数理统计基础知识
设 X 是连续型随机变量，则对任意的实数a， 有 PX a 0
证明：PX a
a
lim Pa x X a
x 0
lim
x 0
a x
f x dx 0
所以有
PX a 0
这是连续型随机变量与离散型随机变量截然不同的一个 重要特点。它说明，用概率分布描述连续型随机变量毫无意义。
X ≤x 0 x
值得注意的是，在上述定义中没有限定 X 是离散型还是 连续型的。也就是说，不论离散型还是连续型随机变量都有 各自的分布函数。
分布函数的性质
1) 定义域： x
( , )
，值域：0≤F(x)≤1;
2) F(x)是不减函数，即对x1< x2，有F(x1)≤F(x2)； 这是因为事件{ X ≤x1}包含于{ X ≤x2}
注：（1）随机变量是试验结果（即样本点）和实数之间的一个
对应关系, 与高等数学中的函数概念本质上是一回事。 随机变量X=X()是函数，其自变量是样本点 ，定义域是样本 空间, 值域是实数集或其子集。
（2） 随机变量通常用大写字母Ｘ,Ｙ,Ｚ或希腊字母 , 等表示 而表示随机变量所取的值时，一般采用小写字母 x , y , z 等 。 （3）随机变量的取值有一定的概率。（随机变量与普通函 数的本质差异）由此可知：对随机变量的研究，不仅要搞 清楚随机变量取值的范围，还要搞清楚取相应值的概率。 （4）引入随机变量后，随机试验中的各种事件，就可以通过随 机变量表达出来。
对于任意的实数 x1, x2 (x1< x2) ，有： X
o
P{x1 X x2 } P{ X x2 } P{ X x1} F ( x2 ) F ( x1 ).
x1
x2
x
返回主目录
分布函数是刻划随机变量分布的一个重要工具。 F(x) 表示 随机事件 { X ≤x } 发生的概率，它在点 x 处的函数值F(x) 正是随机变量 X 的取值落入区间（-∞，x]的概率。
变量的统计规律。
例： 盒中有５个球，其中有２个白球，３个黑球，从中任取３ 个球，则取到的白球数Ｘ是一个随机变量，它可能取的值是０， １，２。那么有：
3 C3 1 P ( X 0) 3 0.1 C5 10
1 2 C3C2 3 P ( X 2) 0.3 3 C5 10
C C 6 P ( X 1) 0.6 3 C5 10
( X S ) ( X ( ) S )
例如：单位时间内某传呼台收到的呼叫次数用X表示，则 “收到不少于一次呼叫”“X≥1”， “没收到呼叫” “X = 0”。
随机变量的分类 按照随机变量的取值情况可把其分为两类： 离散型随机变量：随机变量Ｘ的全部取值只有有限个或 可列个。 非离散型随机变量：其中最重要的是连续型随机变量,随 机变量Ｘ的取值连续地充满某个（或几个）区间或整个数 轴。
i=1 i=1
Ｐ(Ai |B) = Ｐ(Ai |B)
相关性质：对于固定的事件B，设P(B) 0,A为任意事件，则： P(A|B)+P(Ā|B)=1 另外，对概率的各性质，变为条件概率（|B)后依然成立
条件概率的实质
条件概率P(A|B)的实质是样本空间起了变化。
样本空间
缩小为只取Ｂ所包含的 样本点。有利事件为AB。
连续型随机变量取值于某一区间的概率时,区间是否包含端点, 是不必考虑的.
Pa X b Pa X b Pa X b b Pa X b a f ( x)dx
PX a PX a a f ( x)dx
PX a PX a f ( x)dx
定义： 若Ｘ所有可能的取值为 x 1 , x 2 , … , 对应的概率为 p 1 , p 2 , …。 即： P ( X = x i) = p i , i = 1, 2, … (1) 则称式 (1) 为随机变量Ｘ的概率函数或概率分布或分布律或 分布列（简称为分布）。 分布列常以下列表格（概率分布表）的形式表示： X
1
2
0
f ( x) 0.
0
f ( x)dx 1.
