概率论与数理统计各种分布总结
考研数学《概率论与数理统计》知识点总结
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=?，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=?，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 (?)=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 ），kn kkn 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 ab 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 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)(ex p[21)(22σμσπ--=x x f ；t t x F xd ]2)(ex p[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 ]2ex p[21)(2π．即μ=0，σ=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．3σ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-3σ，μ+3σ)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 |σ)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 yxd 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，σ12，σ22，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：条件分布函数：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，σ12)，记Y ~N (μ2，σ22)，则对Z=X+Y 有Z ~N (μ1+μ2，σ12+σ22)．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： ⎰∞∞-=xxzx f x z f XY d ),(1)(，若X 和Y 相互独立，则有⎰∞∞-=x x z 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 )=Var(X )=E {[X －E (X )]2}．标准差(均方差)： 记为σ(X )，σ(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),(~2ii iN X σμ，i C 是不全为0的常数，则),(~22112211i i ni i i ni 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 c c c c 212222111211C ， =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：)}()(21ex p{det )2(1),,,(1T 221μX C μX C ---=-n n x x x f π ，T21T 21),,,(),,,(n n x 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．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，有则称序列Y1，Y2，…，Yn，…依概率收敛于a．记伯努利大数定理：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)=σ2 >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)=μ k，D(X k)=σ k2 >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：样本方差：样本标准差：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．当n充分大时(n>40)，22)12(21)(-+≈nznααχ，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)，nYXt/=，其中X~N(0，1)，Y~χ2(n)，X，Y相互独立．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 hnttPnt)(d)()}({，则称)(ntα为)(nt的上α分位点．