概率论与数理统计公式定理全总结
概率论与数理统计公式大全
概率论与数理统计公式大全一、概率基本公式1.事件的概率：对于事件A，在随机试验中发生的次数记为n(A)，则事件A的概率为P(A)=n(A)/n，其中n为试验总次数。
2.互斥事件的概率：对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。
3.事件的余事件概率：设事件A为必然事件，全集的概率为P(S)=1，事件A的余事件为A'，则有P(A')=1-P(A)。
4.条件概率：对于两个事件A和B，假设事件B已经发生，事件A发生的概率记为P(A，B)，则P(A，B)=P(A∩B)/P(B)。
二、随机变量及其概率分布1.离散型随机变量：设X是一个离散型随机变量，其概率函数为P(X=k)，其中k为X的取值，概率函数满足P(X=k)≥0，且∑P(X=k)=12. 连续型随机变量：设X是一个连续型随机变量，其概率密度函数为f(x)，概率密度函数满足f(x)≥0，且∫f(x)dx = 13. 随机变量的数学期望：对于离散型随机变量X，其数学期望为E(X) = ∑k*P(X=k)；对于连续型随机变量X，其数学期望为E(X)=∫xf(x)dx。
4. 随机变量的方差：对于离散型随机变量X，其方差为Var(X) =E(X^2) - [E(X)]^2；对于连续型随机变量X，其方差为Var(X) = E(X^2) - [E(X)]^2三、常见的概率分布1.伯努利分布：表示一次实验成败的概率分布，概率函数为P(X=k)=p^k(1-p)^(1-k)，其中0≤p≤12.二项分布：表示n次独立重复的伯努利试验中成功次数的概率分布，概率函数为P(X=k)=C(n,k)*p^k(1-p)^(n-k)，其中C(n,k)为组合数。
3. 泊松分布：表示单位时间或单位面积内发生事件次数的概率分布，概率函数为P(X=k) = (lambda^k)/(k!)*e^(-lambda)，其中lambda为平均发生率。
4.均匀分布：表示在一个区间内取值相等的概率分布，概率密度函数为f(x)=1/(b-a)，其中[a,b]为区间。
概率论与数理统计超全公式总结
Cov(aX , bY ) = abCo若v(UX~,Yχ)2(n1),
F 分布 正态总体条件下 样本均值的分布：
V ~ χ 2 (n2 ),
则 U / n1 V / n2
~
F (n1, n2 )
σ2 X ~ N(µ, )
n
X − µ ~ N (0,1) σ/ n
样本方差的分布：
(n −1)S 2 σ2
k =1
第二章
二项分布（Bernoulli 分布）——X~B(n,p)
F (x, y) = P{X ≤ x,Y ≤ y} 联合密度与边缘密度
+∞
∫ fX (x) = −∞ f (x, y)dy
+∞
∫ fY (y) = −∞ f (x, y)dx
P(X =k)=Cnkpk(1−p)n−k，(k=0,1,...n, )
泊松分布——X~P(λ)
P( X = k) = λk e−λ， (k = 0,1,...) k!