1
0 f (x)
x
介于曲线 y = f (x) 与 x轴之间的面积等于１。 具有上述两条性质的函数必 定是某个连续型随机变量的密度函数。
0
a b
x
注
意
我们不能认为： PX a f a ！
连续型随机变量密度函数的性质与离散型随机变量分 布律的性质非常相似，但是，密度函数不是概率！ ３． 连续型随机变量的一个重要特点：取个别值 的概率为零．
X( )
Y( )
返回主目录
注 意 事 项
⑴ 二维随机变量也称为二 维随机向量；
⑵ 我们应把二维随机变量
X， Y X ， Y
看作一个整体，因为X 与Y 之间是有联 系的；
⑶ 在几何上，二维随机变 X， Y 可看 量 作平面上的随机点．
上的所有实数，且存在非负可积的函数 f ( x )， 使得对任
ab
P{a X b} f ( x)dx
a
b
则称X为连续型随机变量，称 f (x)为X的概率分布密度函数， 简称为概率密度或密度函数或密度。记作 X~ f ( x )。
由定义知道，概率密度 f(x) 具有以下性质：
f (x)
返回主目录
二维随机变量的例子
⒈ 考察某地区成年男子的 身体状况，令
X：该地区成年男子的身 高；
则 X， Y 就是一个二维随机变量 ．
Y：该地区成年男子的体 重．
⒉ 对一目标进行射击，令 ： X：弹着点与目标的水平 距离； Y：弹着点与目标的垂直 距离；
则 X， 就是一个二维随机变量 ．
返回主目录
条件概率
在研究事件的概率时，有时会考虑一定的附加条件,如在一
个事件已经发生的条件下,考虑另外一个事件发生的可能性.
例1 一盒中有3个白球7个黑球，求 （1）第一次取得黑球的概率 （2）在第一次取得黑球后不放回的条件下，第二次仍取 得黑球的概率 解 设B——第一次取得黑球 A——第二次取得黑球 （1）事件B：样本空间中含10个样本点 B中含7个样本点
lim F ( x ) F ( a )
5） P(X≤ x)= F( x )，P(X > x)= 1-F( x ) P(x1< X ≤ x2)= F( x2 )- F( x1 ) 证明：因为 因为 (X> x)= (X x)
x1 X2
P(X > x)= 1-F( x )
(x1 X x2)=(X x2) – (X x1) –
事件的独立性
事件A对于事件B的条件概率P(A|B)和事件A的无条件 概率P(A)可能相等或不相等。
定义1.4
若 P(A|B)= P(A)
所以 P(x1 X x2) = P( X x2) – P( X x1) = F(x2) F(x1) 其中x1，x2为任意实数，且 x1 x2 。
定义
设 E 是一个随机试验，它的样本空间是 ={}， 设 X=X( ) 和 Y=Y( ) 是定义在 上的随机变量。 由它们构成的一个向量 (X, Y) ，叫做二维随机 向量，或二维随机变量。
3)
F ( ) lim F ( x ) lim P ( X x ) 0
x x
F ( ) lim F ( x ) lim P ( X x ) 1
x x
X ≤x 0 x
4) F(x)是右连续的，且至多有可列个间断点。即：
x a
定义1.3 设P(B)>0，在事件B已经发生的条件下,事件A发生 的概率,称为事件A对B的条件概率, 记作P(A|B) 注: (1) P(A∣B)的直观含义 (2) P(A)称为无条件概率 (3)性质：设P(B)>0
对于任一事件A，都有 0≤P(A|B)≤1
P(Ω|B)=1
若Ak (k=1，2，…) 两两互不相容，则
( a X b)
a x ib
( X x i)
用于验证分 布列的正确 与否。
于是，由概率的可列可加性有：
P ( a X b)
a xib
P( X x ) p
i a xib
i
由此可知，Ｘ 取各种值的概率都可以由它的分布列通过
计算而得到。 此事实表明： 分布列全面地描述了离散型随机
X pi 0 0.1 1 0.6 2 0.3
2 3
1 2
此结果亦可用下表来描述：
这里我们不仅知道随机变量的取值，而且还知道取每个 值的概率。这样，我们就掌握了Ｘ这个随机变量取值的概率 规律。
P(X>1)=?