~ 近似的min Q1 M Q3 max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) F 分布的分位点：对于0<α<1，满足αψαα==>⎰∞y y n n F FP 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，σ2)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，σ2)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，σ2)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，σ12)和N (μ2，σ22)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σ12=σ22=σ2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σ2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 ni 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 iθ（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 et tF -=>}{，则)(}){()(1i mi mn m m nt P t t F CL =-∏>=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),,,(ˆ21nX 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，σ2)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μσ2已知ασμz nX +=，ασμz nX -=μ σ2未知αμt n S X +=，αμt nSX -= σ2μ未知2122)1(αχσ--=S n ，222)1(αχσS n -=两个正态总体 μ1－μ2 σ12，σ22 已知μ1－μ2 σ12=σ22=σ2 未知σ12/σ22μ1，μ2 未知ασσ-=1222122211F S S ，ασσF S S 122212221=单个总体X ~N (μ，σ2)，两个总体X ~N (μ1，σ12)，Y ~N (μ2，σ22)．第八章 假设实验定义： H 0：原假设或零假设，为理想结果假设；H 1：备择假设，原假设被拒绝后可供选择的假设． 第Ⅰ类错误：H 0实际为真时，却拒绝H 0．第Ⅱ类错误：H 0实际为假时，却接受H 0．显着性检验：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H 0为真拒绝H 0}≤α，α称为显着水平．拒绝域：取值拒绝H 0．临界点：拒绝域边界．双边假设检验：H 0：θ=θ0，H 1：θ≠θ0．右边检验：H 0：θ≤θ0，H 1：θ>θ0．左边检验：H 0：θ≥θ0，H 1：θ<θ0．正态总体均值、方差的检验法(显着性水平为α)原假设H 0备择假设H 1检验统计量拒绝域 1 σ2已知μ≤μ0μ>μ0z ≥z α μ≥μ0 μ<μ0 z ≤－z α μ=μ0μ≠μ0|z |≥z α/22 σ2未知μ≤μ0μ>μ0t≥tα(n－1) μ≥μ0μ<μ0t≤－tα(n－1) μ=μ0μ≠μ0|t|≥tα/2(n－1)3 σ1，σ2已知μ1－μ2≤δμ1－μ2>δz≥zαμ1－μ2≥δμ1－μ2<δz≤－zαμ1－μ2=δμ1－μ2≠δ|z|≥zα/24 σ12=σ22=σ2未知μ1－μ2≤δμ1－μ2>δt≥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σ2≤σ02σ2>σ02χ2≥χα2(n－1)σ2≥σ02σ2<σ02χ2≤χ21－α(n－1)σ2=σ02σ2≠σ02χ2≥χ2α/2(n－1)或χ2≤χ21－α/2(n－1)6 μ1，μ2未知σ12≤σ22σ12>σ22F≥Fα(n1－1，n2－1)σ12≥σ22σ12<σ22F≤F1－α(n1－1，n2－1)σ12=σ22σ12≠σ22F≥Fα/2(n1－1，n2－1)或F≤F1－α/2(n1－1，n2－1)7成对数据μD≤0 μD>0 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的置信区间与显着水平为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．。
概率论与数理统计知识点总结
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。
概率论与数理统计总结之第三章
第三章 多维随机变量及其分布第一节二维随机变量的概念1.二维随机变量定义：设(X,Y)是二维随机变量，记为:(,){()()}=≤⋂≤F x y P X x Y y (,)=≤≤P X x Y y (,)-∞<<∞-∞<<∞x y称(,)F x y 为X 与Y 的分布函数，或称X 与Y 的联合分布函数}}(){{(,lim (,)→+∞=≤=≤≤+∞=X y F x P X x P X x Y F x y}}(){{,lim (,)→+∞=≤=≤+∞≤=Y x F y P Y y P X Y y F x y分布函数(,)F x y 性质:1）(,)F x y 是变量x 和变量y 的不减函数，(分别关于x 和y 有单调不减性) 2）0(,)1≤≤F x y ，任意一边趋于-∞＝０.F(∞，∞)=1（用来确定未知参数）.3）(,)(0,)(0,0)=+=++F x y F x y F x y ，即(,)F x y 分别关于x 右连续，关于y 也右连续,4）对于任意11221212(,),(,),,,<<x y x y x x y y 下述不等式成立(可用于判定二元函数(,)F x y 是不是某二维随机变量的分布函数):22211112(,)(,)(,)(,)0-+-≥F x y F x y F x y F x y 2.