概率密度函数
+∞
∫ f (x)dx = 1 −∞
怎样计算概率 P(a ≤ X ≤ b)
b
P(a ≤ X ≤ b) = ∫a f (x)dx
均匀分布 X~U(a,b)
1
f (x) =
(a ≤ x ≤ b)
b−a
n — 样本容量(大样本要求n > 50) zα /2 — 正态分布的分位点
⎜⎛ x ± zα / 2 ⎝
σ ⎟⎞ n⎠
(3) H0 : µ ≤ µ0 H1 : µ > µ0 右边检验
单正态总体均值的 Z 检验
小样本、正态总体、标 准差σ已知
（大样本情形σ未知时用SZ代=替X）− µ 0 σ/ n
概率论与数理统计公式整理
概率论与数理统计公式整理在现代数学中，概率论与数理统计是两个重要的分支。
其中概率论是研究随机事件发生的可能性或概率的科学。
而数理统计则是利用概率论的方法，对已经发生的随机事件进行统计分析和推断。
本文将整理概率论与数理统计中常用的公式。
一、基本概率公式1.概率：$P(A)=\frac{n(A)}{n(S)}$其中，$P(A)$表示事件$A$发生的概率，$n(A)$表示事件$A$所包含的基本事件的个数，$n(S)$表示所有基本事件的个数。
2.加法原理：$P(A\cup B)=P(A)+P(B)-P(A\cap B)$其中，$A$和$B$是两个事件，$A\cup B$表示事件$A$和事件$B$中至少有一个发生的概率，$A\cap B$表示两个事件同时发生的概率。
3.条件概率：$P(B|A)=\frac{P(A\cap B)}{P(A)}$其中，$P(B|A)$表示在事件$A$发生的条件下，事件$B$发生的概率。
4.乘法定理：$P(A\cap B)=P(A)P(B|A)$其中，$P(A\cap B)$表示两个事件同时发生的概率，$P(B|A)$表示在事件$A$发生的条件下，事件$B$发生的概率。
二、概率分布1.离散随机变量的概率分布律：$\sum\limits_{i=1}^{+\infty}{p(x_i)}=1$其中，$p(x_i)$表示离散随机变量取值为$x_i$的概率。
2.连续随机变量的概率密度函数：$\int_{-\infty}^{+\infty}{f(x)}\mathrm{d}x=1$其中，$f(x)$表示连续随机变量在$x$处的概率密度。
3.数学期望：$E(x)=\sum\limits_{i=1}^{+\infty}{x_ip(x_i)}$或$E(x)=\int_{-\infty}^{+\infty}{xf(x)}\mathrm{d}x$其中，$E(x)$表示随机变量$x$的数学期望，$p(x_i)$表示$x_i$这一离散随机变量取到的带权概率。
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1.概率公式：-概率的加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)-概率的乘法公式：P(A∩B)=P(A)P(B，A)=P(B)P(A，B)-全概率公式：P(B)=P(A1)P(B，A1)+P(A2)P(B，A2)+...+P(An)P(B，An)-贝叶斯公式：P(Ai，B)=P(B，Ai)P(Ai)/(P(B，A1)P(A1)+P(B，A2)P(A2)+...+P(B，An)P(An))2.随机变量与分布：- 期望：E(X) = ∑(xP(X=x))或E(X) = ∫(xf(x)dx)- 方差：Var(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2- 协方差：Cov(X, Y) = E[(X - E(X))(Y - E(Y))]- 标准差：SD(X) = sqrt(Var(X))-二项分布：P(X=k)=C(n,k)p^k(1-p)^(n-k)- 泊松分布：P(X = k) = (lambda^k)e^(-lambda) / k!- 正态分布：P(X = x) = (1 / (sqrt(2*pi)*sigma)) * e^(-(x-mu)^2 / (2*sigma^2))3.估计与检验：-极大似然估计：L(θ)=∏(f(x_i;θ))-似然比检验：λ=L(θ)/L(θ0)- 估计的无偏性：E(θ_hat) = θ- 估计的有效性：Var(θ_hat) ≤ Var(θ)- 中心极限定理：对于均值为μ、方差为σ^2的随机变量X，若样本容量n趋于无穷大，则样本均值X_bar的极限分布服从正态分布4.相关与回归：- 相关系数：r = Cov(X, Y) / (SD(X) * SD(Y))-简单线性回归方程：Y=β0+β1X+ε- 最小二乘估计：β1 = Cov(X, Y) / Var(X)- 线性回归预测：Y_hat = β0 + β1X5.抽样分布：- 样本均值分布：X_bar ~ N(μ, σ^2 / n)- 样本比例分布：p_hat ~ N(p, p(1-p) / n)-卡方分布：X^2~χ^2(k)-t分布：T~t(n)-F分布：F~F(m,n)以上是一些概率论与数理统计中常见的公式，希望对你的学习有所帮助。