P(0<X<3)=?
P(-1<X<2)=?
定义2.２ 意实数
若随机变量X 所有可能取值是某一区间 ，有：
PX G f x dx
G
随机变量的分布函数：
为了更好地研究随机变量的统计规律，引进随机变量的分布 函数的概念。
定义 2.2 设 X 是一个随机变量，x 是任意实数，函数
F ( x) P{ X x}
称为 X 的分布函数．
X x x 0 F ( x) P{ X x}
A AB B
B
新样本 空间
3、条件概率的求法
AB所包含的样本点数 P( A | B ) B所包含的样本点数
P( AB) 即：P( A | B) ( P( B) 0) P( B)
或
P( AB ) P( B | A ) P( A )
( P( A) 0)
根据数理统计知识点归纳总结(精华版)
根据数理统计知识点归纳总结(精华版)
1. 引言
本文旨在对数理统计的基本知识点进行归纳总结，帮助读者快速了解数理统计的核心概念和方法。
2. 概率论基础
- 概率的基本定义和性质
- 随机事件的运算规则
- 条件概率和独立性
- 贝叶斯定理
3. 随机变量和分布
- 随机变量的定义和分类
- 离散型随机变量和连续型随机变量
- 常见离散型分布（如伯努利分布、二项分布、泊松分布）
- 常见连续型分布（如均匀分布、正态分布、指数分布）
4. 数理统计的基本概念
- 总体和样本的概念
- 估计与抽样分布
- 统计量和抽样分布
5. 参数估计
- 点估计的定义和性质
- 常见的点估计方法（如最大似然估计、矩估计）
- 区间估计的基本原理和方法
6. 假设检验
- 假设检验的基本思想和步骤
- 单侧检验和双侧检验
- 假设检验中的错误类型和显著性水平
- 常见的假设检验方法（如正态总体均值的检验、两样本均值的检验）
7. 相关分析
- 相关系数的定义和计算方法
- 相关分析的假设检验
- 线性回归分析的基本原理和方法
8. 统计软件的应用
- 常见的统计软件介绍（如SPSS、R、Python）
- 统计软件的基本操作（如数据导入、数据处理、统计分析）
9. 结语
本文对数理统计的核心知识点进行了简要的概括，供读者参考和研究。
通过研究数理统计，读者可以更好地理解和应用统计学在实际问题中的作用，提高数据分析和决策能力。
以上是根据数理统计知识点的归纳总结，希望有助于您对数理统计的理解和学习。
如需深入了解各个知识点的具体内容，请参考相关教材或课程。
数理统计知识梳理
2、步骤
（ 1） 提 出 原 假 设 H 0 （ 2） 选 择 检 验 的 统 计 量 并 找 出 在 假 设 H 0 成 立 的 条 件 下 ， 该 统 计 量 所服从的概率分布 （ 3） 根 据 所 给 的 显 著 水 平 ， 查 概 率 分 布 临 界 值 表 ， 找 出 检 验 统 计 量 的 临 界 值 ， 并 确 定 否 定 域 （ 4） 用 样 本 值 计 算 统 计 量 的 值 ， 将 其 与 临 界 值 比 较 ， 根 据 比 较 结 果 ， 确 定 样 本 值 是 否 落 入 否 定 域 ， 最 后 对 H 0作 出 结 论
( X 1 , X 2 ,… ， X n )
是n次试验的结果，因此它们是
n个随机变量。但做了试验后，记录下来的是它们在试 验中所取得的数值，得到一串数据
( x1 , x 2 , … ， x n )
这串数据称为样本的观察值。
样本的观察值就是指样本的一次实现， 是一个常数向量
有时样本观察值也称为样本，因此样本一词 具有二重性
服 从 自 由 度 为 （ k 1， k 2） 的 F 分 布 ， 记 F （ k 1， k 2） 。
F分布一个重要特点
F1（ k 1， k 2） =
1 F（ k 2， k 1）
3、统计量