二维离散型随机变量:定义:如果二维随机变量(X,Y)只取有限对或可列无穷多对，则称(X,Y)是二维离散型随机变量其概率{,},,1,2,====i i ij P X x Y y p i j …为二维离散型随机变量(X,Y)的分布律，或随机变量X 和Y 是联合分布律 性质:1.0,(i,j 1.2.....)≥=ij P2.1≤≤=∑∑i i ijx x y yp满足以上两条，即为二维离散型随机变量的分布律. 注；步骤:定取值,求概率,验证1.离散型随机变量X 和Y 的联合分布函数为(,)≤≤=∑∑i i ijx x y yF x y p，其中和式是对一切满足,≤≤i i x x y y 的i,j 来求和的边缘分布定义:对于离散型随机变量(X,Y)，分量X 和Y 的分布律(), 1.2...(), 1.2..的边缘分布律：的边缘分布律：••========∑∑i i ij jJ i ij iX p P X x p i Y p P Y y p i ，0,0(, 1.2....)1•••≥≥===∑∑i j jiip p i j pi p联合确定边缘，但一般情况，边缘不能确定的联合，除非相互独立. 比如；有放回的摸球，就是X ，Y 相互独立. 不放回地摸球，是条件分布.3.二维连续型随机变量的概率密度和边缘概率密度. 对比一维的: 概率密度:()()1∞-∞==⎰f x f x dx ，分布律:{}(),≤≤=⎰b aP a x b f x dx 分布函数:()()-∞=⎰xF x f t dt二维:定义:设二维随机变量(X,Y)的分布函数为(,)F x y ，若存在非负可积函数(,)f x y ，使得对于任意实数x,y 有(,)(,)-∞-∞=⎰⎰xyF x y f u v dudv ，则称(X,Y)为二维连续型随机变量，(,)f x y 称为(X,Y)的概率密度，或联合概率密度.概率密度的性质: 1.(,)F x y ≥0 2.(,)1∞∞-∞-∞=⎰⎰f x y dxdy只要具有以下两条性质，必可作为某二维随机变量的概率密度.3.已知(X,Y)的概率密度(,)f x y ，则(X,Y)在平面区域D 内取值的概率为:{(,)}(,)∈=⎰⎰DP X Y D f x y dxdy (作二重积分)(随机点(X,Y)落在平面区域D 上的概率等于以平面区域D 为底，以曲面(,)=z f x y 顶的典顶的体积) 4.若(,)F x y 在点(x,y)连续，则有2(,)(,)∂=∂∂F x y f x y x y(连续就能根据分布律求概率密度)1） 当求()=P X Y 时，它只是一条线，所以：()0＝=P X Y2） 一个方程有无实根：20++=ax bx c ，即求：22240,40,40,一个实根无实根两个实根+=+<+>b ac b ac b ac均匀分布：定义:设D 为平面上的有界区域，其面积为S ，且0>S ,如果二维随机变量(X,Y)的概率密度为1,(x,y)(,)0,其它⎧∈⎪=⎨⎪⎩Df x y S，则称(X,Y)服从区域D 上的均匀分布(或叫(X,Y)在D 上服从均匀分布，记作（X,Y ）D U . 两种特殊情形:1） D 为矩形，,c )≤≤≤≤a x b y d 时，1,()()(,),c )0,其它⎧⎪--=≤≤≤≤⎨⎪⎩b a dc f x y a x b y d2） D 为圆形，如(X,Y)在以原点为圆心，R 为半径的圆域上服从均匀分布，则(X,Y)的概率密度为:22221,(,))0,其它π⎧⎪=+≤⎨⎪⎩f x y x y R R定义:对连续型随机变量(X,Y),分量X,Y 的概率密度称为(X,Y)关于X 或Y 的边缘概率密度,记作(),X f x ().Y f y X 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰xX F x F x f u v dv du （让Ｙ趋于正无穷） Y 的分布函数:()(,)(,)∞-∞-∞⎡⎤=∞=⎢⎥⎣⎦⎰⎰yY F y F y f u v du dv （让Ｘ趋于正无穷） X 的概率密度:()(,),()∞-∞=-∞<<∞⎰X f x f x y dy xY 的概率密度:()(,),()∞-∞=-∞<<∞⎰Y f y f x y dx y（二维的边缘概率密度是直接以联合概率密度在负无穷到正无穷对对应元素积分，其间需要对划分区间的作分别积分）(X,Y)的概率密度:(,)(,)[(,)]-∞-∞-∞-∞==⎰⎰⎰⎰x yx yf x y f u v dudv f u v dv du二维正态分布： 二维正态221212(,)(,,,,)σσρX Y N u u 分布函数的性质:1.211()(,)σX N u ,222()(,)σY N u 边缘服从一维正态分布2.0,ρ=⇔xy X Y 独立（相关系数为Ｏ，则两个随机变量独立）3.212()()σ++k X k Y N u (线性组合按一维正态处理)4. 