数理统计的基础知识-精品
概率论与数理统计各章重点知识整理
概率论与数理统计各章重点知识整理 第一章 概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(Φ):每次试验中一定不会发生的事件. 二. 事件间的关系和运算1.A ⊂B(事件B 包含事件A )事件A 发生必然导致事件B 发生.2.A ∪B(和事件)事件A 与B 至少有一个发生.3. A ∩B=AB(积事件)事件A 与B 同时发生.4. A -B(差事件)事件A 发生而B 不发生.5. AB=Φ (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=Φ且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则 交换律 结合律 分配律 德•摩根律 B A B A I Y = B A B A Y I = 三. 概率的定义与性质1.定义 对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性 对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(Φ) = 0 , 注意: A 为不可能事件P(A)=0 .(2)有限可加性 对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B -A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理 对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n()()()()+∑+∑-∑=≤<<≤≤<≤=nk j i k j i nj i j i ni i n A A A P A A P A P A A A P 11121Y ΛY Y…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义 如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义 事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0).P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0) 3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则 当P(B i )>0时,当P(A)>0, P(B i )>0时,. 六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立⇔ P(B)= P (B|A) .2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立.3.n 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P ΛΛ2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章 随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1)(3))X~π(λ)参数为λ的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (λ>0)三.连续型随机变量1.定义 如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为θ的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (θ>0).(3)X~N (μ,σ2 )参数为μ,σ的正态分布 222)(21)(σμσπ--=x e x f -∞<x<∞, σ>0.特别, μ=0, σ2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, Φ(-x)=1-Φ(x) .若X ～N ((μ,σ2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z α}= P{Z<-z α}= P{|Z|>z α/2}= α,则点z α,-z α, ±z α/ 2分别称为标准正态分布的上,下,双侧α分位点. 注意：Φ(z α)=1-α , z 1- α= -z α. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法 先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法 若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,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , α= min (g (-∞),g (∞)) β= max (g (-∞),g (∞)) .如果f (x)在有限区间[a,b]以外等于零,则 α= min (g (a),g (b)) β= max (g (a),g (b)) .第三章 二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义 若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ∞)=0, F(-∞,y)=0, F(-∞,-∞)=0, F(∞,∞)=1 .(3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义 若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 .(2)归一性 ∑∑=i jij p 1 .3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义 如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-y xdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度. 2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-dxdy y x f .(3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<∞}= F (x , ∞) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<∞, Y ≤y}= F (∞,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=•i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=•j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dy y f Y五.相互独立的随机变量1.定义 若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义 设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称P{X=x i |Y=y j } 为在Y= y j 条件下随机变量X 的条件分布律. 同样,对于固定的i,若P{X=x i }>0,则称 P{Y=y j |X=x i }为在X=x i 条件下随机变量Y 的条件分布律.第四章 随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛)⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛),}{},{jji j j i p p y Y P y Y x X P •=====,}{},{•=====i j i i j i p p x X P y Y x X P函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差σ(X)=√D(X) . 