设 X 1 , X 2 , … ， X n 是 来 自 总 体 X 的 一 个 样 本 ， g( x1 , x 2 , … ， x n ) 是 一 个 连 续 函 数 。 如 果 g中 不 包 涵 任 何 未 知 数 参 数 ， 则 称 g(X 1 , X 2 , … ， X n )为 统 计 量 。
2分 布 的 重 要 性 质
X 1 ~ （ m ） ， X 2 ~ （ n ） ; n ）
数理统计知识点总结
数理统计知识点总结一、概述数理统计是一门研究收集、整理、分析和解释数据的学科。
它在各个领域中发挥着重要作用，包括科学研究、经济学、社会学等。
二、基本概念1. 数据：指收集到的观察结果或实验结果，是进行统计分析的基础。
2. 总体和样本：总体指研究对象的全体，样本是从总体中选取的一部分。
3. 变量：指研究对象的性质或特征，分为定性变量和定量变量。
4. 频数和频率：频数是某一数值在样本中出现的次数，频率是某一数值在样本中出现的相对次数。
三、数据的整理与描述1. 数据的收集：可以通过实验、调查或观察等方式获取数据。
2. 数据的整理：包括数据的分类、排序和归纳等处理。
3. 数据的描述：使用统计指标如均值、方差、标准差等来描述数据分布的中心趋势和变异程度。
四、概率与概率分布1. 概率：指事件发生的可能性，可通过频率或理论推导计算得到。
2. 概率分布：描述随机变量取值与其概率之间的关系，包括离散概率分布和连续概率分布。
五、统计推断1. 参数估计：根据样本数据估计总体的参数，如均值、比例等。
2. 假设检验：根据样本数据判断总体参数是否符合某个假设。
3. 置信区间：给出总体参数的估计范围。
六、相关性与回归分析1. 相关性：描述两个变量之间的关联程度，可以通过相关系数来度量。
2. 简单线性回归：通过一条直线描述两个变量之间的函数关系。
3. 多元线性回归：通过多个变量来描述一个变量的线性关系。
七、抽样与实验设计1. 抽样方法：包括随机抽样、分层抽样等，确保样本具有代表性。
2. 实验设计：设计合理的实验方案，控制其他因素对结果的影响。
以上是数理统计的一些基本知识点总结，希望对您有所帮助。
数理统计的基本知识.ppt
设 x1, x2,…, xn 是相应于样本 X1, X2, …,Xn 的样本值，则称 g(x1，x2，…, xn) 是统计量T = g(X1,X2,…,Xn)的观察值．
二、样本矩
下面给出几个常用的统计量．设(X1，X2，…，Xn)是来自总体 X 的一个样
本，(x1，x2，…，xn)是样本观察值，定义:
频数
2 0 0 2 2 8 13 23 24 21 14 6 2 2 0 1
组中值
0.645 0.665 0.685 0.705 0.725 0.745 0.765 0.785 0.805 0.825 0.845 0.865 0.885 0.905 0.925 0.945
直方图中第 i 个小矩形面积 yiΔt=fi (i=1，2，…，k)，k 个小矩形的面积之 和为1．
由于样本观察值的 n 个数值 x1，x2，…，xn是从总体X 中独立抽取的，它 们落入区间 (ti-1,ti] 的频率 fi 近似等于随机变量 X 在该区间内取值的概率，即
fi≈P{ti-1<X≤ti}=pi，i=1，2，…，k，
一、样本分布函数
样本能够反映总体X的信息，总体X的分布函 数F(x)是否能由样本来“表示”？回答是肯定的， 我们用下面介绍的样本函数来近似表示总体X的 分布函数．
定义 设x(1)，x(2)，…，x(n)是总体X的顺序统计量的一组观察值，对于任 意的实数x，定义函数
0, x x(1) ;
Fn
(
x)
i n
,
x(i) x x(i1) ,
1, x x(n) .
i 1, 2,, n 1;
称 Fn(x) 为 总 体 X 的 样 本 分 布 函 数 (或 经 验 分 布 函 数)．
数理统计基本知识
2 (5), Y
E( 2 ) n, D( 2 ) 2n.