1212()，±±k X k Y c X c Y 服从二维正态（如：(,)+-X Y X Y ） 条件分布:设(X,Y)是二维离散型随机变量，对于固定的j ，若{}0=>j P Y y ，则称{=i P X x ｜{,}},1,2,{}⋅=======i j ij j j jP X x Y y p Y y i P Y y p …为在=j Y y 条件下随机变量X 的条件分布律同样地，若{}0,=>i P X x 则称{=j P Y y ｜{,}},1,2,{}⋅=======i j ij i i i P X x Y y p X x j P X x p …为=i X x 条件下随机变量Y 的条件分布律 变形，即得求联合分布律的方法.设二维随机变量(X,Y)的概率密度为f(x,y),(X,Y)关于Y 的边缘概率密度为()Y f y .若对于固定的y,()0,>Y f y 则称(,)()Y f x y f y 为在Y=y 的条件下X 的条件概率密度称|(,)(|)()-∞-∞=⎰⎰xxX Y Y f x y f x y dx dx f y 为在Y=y 的条件下，X 的条件分布函数，记为P{X ≤x|Y=y}或|(|)X Y F x y ，即|(,)(|){|}()-∞=≤==⎰x X Y Y f x y F x y P X x Y y dx f y 设F(x,y)及(),()X Y F x F y 分别是二维随机变量(X,Y)的分布函数及边缘分布函数，若对于所有x,y 有P{X ≤x,Y ≤y}=P{X ≤x}P{Y ≤y},即(,)()()=X Y F x y F x F y ，则称随机变量X 和Y 是相互独立的设(X,Y)是连续型随机变量，(,),(),()X Y f x y f x f y 分别为(X,Y)的概率密度和边缘概率密度，则X 和Y 相互独立的条件等价于(,)()()=X Y f x y f x f y 在平面上几乎处处成立(除去面积为0的集合以外，处处成立)第二节随机变量的独立性1. 两个随机变量的独立性 定义:设(,),().()X Y F x y F x F y 分别是二维随机变量(X,Y)的分布函数和两个边缘分布函数，若对任意实数,x y 有(,)().()=X Y F x y F x F y ，则称X 与Y 相互独立.可用于判断独立性(随机变量独立,对任意实数x,y,事件X ,Y ≤≤x y 相互独立) 以上公式等价于:(X ,Y )(X ).()≤≤=≤≤X Y P x y P x P Y y 可类推至多个函数的情况.1)如果X,Y 随机变量独立，().()连续f x g y ，(通过函数作用)则().()f x g y 也独立.(可类推至多个随机变量的情况)例:X,Y 独立，则22,x y 独立.2)如果1212,...,...，ＹＹＹm m X X X 相互独立，12m 121()()...()()()....()和，f x f x f x g y g y g y 也相互独立。
概率论与数理统计知识点总结
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(超详细版)
概率论与数理统计知识点总结(超详细版)eik则有P(A)=k/n，其中n为样本空间中元素的个数。
在概率论中，样本空间和随机事件是基本概念。
如果事件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。
当A和B中至少有一个发生时，称A∪B为事件A和事件B的和事件。
当A和B同时发生时，称A∩B为事件A和事件B的积事件。
当A发生、B不发生时，称A-B为事件A和事件B的差事件。
如果A和B互不相容，即A∩B=∅，则称A和B是互不相容的，或互斥的，基本事件是两两互不相容的。
如果A∪B=S且A∩B=∅，则称事件A和事件B互为逆事件，又称事件A和事件B互为对立事件。
在概率论中，还有一些运算规则。
交换律指A∪B=B∪A，A∩B=B∩A；结合律指(A∪B)∪C=A∪(B∪C)，(A∩B)∩C=A∩(B∩C)；分配律指A∪(B∩C)=(A∪B)∩(A∪C)，A∩(B∪C)=(A∩B)∪(A∩C)；德摩根律指A∪B=A∩B，A∩B=A∪B。
频率与概率是概率论的重要概念。
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 A称为事件A发生的频数，比值nAn称为事件A发生的频率。
概率指对于随机试验E的每一事件A赋予一个实数P(A)，称为事件的概率。
概率P(A)满足非负性，即对于每一个事件A，0≤P(A)≤1；规范性，即对于必然事件S，P(S)=1；可列可加性，即设A1，A2，…，An是两两互不相容的事件，则有P(∪Ai)=∑P(Ai)（n可以取∞）。
概率还有一些重要性质，包括P(∅)=0，P(∪Ai)=∑P(Ai)（n可以取∞），如果A⊂B，则P(B-A)=P(B)-P(A)，P(A)≤1，P(A)=1-P(A')，以及P(A∪B)=P(A)+P(B)-P(A∩B)。
等可能概型又称为古典概型，是指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。
如果事件A 包含k个基本事件，即A={e1}∪{e2}∪…∪{ek}，则有P(A)=k/n，其中n为样本空间中元素的个数。
概率论与数理统计总结