二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) .2.X,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .4. D(X) = 0⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) 1.X~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) 2.X~ b (n,p) (0<p<1) n pn p (1- p)3.X~ π(λ) λ λ4.X~ U(a,b) (a+b)/2 (b-a) 2/125.X 服从参数为θ的指数分布 θ θ26.X~ N (μ,σ2) μ σ2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章 样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i iX X n S 12211 样本标准差S 样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布 即统计量的分布1.X 的分布 不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n . 特别,若X~ N (μ,σ2 ) ,则X ~ N (μ, σ2 /n) .2.χ2分布 (1)定义 若X ～N (0,1) ,则Y =∑=ni i X 12~ χ2(n)自由度为n 的χ2分布.(2)性质 ①若Y~ χ2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ χ2(n 1) Y 2~ χ2(n 2) ,则Y 1+Y 2~ χ2(n 1 + n 2). ③若X~ N (μ,σ2 ), 则22)1(σS n -~ χ2(n-1),且X 与S 2相互独立.(3)分位点 若Y~ χ2(n),0< α <1 ,则满足αχχχχαααα=<>=<=>--))}(())({()}({)}({22/122/212n Y n Y P n Y P n Y P Y 的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为χ2分布的上、下、双侧α分位点.3. t 分布(1)定义 若X~N (0,1),Y~ χ2(n),且X,Y 相互独立,则t=nY X ~t(n)自由度为n 的t 分布.(2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (μ,σ2)时, nS X μ-~ t (n-1) .③两个正态总体 相互独立的样本 样本均值 样本方差X~ N (μ1,σ12 ) 且σ12=σ22=σ2 X 1 ,X 2 ,…,X n1X S 12Y~ N (μ2,σ22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w (3)分位点 若t ~ t (n) ,0 < α<1 , 则满足αααα=>=-<=>)}({)}({)}({2/n t t P n t t P n t t P的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧α分位点. 注意: t 1- α (n) = - t α (n).4.F 分布 (1)定义 若U~χ2(n 1), V~ χ2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点 若F~ F(n 1,n 2) ,0< α <1,则满足)},({)},({21121n n F F P n n F F P αα-<=>ααα=<>=-))},(()),({(212/1212/n n F F n n F F P Y的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧α分位点. 注意: .).(1),(12211n n F n n F αα=-第七章 参数估计一.点估计 总体X 的分布中有k 个待估参数θ1, θ2,…, θk .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμΛΛΛ解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111kk k k k μμμθθμμμθθμμμθθΛΛΛ,以样本矩A l 取代总体矩μ l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A ΛΛΛθθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, θ1, θ2,…, θk ),称样本X 1 ,X 2 ,…,X n 的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθΛΛ为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21Λ,称为参数θ1, θ2,…,θk 的最大似然估计值,代入样本得到最大似然估计量.若L(θ1, θ2,…, θk )关于θ1, θ2,…, θk 可微,则一般可由似然方程组 0=∂∂i L θ 或 对数似然方程组 0ln =∂∂iLθ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性 若E(∧θ)=θ,则估计量∧θ称为参数θ的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=μk =E(X k ),即样本均值X , 样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩μk 的无偏估计,(2)有效性 若E(∧θ1 )=E(∧θ2)= θ, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效. (3)一致性(相合性) 若n →∞时,θθP →∧,则称估计量∧θ是参数θ的相合估计量. 二.区间估计1.求参数θ的置信水平为1-α的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,θ),其中只有一个待估参数θ未知,且其分布完全确定. (2)利用双侧α分位点找出W 的区间(a,b),使P{a<W <b}=1-α. (3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求. 2.单个正态总体待估参数 其它参数 W 及其分布 置信区间μ σ2已知 nX σμ-~N (0,1) (2/ασz n X ±) μ σ2未知 nS X μ-~ t (n-1) )1((2/-±n t n S X α σ2 μ未知 22)1(σS n -~ χ2(n-1) ))1()1(,)1()1((22/1222/2-----n Sn n S n ααχχ 3.两个正态总体 (1)均值差μ 1-μ 2其它参数 W 及其分布 置信区间已知2221,σσ22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±-未知22221σσσ== 212111)(n n S Y X w +---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w+-+±-α 其中S w 等符号的意义见第六章二. 3 (2)③.(2) μ 1,μ 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比σ12/σ22的置信区间为))1,1(1,)1,1(1(212/12221212/2221----⋅-n n F S S n n F S S αα注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标α/2改为α,另外的下(上)限取为-∞ (∞)即可.。
概率论与数理统计ppt课件(完整版)
高校教育精品PPT
14
§3. 概率的概念 一. 古典定义：
等可能概型的两个特点:
(1) 样本空间中的元素只有有限个;
(2) 试验中每个基本事件发生的可能性相同.
例如:掷一颗骰子,观察出现的点数.
概率的古典定义:
对于古典概型, 样本空间S＝{1, 2, … , n}, 设事件A包 含S的 k 个样本点，则事件A的概率定义为
高校教育精品PPT
5
(二) 随机事件
定义 样本空间S的子集称为随机事件, 简称事件. 在一 次试验中, 当且仅当这一子集中的一个样本点出现时, 称 这一事件发生.
基本事件: 由一个样本点组成的单点集. 如:{H},{T}.
复合事件: 由两个或两个以上的基本事件复合而成的事件 为复合事件. 如:E3中{出现正面次数为奇数}.
必然事件: 样本空间S是自身的子集，在每次试验中总是 发生的，称为必然事件。
不可能事件：空集φ不包含任何样本点, 它在每次试验中 都不发生，称为不可能事件。
高校教育精品PPT
6
例1. 试确定试验E2中样本空间, 样本点的个数, 并给出如
下事件的元素: 事件A1=“第一次出现正面”、事件A2=“ 恰好出现一次正面”、事件A3=“至少出现一次正面”.