P{ (n)}
2 2
2 2 ( n ) 的点 为分布 (n) 的上分位点.
( n)
2
f ( y)dy
19
•当n充分大(>45)时,有
2
1 ( z 2n 1 ) 2 2
i 1
n
X i 2 等均
1 ( X 1 X 2 ) 等都不是统计 2 Xi i 1 2 量，因为它们含有未知参数 ,
为统计量，而
1
n
2
从统计量的定义可知，统计量是不含任何未知参数的
随机变量．
10
几个常用的统计量 设X1, X2 ,…, Xn是来自总体X
的一个样本, (x1,x2,…,xn)是其观察值.
§6.2
抽样分布
一、统计量 样本是进行统计推断的依据.但在应
用时,往往不是直接使用是样本本身,而是针对不同 的问题构造样本的适当函数,利用这些样本的函数进 行统计推断. 定义1 设X1, X2 ,…, Xn是来自总体 X 的一个样本, g(X1, X2 ,…, Xn)是X1, X2 ,…, Xn函数,若g 中不含任 何未知参数，则称g(X1, X2 ,…, Xn)是一个统计量． [注] (1) 统计量是一个随机变量;
n 11
0
18
y
2 分布的可加性 设 12 ~ 2 (n1 ), 2 ~ 2 (n2 ) 2 2 2 2 2 且 1 与 2相互独立,则有 1 2 ~ ( n1 n2 )
分布的数学期望和方差
例： X
U ( 0, 4), 则 E ( X Y ) _____ D( X Y ) _____ . 分布的分位点 对于给定正数 (0<<1), 称满足
数理统计复习资料
数理统计复习资料数理统计复习资料数理统计是一门应用数学的学科，主要研究数据的收集、整理、分析和解释。
它在各个领域都有广泛的应用，包括经济学、医学、社会科学等。
在学习数理统计时，我们需要掌握一些基本的概念和方法，以及一些常用的统计分布和假设检验。
下面是一些数理统计复习资料的内容。
1. 概率论基础概率论是数理统计的基础，它研究随机事件的发生概率。
在学习概率论时，我们需要了解一些基本的概念，如样本空间、事件、概率等。
同时，还需要掌握概率的计算方法，包括加法法则、乘法法则、条件概率等。
此外，还需要了解一些常用的概率分布，如二项分布、泊松分布、正态分布等。
2. 统计推断统计推断是数理统计的核心内容，它研究如何通过样本对总体进行推断。
在学习统计推断时，我们需要了解抽样分布和估计量的性质。
同时，还需要学习点估计和区间估计的方法，包括最大似然估计、矩估计、置信区间等。
此外，还需要掌握假设检验的基本原理和方法，包括单样本均值检验、两样本均值检验、方差分析等。
3. 回归分析回归分析是数理统计的重要应用，它研究自变量与因变量之间的关系。
在学习回归分析时，我们需要了解线性回归模型和非线性回归模型的基本原理。
同时，还需要学习回归系数的估计方法，包括最小二乘估计、岭回归、lasso回归等。
此外，还需要掌握回归模型的诊断方法，包括残差分析、模型选择等。
4. 方差分析方差分析是数理统计的一种重要方法，它研究不同因素对观测值的影响。
在学习方差分析时，我们需要了解单因素方差分析和多因素方差分析的基本原理。
同时，还需要学习方差分析的假设检验方法，包括F检验、多重比较等。
此外，还需要掌握方差分析的扩展方法，如混合设计、重复测量设计等。
5. 非参数统计非参数统计是数理统计的一种重要分支，它不依赖于总体分布的假设。
在学习非参数统计时，我们需要了解秩和检验、符号检验、Wilcoxon秩和检验等基本方法。
同时，还需要学习非参数回归、非参数方差分析等扩展方法。
数理统计主要知识点
数理统计主要知识点数理统计是统计学的重要分支，旨在通过对概率论和数学方法的研究和应用，解决实际问题上的不确定性和随机性。
本文将介绍数理统计中的主要知识点，包括概率分布、参数估计、假设检验和回归分析。