概率论与数理统计总结3、分布函数与概率的关系 ∞<<∞-≤=x x X P x F ),()()()()()()(a F b F a X P b X P b X a P -=≤-≤=≤<4、离散型随机变量的分布函数 (1) 0 – 1 分布 1,0,)1()(1=-==-k p p k X P kk(2) 二项分布 ),(p n B nk p p C k X P k n k k n,,1,0,)1()( =-==- 泊松定理 0lim >=∞→λnn np有,2,1,0!)1(lim ==---∞→k k ep p Ckkn n knk nn λλ(3) 泊松分布 )(λP =,2,1,0,!)(===-k k ek X P kλλ（5）几何分布 p q k p q k X P k -====-1,2,1}{1dt t f x F x ⎰∞-=)()(则称X 为连续型随机变量，其中函数f(x)称为随机变量X 的概率密度函数， 2、分布函数的性质：（1）连续型随机变量的分布函数F(x )是连续函数。
（2）对于连续型随机变量X 来说，它取任一指定实数a 的概率均为零，即P{X=a }=0。
3、常见随机变量的分布函数 (1) 均匀分布 ),(b a U⎪⎩⎪⎨⎧<<-=其他,0,1)(b x a ab x f⎪⎪⎩⎪⎪⎨⎧--=1,,0)(a b a x x F(2) 指数分布 )(λE⎪⎩⎪⎨⎧>=-其他,00,)(x e x f x λλ ⎩⎨⎧≥-<=-0,10,0)(x ex x F xλ (3) 正态分布 N (μ , σ 2 )+∞<<∞-=--x ex f x 222)(21)(σμσπ⎰∞---=xt tex F d 21)(222)(σμσπN (0,1) — 标准正态分布+∞<<∞-=-x ex x 2221)(πϕ+∞<<∞-=Φ⎰∞--x t e x xt d 21)(22π2、连续型随机变量函数的分布： （1）分布函数法；(){}⎰⎰<==∈=yx g X l X yYdxx f dx x f l X P y F y)()()(（2）设随机变量X 具有概率密度f X (x )，又设函数g(x )处处可导且恒有g '(x )>0 (或恒有g '(x )<0) ，则Y=g(X )的概率密度为()()[]()⎩⎨⎧<<'=其他βαy y h y h f y f XY 其中x =h(y )为y =g(x )的反函数，()()()()()()∞+∞-=∞+∞-=g g g g ,m ax ,,m in βα 3、 二维连续型随机变量（1）联合分布函数为dudvv u f y x F y x ⎰⎰∞-∞-=),(),(函数f (x ,y )称为二维向量(X ,Y )的(联合)概率密度.其中： 0),(≥y x f ，⎰⎰∞∞-∞∞-=1),(dxdy y x f（2）基本二维连续型随机向量分布均匀分布：⎪⎩⎪⎨⎧∈=其他),(1),(G y x Ay x f二维正态分布：+∞<<-∞+∞<<∞--=-+------y x ey x f y y x x ,121),(])())((2)([)1(212212222212121212σμσσμμρσμρρσπσ3、离散型边缘分布律：4、 连续型边缘概率密度 ,),()(dy y x f x f X⎰∞+∞-= dx y x f y f Y⎰∞+∞-=),()(F (x ，y )=F x (x )F Y (y ) 则称随机变量X 和Y 是相互独立的3、连续型随机变量独立的等价条件 设(X ，Y )是连续型随机变量，f (x ，y )，f x (x )，f Y (y )分别为(X ，Y )的概率密度和边缘概率密度，则X 和Y 相互独立的充要条件是等式 f (x ，y ) = f x (x )f Y (y ) 对f (x ，y )，f x (x )，f Y (y )的所有连续点成立. 五、条件分布1、离散型随机变量的条件分布律： （3）条件分布函数：2、连续型随机变量的条件分布 （1）条件分布函数⎰⎰∞-∞-==x Y Y X Y x YX du y f y u f y x F y f du y u f y x F )(),()|()(),()|(||或写成，（2）条件概率密度在Y=y 条件下X 的条件概率密度)(),()|(|y f y x f y x fY Y X =同理 X=x 条件下X 的条件概率密度)(),()|(|x f y x f x y f X X Y =六、多维随机函数的分布 1、离散型随机变量函数分布：二项分布：设X 和Y 独立,分别服从二项分布b (n 1,p ), 和b (n 2,p )，则 Z=X+Y 的分布律：Z ～b (n 1+n 2,p ).泊松分布：若X 和Y 相互独立,它们分别服从参数为21,λλ的泊松分布,则Z=X+Y 服从参数为21λλ+的泊松分布。
概率论与数理统计总结
第一章随机事件与概率第一节随机事件及其运算1、随机现象：在一定条件下，并不总是出现相同结果的现象2、样本空间：随机现象的一切可能基本结果组成的集合，记为Ω={ω｝，其中ω表示基本结果，又称为样本点。
3、随机事件：随机现象的某些样本点组成的集合常用大写字母A、B、C等表示,Ω表示必然事件，∅表示不可能事件.4、随机变量：用来表示随机现象结果的变量，常用大写字母X、Y、Z等表示。
5、时间的表示有多种：（1）用集合表示，这是最基本形式（2）用准确的语言表示（3）用等号或不等号把随机变量于某些实属联结起来表示6、事件的关系（1）包含关系:如果属于A的样本点必属于事件B，即事件 A 发生必然导致事件B发生，则称A被包含于B，记为A⊂B；（2）相等关系：若A⊂B且B⊃A，则称事件A与事件B相等，记为A＝B。