(2)A B
A B
(3)A B
S 高校教育精品PPT
9
4.差事件:
事件A-B={x|xA且xB} 称为A与B的差. 当且仅当 A发生, B不发生时事件A-B发生. 即:
A - B A AB
显然: A-A=, A- =A, A-S=
s
A B
(4)A B
高校教育精品PPT
10
5.事件的互不相容(互斥): 若A B ,则称A与B是互不相容的,或互斥的,即
数理统计的基本概念
样本k阶原点矩 样本 阶原点矩 样本k阶中心矩 样本 阶中心矩
河南理工大学精品课程
1 Ak = n 1 Bk = n
∑ ∑
n
n
i =1
X ik ( k = 1, 2 , L )
i =1
( X i − X ) k ( k = 1, 2 , L )
概率论与数理统计
说明 (修正 样本方差还可表示为 修正)样本方差还可表示为 修正
n 1 S2 = [ ∑ X i2 − n X 2 ] n − 1 i =1
1 n 推导】 【推导】 S 2 = ( X i − X )2 ∑ n − 1 i =1 = = = =
河南理工大学精品课程
1 n ( X i2 − 2 X i X + X 2 ) ∑ n − 1 i =1 n n n 1 [ ∑ X i2 − 2 X ∑ X i + ∑ X 2 ] n − 1 i =1 i =1 i =1 n 1 [ ∑ X i2 − 2 n X 2 + n X 2 ] n − 1 i =1 n 1 [ ∑ X i2 −n X 2 ] n − 1 i =1
河南理工大学精品课程 概率论与数理统计
做法
从总体中随机地抽取若干个体(灯泡、 从总体中随机地抽取若干个体(灯泡、工大男
生),测试其所需数据(寿命、身高),最后对所得数据通过 ),测试其所需数据 寿命、身高), 测试其所需数据( ),最后对所得数据通过 整理加工和分析来推断总体(这批灯泡寿命、 整理加工和分析来推断总体(这批灯泡寿命、工大男生身 高)的分布情况,从而了解整体情况. 的分布情况,从而了解整体情况. 一般,我们所研究的总体的某项数量指标X 一般,我们所研究的总体的某项数量指标X是一个随 机变量,其取值在客观上有一定的分布.因此, 机变量,其取值在客观上有一定的分布.因此,对总体的研 究,就是对相应的随机变量X的研究。 就是对相应的随机变量X的研究。 今后,我们称X 今后,我们称X的分布函数和数字特征分别为总体的 分布函数和数字特征, 分布函数和数字特征,并不再区分总体与相应的随机变量 X.对总体的称呼 总体,总体X 总体F X.对总体的称呼:总体,总体X与总体F. 对总体的称呼:
概率论与数理统计课件第5章-PPT精品文档
PX Q 0 . 5 2
1
第三四分位数Q3： PX Q 0 . 7 5 3
例1
为对某小麦杂交组合F2代的株高X进行研究，抽
取容量为100的样本，测试的原始数据记录如下(单位： 厘米)，试根据以上数据，画出它的频率直方图，求随
机变量X的分布状况。
87 99 86 87 84 85 96 90 103 88 91 94 94 91 88 109 83 89 111 98 102 92 82 80 91 84 88 91 110 99 86 94 83 80 91 85 73 98 89 102 99 81 80 87 95 70 97 104 88 102 69 94 95 92 92 90 94 75 91 95 102 76 104 98 83 94 90 96 80 80 90 92 105 92 92 90 94 97 86 91 95 94 88 96 80 94 92 91 77 83
样本方差( X X i n 1i 1
几个常用的统计量
设 (X ,X , 1 2 是总体 X 的一个样本， ,X n) 样本均方差或标准差
2 1 n S X i X n 1i 1
它们的观测值用相应的小写字母表示.反映总 体X取值的平均，或反映总体X取值的离散程度。
几个常用的统计量
设 (X ,X , 1 2 是总体 X 的一个样本， ,X n)
子样的K阶（原点）矩
1 n k Ak X i n i 1
子样的K阶中心矩
1 B k X i X n i1
n
k
数据的简单处理
为了研究随机现象，首要的工作是收集原始数据. 一般通过抽样调查或试验得到的数据往往是杂乱无章
概率论与数理统计(第三版)第三章4协方差与相关系数-PPT精品文档
o 3 X , Y 不相关 E ( XY ) E ( X ) E ( Y ).