一、概率分布概率分布是数理统计的基础。
它描述了一个随机变量所有可能的取值及其对应的概率。
常见的概率分布包括：1. 均匀分布：假设一个随机变量在某一区间内取值的概率是相等的，则该随机变量服从均匀分布。
2. 正态分布：正态分布是最常见的连续型概率分布，其概率密度函数呈钟形曲线，具有均值和标准差两个参数。
3. 泊松分布：泊松分布描述了在一定时间内发生某个事件的次数的概率分布，例如在一天内发生交通事故的次数。
4. 二项分布：二项分布描述了进行一系列独立实验，每次实验成功的概率为p时，实验成功的次数在n次内取特定值的概率。
二、参数估计参数估计是根据样本数据来推断随机变量的参数值。
常见的参数估计方法包括：1. 最大似然估计：假设数据服从某种分布，最大似然估计方法寻找最能“解释”数据的那个分布，计算出分布的参数值。
2. 矩估计：矩估计方法利用样本矩来估计分布的参数值，例如用样本均值估计正态分布的均值，样本方差估计正态分布的方差。
三、假设检验假设检验是为了判断一个统计假设是否成立而进行的一种统计方法。
它包括假设、检验统计量和显著性水平三个重要概念。
1. 假设：假设指的是要进行验证的观察结果，分为零假设和备择假设两种。
2. 检验统计量：检验统计量是为了检验零假设而构造的统计量，其值代表目标样本符合零假设的程度。
3. 显著性水平：显著性水平是用来决定是否拒绝零假设的标准，通常为0.01或0.05。
四、回归分析回归分析是用来研究和描述两个或多个变量之间关系的统计方法。
它可以帮助人们了解因果关系，做出预测和控制因素的效果。
1. 简单线性回归：简单线性回归是一种简单的回归分析方法，它描述一个因变量和一个自变量之间的线性关系。
2. 多元线性回归：多元线性回归描述多个自变量和一个因变量之间的关系，通过多元回归模型可以找到最佳的回归系数，从而用来预测未来的结果。
数理统计基础
数理统计基础数理统计是统计学中的一个重要分支，它不仅是现代科学研究的必备工具，更是经济、金融、医学、社会科学等领域的重要基础。
本文将从基础概念、数据的搜集与整理、概率分布及其统计推断、参数估计与假设检验等方面，简要介绍数理统计的基本概念和理论。
一、基础概念1.总体和样本总体指我们需要研究的全体对象，样本则是从总体中选出的一部分对象。
为了使样本更具有代表性，我们需要采用随机抽样的方法。
总体和样本的关系是，样本是从总体中抽出的一部分，通过对样本的研究可以得到对总体的推断。
2.统计量和参数统计量是样本数据的函数，参数是总体分布的特征数值。
例如样本均值是样本数据的函数，而总体均值是总体分布的特征数值。
统计量可以用来描述样本的分布情况，帮助我们对总体进行推断。
3.分位数和分位点分位数是在数值序列中把一个样本分割为几个等份的数值，分位点则是将整个样本分成若干等份的点。
例如，中位数是50%分位数，将样本分为两个等份。
分位数和分位点是描述样本分布特征的指标。
二、数据的搜集与整理数据的搜集与整理是数理统计的重要前提。
在数据搜集时，需要注意样本的代表性、随机性和可比性。
在数据整理时，需要进行数据清洗，包括误差校正、缺失数据的填补等。
整理出清晰、准确、有意义的数据，是进行统计分析的基础。
三、概率分布及其统计推断在统计分析中，分布是一个关键概念。
常见的分布有正态分布、泊松分布等。
概率密度函数是描述分布特征的函数，可以用于对总体和样本进行分析和描述。
概率分布的统计推断包括参数估计和假设检验两个重要方面。
1.参数估计参数估计是指根据已知的样本数据，推断总体分布的参数。
这里介绍两种参数估计方法：最大似然估计法：在总体分布已知的情况下，利用样本数据进行最大似然估计。
最大似然估计是一种广泛应用于统计学中的方法，可以得到比较准确的参数估计。