概率论与数理统计公式定理全总结
概率论与数理统计公式定理全总结一、概率论公式：1.基本概率公式：对于随机试验E，事件A的概率可以表示为P(A)=事件A的样本点数/所有样本点数。
2.条件概率公式：对于事件A和事件B，若P(B)>，则事件A在事件B发生的条件下的概率可以表示为P(A，B)=P(A∩B)/P(B)。
3.全概率公式：对于互不相容事件A1,A2,...,An，它们的和事件为全样本空间S，且概率P(Ai)>，则对于任意事件B有P(B)=Σ(P(Ai)×P(B，Ai))。
4.贝叶斯公式：对于互不相容事件A1,A2,...,An，它们的和事件为全样本空间S，且概率P(Ai)>，则对于任意事件B，有P(Ai，B)=(P(B，Ai)×P(Ai))/Σ(P(B，Ai)×P(Ai))。
二、数理统计公式：1.期望：随机变量X的期望E(X)=Σ(Xi×P(Xi))，其中Xi为随机变量X的取值，P(Xi)为随机变量X取值为Xi的概率。
2. 方差：随机变量X的方差Var(X) = Σ((Xi - E(X))^2 ×P(Xi))，其中Xi为随机变量X的取值，E(X)为随机变量X的期望，P(Xi)为随机变量X取值为Xi的概率。
3. 协方差：随机变量X和Y的协方差Cov(X,Y) = E((X - E(X))(Y - E(Y)))，其中E(X)和E(Y)分别为随机变量X和Y的期望。
4. 相关系数：随机变量X和Y的相关系数ρ(X,Y) = Cov(X,Y) / √(Var(X) × Var(Y))，其中Cov(X,Y)为随机变量X和Y的协方差，Var(X)和Var(Y)分别为随机变量X和Y的方差。
三、概率论与数理统计定理：1.大数定律：对于独立同分布的随机变量X1,X2,...,Xn，它们的均值X̄=(X1+X2+...+Xn)/n，当n趋向于无穷大时，X̄趋向于X的期望E(X)。
大学概率论与数理统计公式全集
大学概率论与数理统计公式全集一、随机事件和概率1、随机事件及其概率2、概率的定义及其计算二、随机变量及其分布1、分布函数性质P(X 乞b) =F(b) P(a ：： X 冬b) = F(b) _ F(a)2、离散型随机变量3、连续型随机变量三、多维随机变量及其分布1、离散型二维随机变量边缘分布 P i =P(X =X i )二％ P(X = xi ,丫二 yj ) = ' pij pj =P( Y=yj )=' P(X 二 X j , 丫二 yj )=' pij j j离散型二维随机变量条件分布P(X =X j ,Y =yj )pij…= P(X =X j Y =y j ),i=1,2jP(丫 =yj )P j P(X=X j ,Y=y j )p j2、 P i j P ji3、x yf(u,v)dvdu4、连续型二维随机变量边缘分布函数与边缘密度函数 边缘分布函数： F x (x) = [「f(u,v)dvdu 边缘密度函数：f x (x)二.-^o a-bof(u,y)du*^0.■bof (x, v)y ■:: F y (y)f (u,v)dudv f Y (y)二 5、二维随机变量的条件分布fYx (yx)二■■■■■y < fxY (xy)二<x :：: ■：：x Y四、随机变量的数字特征1、数学期望离散型随机变量：E(X)=.；「X k P k连续型随机变量：E(X)二=xf(x)dx2、数学期望的性质(1)E(C) =C,C为常数E[E(X)] =E(X) E(CX) =CE(X)(2)E(X _Y) =E(X) _E(Y) E(aX _b) =aE(X) _b E(C^X^ ■ C n X n^C1E(X1^ ■ C n E(X n) ⑶ 若GY相互独立则：E(XY) =E(X)E(Y)(4) [E(XY)]2 <E2(X)E2(Y)3、万差:D(x) =E(X2) —E2(x)4、方差的性质(1) D(C) =0 D[D(X)] =0 D(aX _b) =a2D(X) D(X) ：：:E(X -C)2⑵ D(X _Y)二D(X) • D(Y) _2Cov(X,Y)若 GY相互独立则：D(X _Y)二D(X) • D(Y)5、协方差：Cov(X,Y)二E(X,Y) _E(X)E(Y)若 GY相互独立则：Cov(X,Y)=06、相关系数：认「(X,Y)〜Cov(X,丫)若GY相互独立则：认=0即GY不相关J D(X)阿石7、协方差和相关系数的性质(1)Cov(X,X) =D(X) Cov(X,Y)二Cov(Y, X)(2)Cov(X1 