3. 相关系数的性质
是一个用来表征 X ,Y之间线性关系紧密 XY
程度的量 .
1 . 1 ρ XY
a , b使 1 的充要条件是 :存在常数 2 ρ XY
P { Y a bX } 1 .
0.3 0.7
0 . 3 0 0 . 7 1 0 . 7
0 . 6 1 0 . 4 2 1 . 4
0 . 9 50 . 7 1 . 4 0.03
c o v (,) X Y E X Y E X E Y
三、 相关系数的意义
1 . 当 ρ 表明 X,Y的线性关系联 XY 较大时
例1 已知 (X,Y)的分布律求Cov(X，Y)
x 0 1 y 1 2 0.15 0.15 0.45 0.25
解: c o v (,) X Y E X Y E X E Y
EX ( Y ) 0 .9 5
x 0 1
EX ( ) EY ( )
y 1 0.15 0.45 0.6
2 0.15 0.25 0.4
3.设X和Y是随机变量，若
E(XkYL)
k, L=1,2,…
存在，
称它为X和Y的k+L阶混合（原点）矩.
k L 4.若 E {[ X E ( X )] [ Y E ( Y )] } 存在，
称它为X和Y的k+L阶混合中心矩.
二、协方差与相关系数的概念及性质
1. 问题的提出
若随机变量 X 和 Y 相ቤተ መጻሕፍቲ ባይዱ独立 ,那么
3 Cov( X X , Y ) Cov( X , Y ) Co X , Y ). 1 2 1 2
考研数学三概率论与数理统计知识点
考研数学三概率论与数理统计知识点考研数学三概率论与数理统计知识点我们在进行考研数学的复习时，要了解三概率论与数理统计的知识点有哪些。
店铺为大家精心准备了数学三概率论与数理统计客观题解析，欢迎大家前来阅读。
考研数学概率论与数理统计总结一、第一章随机事件与概率重点：概率的定义与性质，条件概率与概率的乘法公式，事件之间的关系与运算，全概率公式与贝叶斯公式。
难点：随机事件的概率，乘法公式、全概率公式、Bayes公式以及对贝努利概型的事件的概率的计算。
二、常考题型事件、概率与独立性是本章给出的概率论中最基本、最重要的三个概念。
事件关系及其运算是本章的重点和难点，概率计算是本章的重点。
注意事件与概率之间的关系。
本章主要考查随机事件的关系和运算，概率的性质、条件概率和五大公式，注意事件的独立性。
近几年单独考查本章的试题相对较少，但是大多数考题中将本章的内容作为基本知识点来考查。
相当一部分考生对本章中的古典概型感到困难。
大纲只要求对古典概率和几何概率会计算一般难度的题型就可以。
考生不必可以去做这方面的难题，因为古典型概率和几何型概率毕竟不是重点。
三、注意事项与线性代数一样，概率也比高数容易，花同样的时间复习概率也更为划算。
但与线代一样，概率也常常被忽视，有时甚至被忽略。
一般的数学考研参考书是按高数、线代、概率的顺序安排的，概率被放在最后，复习完高数和线代以后有可能时间所剩无多;而且因为前两部分分别占60%和20的分值，复习完以后多少会有点满足心理;这些因素都可能影响到概率的复习。
概率这门课如果有难点就应该是"记忆量大"。
在高数部分，公式、定理和性质虽然有很多，但其中相当大一部分都比较简单，还有很多可以借助理解来记忆;在线代部分，需要记忆的公式定理少，而需要通过推导相互联系来理解记忆的多，所以记忆量也不构成难点;但是在概率中，由大量的概念、公式、性质和定理需要记清楚，而且若靠推导来记这些点的话，不但难度大耗时多而且没有更多的用处(因为概率部分考试时对公式定理的内在推导过程及联系并没有什么要求，一般不会在更深的层次上出题)。
概率论与数理统计教程第一章精品PPT课件
4.互不相容（互斥）事件 AB
5.事件的和（并） AB
A1,A2, ,An 的并，记作
n
A i.
i 1
6.对立事件(互逆事件)
若AB ,且AB ,
则B为A的对立事件，记A为 。
7.差事件 AB A B AAB
事件的运算(Operation of Events)
样本点简记为： wi ={直到第i次才击中目标}, i = 1,2,…。
则样本空间可记为 Ω={w1，w2，…} 。
随机事件(Random Events)
在随机试验中可能的结果称为随机事件， 简称事件. 如在掷色子试验中，观察掷出的点数 .