贝叶斯方法：在总体分布未知的情况下，利用概率论的贝叶斯公式计算后验分布并进行参数估计。
贝叶斯方法面对的是更加复杂的情形，但能够在一定程度上处理不确定性。
考研数学数理统计基础知识点总结
考研数学数理统计基础知识点总结在准备考研数学的过程中，掌握数理统计基础知识是非常重要的。
本文将为您总结一些常见的数理统计基础知识点，帮助您更好地备考。
一、概率论基础知识1. 事件与样本空间：事件是指样本空间中的某个子集，样本空间则是指随机试验的所有可能结果的集合。
2. 概率的定义：概率是指事件发生的可能性大小，其取值范围在0到1之间。
3. 概率的运算：包括加法公式和乘法公式。
加法公式适用于互斥事件的概率计算，乘法公式则适用于独立事件的概率计算。
4. 条件概率：指在已知某一事件发生的条件下，另一事件发生的概率。
5. 贝叶斯定理：用于计算事件的后验概率，在已经得到一些信息的情况下，通过先验概率和条件概率计算出事件的后验概率。
二、随机变量与概率分布1. 随机变量的概念：随机变量是指随机试验结果的某个函数，可以是离散的或连续的。
2. 概率质量函数与概率密度函数：对于离散型随机变量，其概率可以通过概率质量函数来描述；对于连续型随机变量，则需要使用概率密度函数。
3. 常见的离散型随机变量：包括伯努利分布、二项分布、泊松分布等。
4. 常见的连续型随机变量：包括均匀分布、正态分布、指数分布等。
三、统计推断1. 抽样与抽样分布：抽样是指从总体中选取一部分个体进行研究，抽样分布则是指统计量在大量抽样下的分布情况。
2. 参数估计：根据样本数据对总体的某个参数进行估计，可以使用点估计和区间估计两种方法。
3. 假设检验：对总体参数的某个假设进行检验，包括设置原假设和备择假设，以及计算检验统计量和判断拒绝域。
4. 方差分析：一种用于比较两个或多个总体均值是否有显著差异的统计方法，适用于独立样本、配对样本和重复测量样本。
四、相关与回归分析1. 相关分析：用于判断两个变量之间的相关性强弱，包括计算相关系数和进行假设检验。
2. 简单线性回归分析：用于建立一个自变量与因变量之间的线性关系模型，通过最小二乘法来估计回归系数。
3. 多元线性回归分析：在简单线性回归的基础上，将多个自变量引入回归模型中进行分析，以探究多个变量对因变量的影响。
数理统计的基础知识
设总体X的分布函数为F(x)，(X1, X2, … , Xn)是来自总体的样本， Xi的分布函数为F(xi)，则(X1, X2, … , Xn)的分布函数为
F(x1,x2, … , xn) = F(x1) F(x2) … F( xn)
若总体X的密度函数为f(x)，(X1, X2, … , Xn)是来自总体的样本， Xi的密度函数为f(xi)，则(X1, X2, … , Xn)的密度函数为
X+Y~ 2 (n+m)
推论：（1） 若 Xi~ 2(ni), i = 1, 2, …, n ，且相互独立， 则：
n
n
X i ~ 2( ni )
i 1
i 1
(2) 若 X1, X2, …, Xn相互独立，同服从于正态分布N( i , i2)，则
n ( X i i )2 ~ 2(n)
i1
注 ：（1）统计量完全由样本决定，不依赖于任何其它未知的量。
（2）统计量用于估计时称为估计量，用于检验时称为检验统计量
（3）把样本观测值代入统计量，得到统计量的观测值。
例：统计量 T X1 X2 Xn
T
X12
X
2 2
X
2 n
T max(| X1 |,| X2 |,,| Xn |)
例： 当总体 X~N( , 2) ，其中参数 , 2 未知时
2= X12+X22+… +Xn2 服从的分布称为自由度为 n 的 2分布。记为： 2 ~ 2(n)。
注：自由度表示独立随机变量的个数
可以证明， 2 的密度函数为：
f
(x)
n
22
1 (
n)
e
x 2
x