（3）互不相容:如果A∩B=∅,即A与B不能同时发生,则称A与B互不相容7、事件运算（1）事件A与B的并:事件A与事件B至少有一个发生,记为 A∪B。
(2）事件A与B的交：事件A与事件B同时发生,记为A∩ B或AB。
(3）事件A对B的差：事件A发生而事件B不发生，记为 A－B。
用交并补可以表示为。
（4)对立事件:事件A的对立事件（逆事件），即“A不发生”,记为.对立事件的性质：。
8、事件运算性质：设A，B,C为事件，则有(1）交换律：A∪B=B∪A,AB=BA（2）结合律：A∪（B∪C)=(A∪B）∪C=A∪B∪C A(BC）=（AB)C=ABC（3)分配律：A∪(B∩C）＝(A∪B)∩(A∪C)、A（B∪C)＝(A∩B）∪(A∩C)= AB∪AC（4）棣莫弗公式（对偶法则）：9、事件域：含有必然事件Ω，并关于对立运算和可列并运算都封闭的事件类ξ称为事件域，又称为σ代数。
具体说,事件域ξ满足：（1）Ω∈ξ;(2）若A∈ξ，则对立事件∈ξ；（3)若A n∈ξ,n=1,2，···，则可列并ξ。
概率论与数理统计中的三种重要分布
概率论与数理统计中的三种重要分布摘要：在概率论与数理统计课程中，我们研究了随机变量的分布，具体地研究了离散型随机变量的分布和连续型随机变量的分布，并简单的介绍了常见的离散型分布和连续型分布，其中二项分布、Poisson 分布、正态分布是概率论中三大重要的分布。
因此，在这篇文章中重点介绍二项分布、Poisson 分布和正态分布以及它们的性质、数学期望与方差，以此来进行一次比较完整的概率论分布的学习。
关键词：二项分布；Poisson 分布；正态分布；定义；性质一、二项分布二项分布是重要的离散型分布之一，它在理论上和应用上都占有很重要的地位，产生这种分布的重要现实源泉是所谓的伯努利试验。
（一）泊努利分布[Bernoulli distribution ] (两点分布、0-1分布)1．泊努利试验在许多实际问题中，我们感兴趣的是某事件A 是否发生。
例如在产品抽样检验中，关心的是抽到正品还是废品；掷硬币时，关心的是出现正面还是反面，等。
在这一类随机试验中，只有两个基本事件A 与A ，这种只有两种可能结果的随机试验称为伯努利试验。
为方便起见，在一次试验中，把出现A 称为“成功”，出现A 称为“失败” 通常记(),p A P = ()q p A P =-=1。
2．泊努利分布定义：在一次试验中，设p A P =)(，p q A P -==1)(，若以ξ记事件A 发生的次数，则⎪⎪⎭⎫⎝⎛ξp q 10~，称ξ服从参数为)10(<<p p 的Bernoulli 分布或两点分布，记为：),1(~p B ξ。
（二）二项分布[Binomial distribution]把一重Bernoulli 试验E 独立地重复地进行n 次得到n 重Bernoulli 试验。
定义：在n 重Bernoulli 试验中，设(),()1P A p P A q p ===-若以ξ记事件A 发生的次数，则ξ为一随机变量，且其可能取值为n ,,2,1,0 ，其对应的概率由二项分布给出：{}k n kk n p p C k P --==)1(ξ，n k ,,3,2,1,0 =，则称ξ服从参数为)10(,<<p p n 的二项分布，记为),(~p n B ξ。
- 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)。
概率论与数理统计各种分布总结概率论与数理统计中有许多不同的概率分布，每个分布都具有不同的特征和应用。
下面是一些常见的概率分布的总结：
1. 均匀分布（Uniform Distribution）：在一个区间内的所有取值都具有相等的概率。
它可以是离散的（离散均匀分布）或连续的（连续均匀分布）。
2. 二项分布（Binomial Distribution）：描述了在一系列独立的伯努利试验中成功次数的概率分布。
每个试验只有两个可能结果（成功和失败），并且成功的概率保持不变。
3. 泊松分布（Poisson Distribution）：用于描述在给定时间或空间单位内发生某事件的次数的概率分布。
它通常用于模拟稀有事件的发生情况。
4. 正态分布（Normal Distribution）：也称为高斯分布，是最常见的连续概率分布之一。
它具有钟形曲线的形状，对称且具有明确的均值和标准差。
许多自然现象和测量数据都可以近似地用正态分布来描述。
5. 指数分布（Exponential Distribution）：描述了连续随机事件之间的时间间隔的概率分布。
它通常用于模拟无记忆性事件的发生情况，如设备故障、到达时间等。
6. 卡方分布（Chi-Square Distribution）：由正态分布的平方和构成的概率分布。
它在统计推断中广泛应用，特别是在假设检验和信赖区间的计算中。
7. t分布（Student's t-Distribution）：用于小样本量情况下参数估计和假设检验。
与正态分布相比，t分布具有更宽的尾部，因此更适用于小样本数据。
8. F分布（F-Distribution）：用于比较两个或多个样本方差是否显著不同的概率分布。
它经常用于方差分析和回归分析中。
这只是一些常见的概率分布的总结，还有其他许多分布，每个都在不同的领域和应用中起着重要的作用。