“掷出1点”
"掷出奇数点"
事件就是由样本点组成的某个集合.
（1）事件“A与B发生，C不发生”可表示成
ABC
（2）事件“A，B，C中至少有一个发生”可表示成
ABC
（3）事件“A，B，C中恰好有一个发生”可表示成
A B C A B C A B C
A={w2，w4，w6，w8 , w10}
85 1946 7 2 3 10
B~"取出的球号大于8" B={w9，w10} C~"取出的球号大于10" D~"取出的球号不大于10"
事件间的关系 (Relation of Events)
1.事件的包含 AB
2.事件的相等 AB
3.事件的积（交） AB
n
机事件吗？
两个特殊的事件：
然
即在试验中必定发生的事件，记为Ω ;
可
即在一次试验中不可能发生的事件，记为φ 。
(精品) 概率论与数理统计课件：随机变量的数字特征
D( ) E E 2 E E 2
D D
性质4可以推广到如下情形。
当1，
2
,,
两两独立时，有
n
n
D(1 2 n ) Di i 1
一般地，对n个随机变量1、
随机变量的数字特征
▪数学期望 ▪方差 ▪协方差与相关系数 ▪矩 ▪条件数学期望
§5.1 数学期望
离散型随机变量的数学期望
设随机变量的分布律为 P( xk ) pk
则当
k
xk
pk
时，称
xk pk 为随机变
k
量的数学期望或均值，记作E ，即有
E xk pk xk P( xk )
k
k
例１ 甲、乙两射手的稳定成绩分别为
并且有 Ei 0 1 p 1 p p
设 1 2 n
则 E E1 2 n
E1 E2 En
np
此外，我们可以推导出 η~B(n,p)
超几何分布
在一箱N件装的产品中混进了M件次品，今从中抽 取n 件 (n≤M) ，求从中查出次品的件数的概率分布.
解
P(
k)
C C k nk M NM CNn
p p2 p1 p
p 1 p 2 1 24
例5 设随机变量ξ服从[a，b]上的均匀分布，
求Dξ。
解：（x）
1 ba
0
a xb 其他
E 2 b x2 dx 1 (a2 ab b2 )
a ba 3
而E a b
2
D E 2 (E )2 1 (b a)2
12
例6
设随机变量ξ服从正态分布N(a，σ2)，求Dξ。
指数分布 (参数为a)
np
λ
1 p
高等数学、线性代数、概率论和数理统计复习要点大合集
Th4: (柯西中值定理) 设函数 ， 满足条件： (1) 在 上连续；(2) 在 内可导且 ， 均存在，且 则在 内存在一个 ，使
10.洛必达法则
法则Ⅰ( 型不定式极限)
设函数
满足条件：
域内可导 (在 处可除外)且
;
存在(或 )。
;
在 的邻
则：
法则 ( 型不定式极限)
4
设函数 | | 时,
满足条件： 可导,且
������������ ������ ������ ������
我们一般在 OCTAVE 或者 MATLAB 中进行计算矩阵的逆矩阵。
矩阵的转置基本性质: ������ ������ ������ ������������ ������������ ������������������
������ × ������ ������ ������������ × ������������
高等数学
1.导数定义： 导数和微分的概念
或者： 2.左右导数导数的几何意义和物理意义 函数 在 处的左、右导数分别定义为： 左导数：
右导数：
3.函数的可导性与连续性之间的关系
Th1: 函数 在 处可微
在 处可导。
Th2:若函数在点 处可导，则 续不一定可导。
在点 处连续，反之则不成立。即函数连
Th3:
义都用 ������ 代表单位矩阵，从左上角到右下角的对角线（称为主对角线）上的元
素均为 1 以外全都为 0。如：
������������ ������ ������ ������
对于单位矩阵，有������������ ������������ ������
矩阵的逆：如矩阵 ������是一个 ������ × ������ 矩阵（方阵），如果有逆矩阵，则：
数学的数理统计学
数学的数理统计学数理统计学是一门应用数学的分支学科，旨在研究数据的收集、分析和解释。
它是现代科学、工程和社会科学中必不可少的工具之一。
