXn,D(X)2n.(iii)特例：设Xi~N(,),则(2)t 分布

定义：设X~N(0,1),Y~(n), 且X,Y相互独立，则统计量t性质

(i)概率密度为偶函数，关于y轴对称；当n趋于无穷大，该统计量趋于标准的正态分布；(ii)对于分位点有：t1(n)t(n).(3)F分布 定义：设U~212(Xi1ni)2~(n).XY/n~t(n).(n1),V~(n2), 且U,V相互独立，则统计量F1.F(n2,n1)Un1~F(n1,n2).Vn2性质(i)对于分位点有：F1(n1,n2)

3、正态总体样本均值与样本方差分布

单个总体情形：设X为总体，且服从X~N(,),X1,X2,Xn是来自总体X的样本，X,S分别是样本均值与样本方差，有以下结论： 22D(X)2,E(S2)D(X)2, 而且有(i)E(X)E(X),D(X)nnCXii1ni~N(Cii,Ci2i2).i1i1nn(ii)X~N(,2n), 即

X/n~N(0,1)；且

12(Xi1niX)2(n1)S22~2(n1)

两个正态总体情形：设X1,X2,Xn1是来自X~N(1,12)的样本，Y1,Y2,Yn2是来22自Y~N(2,2为两样本方差，)的样本, 且两样本相互独立，X,Y为两样本均值，S12,S2则有

(i)XY~N(12,12n122n2).2(ii)当1222时，XY(12)Sw11n1n2~t(n1n22)，2(n11)S12(n21)S2 Swn1n222S12/S2(iii)2~F(n11,n21)21/24.点估计(1)矩估计法

设概率密度f(x;1,2,k)或分布律P{Xx}p(x;1,2,k)中含1,2,k个参数需要估计。

(i)求总体前k阶矩

1E(X)1(1,2,,k)22E(X)2(1,2,,k)E(Xk)(,,)k12kk(ii)由以上方程解得

11(1,2,,k)(,,,)2212k kk(1,2,k)(iii)以样本i阶矩Ai代替i,i1,2,,n 即得估计量ii(A1,A2,Ak).(2)最大似然估计

定义：给定一组样本观测值(x1,x2,xn)，使该观测值概率取最大的参数值为所求参数估计值。

两种求法：I 直接用最大似然法估计计算

(i)写出似然函数 连续情形：L()f(xi;)，离散情形：L()p(xi;)

i1i1nn(ii)求使似然函数取最大值的参数

两种方法：取对数，求导数，令导数为0解出估计值；若求导不行，则用直接分析法(iii)由上写出估计值，再表示出估计量 II 利用不变性计算

若求函数uu()的最大似然估计，其中u是单调函数，可先求最大似然估计，然后利用不变性知u()是u()的最大似然估计。5.估计量评价标准

无偏性：是的估计量，如果E(), 则是的无偏估计量；

ˆˆˆ更有效； 有效性：1,2是的无偏估计量，如果D(1)D(2)，则1较2一致性：是的估计量，当样本容量趋于无穷大，依概率收敛于.6.置信区间 基本的重要概念：

置信水平：是参数落在置信区间(,)的概率，即P()1,,两统计量

1为置信水平。分别为双则置信下限与置信上限，例如置信水平为95%，则10.95.置信区间几种情形： 单个总体情形

当已知，的置信区间，枢轴量Z2X/n~N(0,1)

双侧置信区间：(XnZ),双则置信上、下限：X2nZ,X2nZ.2单侧置信区间：(XnZ,)，(,XnZ)单侧置信上、下限：XnZ,XnZ.当未知，的置信区间，枢轴量t2XS/n~t(n1)

双侧置信区间：(XSnt(n1)),2双则置信上、下限：XSnt(n1),X2Snt(n1).2单侧置信区间：(XSnt(n1),)，(,XSnSnSnt(n1))

单侧置信上、下限：Xt(n1)，Xt(n1)

当未知，的置信区间，枢轴量22(n1)S22~2(n1)

(n1)S2(n1)S2(n1)S2(n1)S2双侧置信区间：(,),双则置信上、下限：,(n1)(n1)(n1)(n1)212122(n1)S2(n1)S2单侧置信区间：(0,)，(,)

1(n1)(n1)(n1)S2(n1)S2单侧置信上、下限：.,1(n1)(n1)两个总体情形：

2S12/S2当1,2未知，/的置信区间，枢轴量F2~F(n11,n21)21/22122S12S121双侧置信区间：(2,2S1F(n11,n21)S2F211),(n11,n21)2S12双则置信上、下限：2S2F1S1211,2,(n11,n21)S2F(n11,n21)22S12S1211单侧置信区间：(0,2),(2,).F(n1,n1)F(n1,n1)S211S2122S12S1211单侧置信上、下限：2,2.S2F1(n11,n21)S2F(n11,n21)在求解置信区间时，先分清总体属于那种情况，然后写出置信区间，再代数值。7.假设检验

假设检验的基本原理：小概率事件在一次观测实验中几乎不可能发生

显著性水平：小概率事件发生的概率，也是拒绝域对应事件概率，显著性水平越大，拒绝域越大。

两类错误：对原假设H0，备择假设H1，第一类错误H1不真，接受H1，第二类错误H0不真，接受H0，为减少两类错误，需增加样本容量。

假设检验的基本步骤：(i)提出假设；(ii)选取检验统计量；(iii)确定拒绝域；(iv)计算观测值(v)并作出拒绝与接收原假设判断

P值检验：计算p值，与显著性水平比较，p值小于拒绝原假设，否则就接收原假设；p值计算方法是将观测值作为拒绝域临界点，代入拒绝域事件计算其概率。假设检验的情形：

见书中164表，请复印下来，以便记忆，重点是1、2、3、7种情形，其余的也最好熟记。特别要注意，对假设检验问题，首先只看总体，是单个总体，还是两个总体，是对均值检验还是方差（精度）检验，若是均值检验，要看总体方差是已知还是未知，总之要分清情形；另外若是单侧检验，要写对原假设与备择假设，一般问有没显著改变，就是双侧检验，有没有显著提高就是右单侧检验，有没有显著降低就是左单侧检验；同时，把不含等于的情形作为备择假设，含有等于的作为原假设，如不超过多少，就是小于等于，这种含有等于，作为原假设。在双侧检验中，要写全拒绝域，然后看观测值是否满足不等式，以作推断。考试重点：全概率公式，独立性与不相关性等，一维，二维随机变量函数的概率密度求法，随机变量函数的概率密度求法，边缘概率，条件概率，期望，方差，协方差，点估计及其评价标准，假设检验。