X2,Y) =Cov(X1,Y) Cov(X2,Y) Cov(aX c, bY • d)二abCov(X,Y)&常见数学分布的期望和方差五、大数定律和中心极限定理1、 切比雪夫不等式若 E(X)-」.,D(X)=：；2,对于任意'.0 有 P{X _E(X) _ }空里^2 或 P{X _E(X) ：：： }n n2、 大数定律：若X i …X n 相互独立且「时，—、• X i —D r-7 E(X i )ni 4ni二nn(1)若 X i X n 相互独立，E(X i ) =A i , D(X i ) =52且 O i 2兰M 贝y ： -Z X i — 1瓦 E(X i ),(n T ©nyny1n⑵若X i …X n 相互独立同分布，且E(X j )=n 则当n 时：―、X, P> Jn y3、 中心极限定理(1) 独立同分布的中心极限定理：均值为 」，方差为C 20的独立同分布时，当n 充分 大时有：n' X k —n ・iY n = ------------------- 二 N(0,1)U n cr(2) 拉普拉斯定理：随机变量n (n =1,2 )~B( n, p)则对任意G 有:xt 2lim P { ：n np兰x} = f -j^e 2dt =Q (x) x -°p(1-p) - ： .2 二六、数理统计1、总体和样本n _(5) 样本 k 阶中心距：B k =Mk(X i -X)k ,^2,3'nm(1)样本平均值： n n n2X 」、X i (2)样本方差：S 2匚、(X i -X)2L' (X i 2-nx )n-1y n -1(3)样本标准差：，彳 n ns= 1v(X i-X)2(4)样本 k 阶原点距：A k X i k,k=1,2 … ,n -1^(X 1，X 2 X n )的联合分布为 F(X 1,X 2 X n )F (X k )心(3)近似计算:nP(a 乞、X k Eb) =P(生' X k -n 」■k'.nc<^n 1才一门.」：泸- nc、、..总体X 的分布函数F(X)样本 2、统计量(6)次序统计量：设样本(X1，X2…X n)的观察值凶七和，将为,X?…X.按照由小到大的次,记取值为X(i)的样本分量为X(i),则称X(1宀(2)「乞x(n) 序重新排列,得到X(1)乞X(2) <X(n)为样本(X1,X2…X n)的次序统计量。
概率论与数理统计公式
概率论与数理统计公式概率论是一门研究随机现象规律的数学学科，是现代数学的基础之一、而数理统计则是利用概率论的工具和方法，分析和处理统计数据，从而得出推断、估计、决策等信息的科学。
在概率论与数理统计的学习过程中，掌握一些重要的公式是非常关键的。
下面是一些概率论与数理统计中常用的公式：1.概率公式：-加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)-乘法公式：P(A∩B)=P(A)*P(B，A)-条件概率公式：P(A，B)=P(A∩B)/P(B)2.期望与方差公式：-期望：E(X)=∑(x*P(X=x))- 方差：Var(X) = E((X-μ)^2) = ∑((x-μ)^2 * P(X=x))3.常用概率分布及其特征：-二项分布：P(X=k)=C(n,k)*p^k*(1-p)^(n-k)-泊松分布：P(X=k)=(λ^k*e^(-λ))/k!-正态分布：f(x)=(1/(σ*√(2π)))*e^(-((x-μ)^2)/(2*σ^2))4.样本与总体统计量公式：-样本均值：x̄=(∑x)/n-样本方差：s^2=(∑(x-x̄)^2)/(n-1)-样本标准差：s=√(s^2)5.参数估计公式：-点估计：-总体均值估计：μ的点估计为x̄-总体方差估计：σ^2的点估计为s^2-区间估计：-总体均值的置信区间：x̄±Z*(σ/√n)-总体比例的置信区间：p±Z*√((p*(1-p))/n)6.假设检验公式：-均值检验：-单样本均值检验：t=(x̄-μ0)/(s/√n)-双样本均值检验：t=(x̄1-x̄2)/√((s1^2/n1)+(s2^2/n2))-比例检验：-单样本比例检验：z=(p-p0)/√((p0*(1-p0))/n)-双样本比例检验：z=(p1-p2)/√((p*(1-p))*((1/n1)+(1/n2)))以上是概率论与数理统计中一些常用的公式，这些公式为解决问题提供了有力的工具和方法。
概率论与数理统计公式大全
概率论与数理统计公式大全概率论和数理统计作为数学的两个重要分支，被广泛应用于各个领域。
无论是在学术研究还是实际应用中，熟悉并掌握相关的公式是非常重要的。
本文将为您提供概率论与数理统计公式的大全，帮助您更好地理解和应用这两门学科。