本文将从数学的角度出发，介绍数理统计学的基本概念、方法和应用。
一、基本概念数理统计学的基本概念包括总体、样本、随机变量和概率分布等。
总体是指研究对象的全体，样本则是从总体中选取的一部分个体。
随机变量是描述随机现象的数值特征，概率分布则描述了随机变量的取值规律。
二、数据的收集与描述在数理统计学中，收集和描述数据是关键的一步。
常见的数据收集方法包括抽样调查、实验和观测等。
而对数据进行描述的手段主要有集中趋势度量和离散程度度量。
集中趋势度量包括均值、中位数和众数等，用于反映数据的中心位置；离散程度度量包括方差、标准差和变异系数等，用于反映数据的离散程度。
三、概率与概率分布概率是数理统计学的重要概念之一，用来描述随机现象发生的可能性。
概率分布则用于描述随机变量的取值规律。
常见的概率分布包括正态分布、二项分布和泊松分布等。
正态分布是一种重要的连续型概率分布，其以钟形曲线为特征，广泛应用于自然科学和社会科学领域。
二项分布和泊松分布则常用于描述离散型随机变量的概率分布。
四、参数估计与假设检验参数估计与假设检验是数理统计学中的核心内容。
参数估计是根据样本数据对总体参数进行估计，常用的方法包括点估计和区间估计。
假设检验则是用于判断总体参数是否满足某个假设，常用的方法包括单样本假设检验、双样本假设检验和方差分析等。
五、回归与相关分析回归分析是研究两个或多个变量之间关系的统计方法。
简单线性回归分析用于描述两个变量之间的线性关系，多元线性回归分析则考虑多个自变量对因变量的影响。
相关分析则用于描述两个变量之间的相关程度，常用的是皮尔逊相关系数。
六、应用领域数理统计学在各个领域都有广泛的应用。
在自然科学方面，数理统计学可以帮助分析实验数据，验证理论模型。
在工程领域，数理统计学可以应用于质量控制、可靠性分析等。
- 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)。
数理统计的基础知识-精品2020-12-12【关键字】建议、情况、方法、前提、质量、问题、有效、深入、充分、合理、了解、研究、规律、特点、突出、思想、基础、需要、重点、方式、办法、标准、水平、反映、关系、检验、分析、推广、满足、解决、适应、中心、关心在前四章的概率论部分中，我们讨论了概率论的基本概念、思想和方法。
知道随机变量的统计规律性是通过随机变量的概率分布来全面描述的。
在概率论的许多问题中，概率分布通常是已知的或假设为已知的，在这一前提下我们去研究它的性质、特点和规律性，即讨论我们关心的某些概率、数字特征的计算以及对某些问题的判断、推理等。
但在许多实际问题中，所涉及到的某个随机变量服从什么分布我们可能完全不知道，或有时我们能够根据某些事实推断出分布的类型，但却不知道其分布函数中的某些参数。
例如：1、某种电子元件的寿命服从什么分布是完全不知道的。
2、检测一批灯泡是否合格，则每个灯泡可能合格，也可能不合格，则服从（0-1）分布，但其中的参数p未知。
对这类问题要深入研究，就必须知道与之相应的分布或分布中的参数。
数理统计要解决的首要问题就是：确定一个随机变量的分布或分布中的参数。
数理统计学是研究随机现象规律性的一门学科，它以概率论为理论基础，研究如何以有效的方式收集、整理和分析受到随机因素影响的数据，并对所考察的问题作出推理和预测，直至为采取某种决策提供依据和建议。
数理统计研究的内容非常广泛，可分为两大类：一是：怎样有效地收集、整理有限的数据资料。
二是：怎样对所得的数据资料进行分析和研究，从而对所考察对象的某些性质作出尽可能精确可靠的判断—本书中参数估计和假设检验。
第一节数理统计的基本概念一、总体与总体的分布在数理统计中，我们将研究对象的全体称为总体或母体，而把组成总体的每个元素称为个体。
总体中所包含的个体的个数称为总体的容量.容量为有限的总体称为有限总体；容量为无限的总体称为无限总体. 总体和个体之间的关系就是集合与元素之间的关系.在实际问题中，研究对象往往是很具体的事物或现象，而我们所关心的不是每一个个体的种种具体的特征，而是其中某项或某几项数量指标，记为X。
例如：研究一批灯泡的平均寿命时，该批灯泡的全体构成了研究的总体，其中每个灯泡就是个体。
但在实际问题中，我们仅仅关心灯泡的使用寿命（记X表示该批灯泡的寿命）。
则X就是我们研究的总体（所有灯泡寿命的集合），每一个灯泡的寿命就是一个个体。
再如：考查某一群体的身高和体重，则全体人员的（身高、体重）是总体，每个人的身高和体重是个体。
由此给出定义：总体：对所研究对象的某些指标进行试验，将试验的全部可能的观测值称为总体记为X。
个体：每一个可能的观测值称为个体。
对不同的个体，X的取值一般是不同的。
例如在试验中观察若干个个体就会得到X的一种数值，但在试验或观察之前，无法确定会得到一组什么样的数值，所以X是一个随机变量或随机向量，而X的分布也就完全描述了我们所关心的指标，即总体的分布。
为方便起见，以后我们将X 的可能取值的全体组成的集合称为总体，或直接称随机变量X 为总体，X 的分布也就是总体的分布。
例如：正态总体：是指表示总体某个数量指标的随机变量服从正态分布。
【注1】总体的分布一般情况下是未知的，这就需要利用总体中部分个体的数据资料来对总体服从的分布进行检验—这是分布拟合检验（非参数检验）问题；有时即使知道总体所服从的分布，但分布中的参数未知，这也需利用利用总体中部分个体的数据资料来对总体服从的分布中的未知参数进行统计推断（参数估计）。
而这就需要从总体中抽取若干个体进行观察，从中获得研究总体的一些观察数据，然后通过这些数据的统计分析，对总体的分布进行判断或对总体的参数做出合理的估计。
而一般的方法是按照一定的原则从总体中抽取若干个体进行观察，这个过程称为随机抽样。
二、样本与样本的分布由于每个个体的观察结果具有随机性，因此可以将第i 次抽取的个体记为i X ，则为随机变量，为此引入以下概念。
1、样本：从一个总体X 中，随机的抽出n 个个体12,,,n X X X ，通常记为),,,(21n X X X 这样取得的12,,,n X X X 称为总体X 的一个样本。
样本所含的个体数目称为样本容量.【注2】：（1）由于每个i X 都是从总体X 中随机抽出的，因此是一个随机变量，而样本),,,(21n X X X 就是n 维的随机向量。
（2）在依次取n 个个体12,,,n X X X 观测完毕后，得到n 个具体的数据),,,(21n x x x ，称为样本),,,(21n X X X 的观测值—样本值。
因此样本本身是随机向量，而一经抽取就是一组确定的数值，这就是所谓的样本两重性。
2、简单随机样本我们的目的是根据从总体中抽取的一个样本值),,,(21n x x x 对总体X 的分布或某些特征进行各种分析推断，所以要求抽取的样本能很好地反映总体的特性，为此我们要求随机抽取的样本),,,(21n X X X 满足：（1）具有代表性。
即样本的每个分量X i 与总体X 有相同的分布； （2）具有独立性。
即12,,,n X X X 是相互独立的随机变量，也就是说，n 次观察值之间是互相独立的；满足上述两条的样本称为简单随机样本，今后如无特别说明，所说的样本均指简单随机样本。
在实际问题中，抽取简单随机样本的方法很简单：（1）放回抽样；（2）不放回抽样：有限总体，当样本容量远小于总体容量时，不放回近似代替放回；无限总体，总是用不放回抽样.综合上述，给出明确的数学概念：定义一：一个随机变量X 或其相应的分布函数（分布律、密度函数）称为一个总体。
定义二：若随机向量12,,,n X X X 是相互独立的随机变量且每个分量X i 与总体X 有相同的分布，则称12,,,n X X X 是来自总体的容量为n 的简单随机样本。
简单随机样本的分布有如下性质：设总体X 的分布函数为()F x (称为总体分布函数)，或密度函数()f x 或分布律（称为总体概率密度），则来自总体的样本),,,(21n X X X 的 联合分布函数：121(,...)()nn ii F x x x F x ==∏，称为样本分布函数联合密度函数：121(,...)()nn ii f x x x f x ==∏，称为连续样本密度函数联合分布律：1211221(,,)(,...)()nn n n i i p x x x P X x X x X x P X x =======∏，称为离散样本密度【例1】 总体X 服从参数为p 的（0-1）分布，{1},{0}1P X p P X p ====-,求),,,(21n X X X 的分布。