一、概率论公式1. 概率公式- 概率的定义：P(A) = N(A) / N(S)，其中P(A)表示事件A发生的概率，N(A)代表事件A的样本点个数，N(S)表示样本空间中的样本点总数。
- 加法法则：P(A∪B) = P(A) + P(B) - P(A∩B)，其中P(A∪B)表示事件A或事件B发生的概率，P(A∩B)表示事件A和事件B同时发生的概率。
- 乘法法则：P(A∩B) = P(A) × P(B|A)，其中P(B|A)表示在事件A 发生的条件下，事件B发生的概率。
2. 条件概率公式- 条件概率的定义：P(A|B) = P(A∩B) / P(B)，其中P(A|B)表示在事件B发生的条件下，事件A发生的概率。
- 全概率公式：P(A) = ∑[P(Bi) × P(A|Bi)]，其中Bi为样本空间的一个划分，P(Bi)表示事件Bi发生的概率，P(A|Bi)表示在事件Bi发生的条件下，事件A发生的概率。
3. 事件独立性公式- 事件A和事件B独立的定义：P(A∩B) = P(A) × P(B)，即事件A和事件B同时发生的概率等于事件A发生的概率乘以事件B发生的概率。
- 事件的相互独立：若对于任意的事件A1，A2，...，An，有P(A1∩A2∩...∩An) = P(A1) × P(A2) × ... × P(An)，则称事件A1，A2，...，An相互独立。
4. 随机变量- 随机变量的定义：随机变量X是样本空间到实数集的映射。
- 随机变量的分布函数：F(x) = P(X≤x)，表示随机变量X小于等于x的概率。
- 随机变量的概率密度函数（连续型随机变量）：f(x)是非负函数，且对于任意实数区间[a, b]，有P(a≤X≤b) = ∫[a, b]f(x)dx。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第一章P(A+B)=P(A)+P(B)- P(AB)特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B) 条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章二项分布（Bernoulli 分布）——X~B(n,p)泊松分布——X~P(λ)概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp (θ)分布函数对离散型随机变量对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布 分布规律的描述方法联合密度函数 联合分布函数联合密度与边缘密度离散型随机变量的独立性连续型随机变量的独立性第三章数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望常用公式)()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==nk k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤badxx f b X a P )()()0(1)(/≥=-x e x f x θθ∑≤==≤=xk k X P x X P x F )()()(⎰∞-=≤=xdtt f x X P x F )()()(⎰∞-=≤=xdtt f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f 1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=⎰+∞∞-=dyy x f x f X ),()(⎰+∞∞-=dxy x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k kkP xX E )(⎰+∞∞-⋅=dx x f x X E )()(∑=kkk p x g X g E )())((∑∑=ijiji p x X E )(dxdyy x xf X E ⎰⎰=),()()(1)(b x a ab x f ≤≤-=)()('x f x F =方差 定义式常用计算式常用公式当X 、Y 相互独立时：方差的性质D(a)=0，其中a 为常数D(a+bX)=b2D(X)，其中a 、b 为常数当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 协方差与相关系数协方差的性质独立与相关 独立必定不相关 相关必定不独立 不相关不一定独立第四章 正态分布标准正态分布的概率计算 标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P一般正态分布的概率计算一般正态分布的概率计算公式第五章 卡方分布t 分布F 分布正态总体条件下 样本均值的分布：)()()(Y E X E Y X E +=+∑∑=ijijj i p y x XY E )(dxdyy x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dxx f X E x X D )()()(2[]22)()()(X E X E X D -=))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()()(),(Y E X E XY E Y X Cov -=)()(),(Y D X D Y X Cov XY=ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =),(),(),(Z Y Cov Z X Cov Z Y X Cov +=+),(~2σμN X 222)(21)(σμσπ--=x ex f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔)()()(σμ-Φ=<=≤a a X P a X P )(1)()(σμ-Φ-=>=≥a a X P a X P )()()(σμσμ-Φ--Φ=≤≤a b b X a P )(~)1,0(~212n X N X ni i χ∑=，则若())(~1),,(~21222n Y N Y ni iχμσσμ∑=-则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ),(~2nN X σμ)1,0(~/N nX σμ-则若),(~),1,0(~2n Y N X χ)(~/n t nY X样本方差的分布：两个正态总体的方差之比第六章点估计：参数的估计值为一个常数 矩估计最大似然估计 似然函数均值的区间估计——大样本结果正态总体方差的区间估计两个正态总体均值差的置信区间 大样本或正态小样本且方差已知两个正态总体方差比的置信区间第七章假设检验的步骤① 根据具体问题提出原假设H0和备择假设H1 ② 根据假设选择检验统计量，并计算检验统计值 ③ 看检验统计值是否落在拒绝域，若落在拒绝域则拒绝原假设，否则就不拒绝原假设。
不可避免的两类错误第1类(弃真)错误：原假设为真，但拒绝了原假设 第2类(取伪)错误：原假设为假，但接受了原假设 单个正态总体的显著性检验● 单正态总体均值的检验 ➢ 大样本情形——Z 检验➢ 正态总体小样本、方差已知——Z 检验 ➢ 正态总体小样本、方差未知—— t 检验 ● 单正态总体方差的检验➢ 正态总体、均值未知——卡方检验 单正态总体均值的显著性检验 统计假设的形式双边检验左边检验右边检验单正态总体均值的Z 检验拒绝域的代数表示 双边检验 左边检验 右边检验比例——特殊的均值的Z 检验)1(~)1(222--n S n χσ)1(~/--n t ns X μ)1,1(~//2122212221--n n F SS σσ);(1θi ni x f L ∏==);(1θi ni x p L ∏==⎪⎭⎫ ⎝⎛±n z x σα2/正态分布的分位点—大样本要求样本容量—代替准差通常未知，可用样本标标准差—样本均值—2/)50()(ασz n ns x >⎪⎪⎭⎫ ⎝⎛-±n p p z p )1(2/α正态分布的分位点—大样本要求样本容量—样本比例—2/)50(αz n np >已知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛±n z x σα2/未知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛-±n s n t x )1(2/α分布的分位点的自由度为—t n n t 1)1(2/--α()22/1222/2)1()1(,ααχχ---S n S n 卡方分布的分位点—样本方差—22/2αχS()⎪⎪⎭⎫ ⎝⎛+±-2221212/21n n z x x σσα⎪⎪⎭⎫ ⎝⎛----)1,1(/,)1,1(/212/2221212/2221n n F S S n n F S S αα0100::)1(μμμμ≠=H H 0100::)2(μμμμ<≥H H 0100::)3(μμμμ>≤H H nX Z /0σμ-=代替）未知时用（大样本情形S σ2/αZ Z ≥αZ Z ≥np p p p Z /)1(000--=—样本比例——总体比例—p p 0αZ Z -≤单正态总体均值的 t 检验单正态总体方差的卡方检验拒绝域双边检验左边检验右边检验n S X t /0μ-=222)1(σχS n -=22/1222/2ααχχχχ-≤≥或22/12αχχ-≤22/2αχχ≥。