【解】由题意X 的分布律为1{}(1),(0,1)xxP X x p p x -==-=，设12(,,,)n x x x 为来自X 的简单随机样本值，则),,,(21n X X X 的联合概率分布为【例2】总体X 服从2(,)N μσ，求样本),,,(21n X X X 的联合密度函数. 【解】设12(,,,)n x x x 为来自X 的简单随机样本值，则),,,(21n X X X 的联合概率分布为221221111(,,,)()]exp{()}22nnn i n ii i x f x x x x μμσσ==-=-=--∑三、统计推断问题简述总体和样本是数理统计中的两个基本概念. 样本来自总体，自然带有总体的信息，从而可以从这些信息出发去研究总体的某些特征（分布或分布中的参数）. 另一方面，由样本研究总体可以省时省力（特别是针对破坏性的抽样试验而言）. 我们称通过总体X 的一个样本n X X X ,,,21 对总体X 的分布进行推断的问题为统计推断问题.总体、样本、样本值的关系:总体↙ ↖推断（个体）样本 → 样本值抽样在实际应用中, 总体的分布一般是未知的, 或虽然知道总体分布所属的类型, 但其中包含着未知参数. 统计推断就是利用样本值对总体的分布类型、未知参数进行估计和推断.通过观察或试验得到的样本值，一般是杂乱无章的，例如： 例1样本的一些例子与观察值的表示方法:(1) 某食品厂用自动装罐机生产净重为345克的午餐肉罐头, 由于随机性, 每个罐头的净重都有差别. 现在从生产线上随机抽取10个罐头, 秤其净重, 得如下结果:344 336 345 342 340 338 344 343 344 343这是一个容量为10的样本的观察值, 它是来自该生产线罐头净重这一总体的一个样本的观察值.(2) 对363个零售商店调查周售额(单位:元)的结果如下:这是一个容量为363的样本的观察值, 对应的总体是所有零售店的周零售额. 不过这里没有给出每一个样本的具体的观察值, 而是给出了样本观察值所在的区间, 称为分组样本的观察值.这样一来当然会损失一些信息, 但是在样本量较大时, 这种经过整理的数据更能使人们对总体有一个大致的印象.通过该例可以看出，以上的两种样本值的表示方法，虽然能够反应出总体的一些大致的信息，但不够直观，判断不出总体服从什么分布。
为了对总体的分布有一个大致的判断，就需要对所获得的样本值进行整理，而分组数据统计表或频率直方图是两种常用整理方法.四、分组数据统计表和频率直方图1. 分组数据表：若样本值较多时，可将其分成若干组，分组的区间长度一般取成相等, 称区间的长度为组距. 分组的组数应与样本容量相适应. 分组太少，则难以反映出分布的特征，若分组太多，则由于样本取值的随机性而使分布显得杂乱. 因此，分组时，确定分组数（或组距）应以突出分布的特征并冲淡样本的随机波动性为原则. 区间所含的样本值个数称为该区间的组频数. 组频数与总的样本容量之比称为组频率.2. 频数直方图：设n X X X ,,,21 是总体X 的一个样本，又设总体具有概率密度f ，如何用样本来推断f ？注意到现在的样本是一组实数，因此，一个直观的办法是将实轴划分为若干小区间，记下诸观察值i X 落在每个小区间中的个数，根据大数定律中频率近似概率的原理，从这些个数来推断总体在每一小区间上的密度。
具体做法如下： 设n x x x ,,,21 是样本的n 个观察值.(i) 求出n x x x ,,,21 中的最小者)1(x 和最大者)(n x ；(ii) 选取常数a （略小于)1(x ）和b （略大于)(n x ），并将区间],[b a 等分成m 个小区间（一般取m 使nm 在101左右）： mab t m i t t t i i -=∆=∆+,,,2,1),,[ , 一般情况下，小区间不包括右端点.(iii) 求出组频数i n ，组频率i i f nn ∆=，以及(iv) 在),[t t t i i ∆+上以i h 为高，t ∆为宽作小矩形，其面积恰为i f ，所有小矩形合在一起就构成了频率直方图频率直方图能够大体刻画总体的分布情况。