考研数学概率与统计考点总结
山东省考研数学复习资料概率论与数理统计重点知识点整理
山东省考研数学复习资料概率论与数理统计重点知识点整理概率论与数理统计是数学的重要分支，广泛应用于各个领域。
在山东省考研的数学科目中，概率论与数理统计是必考内容之一。
为了帮助考生复习，本文将针对概率论与数理统计的重点知识点进行整理，并提供相应的考点解析和习题练习。
一、概率论基础知识1. 随机事件与概率：事件的概念、随机事件的概率、事件的运算（包括事件的和、积，互斥事件，逆事件等）2. 条件概率与独立性：条件概率的概念、乘法定理、全概率公式、贝叶斯公式、独立事件的概念与性质3. 随机变量与分布函数：随机变量的概念、离散型随机变量、连续型随机变量、随机变量函数的分布4. 数学期望与方差：随机变量的数学期望、方差的性质与计算、条件期望、协方差与相关系数的定义与计算二、概率分布1. 离散型随机变量的分布：伯努利分布、二项分布、泊松分布等，包括分布的概率函数、分布函数、数学期望和方差的计算2. 连续型随机变量的分布：均匀分布、指数分布、正态分布等，包括分布的密度函数、分布函数、数学期望和方差的计算3. 两个随机变量的分布：随机变量之和的分布、两个随机变量的函数的分布三、大数定律与中心极限定理1. 大数定律：切比雪夫不等式、大数定律的独立同分布条件、伯努利大数定律、辛钦大数定律2. 中心极限定理：中心极限定理的独立同分布条件、独立同分布情况下的林德伯格-列维定理、棣莫弗-拉普拉斯中心极限定理四、参数估计与假设检验1. 点估计：估计量与矩估计、最大似然估计、无偏性与有效性、均方误差2. 区间估计：置信区间的构造与解释、枢轴变量法构造置信区间、大样本置信区间与小样本置信区间3. 假设检验：假设检验的基本原理与步骤、拒绝域与接受域、显著性水平与p值、参数检验与非参数检验五、相关分析与方差分析1. 相关分析：相关系数的计算与解释、相关系数的性质与应用、线性回归与最小二乘法2. 方差分析：单因素方差分析、双因素方差分析、方差分析的假设条件与检验方法六、样本调查与抽样分布1. 随机抽样：简单随机抽样、分层抽样、整群抽样、多阶段抽样等抽样方法2. 样本调查：样本容量的确定、调查问卷设计与分析、样本误差与抽样误差3. 抽样分布：统计量与抽样分布、正态分布与t分布、卡方分布与F分布通过对概率论与数理统计的重点知识点进行整理，希望能够帮助山东省考研数学的考生有一个清晰的复习框架。
考研数学概率各章口诀汇总
考研数学概率各章口诀汇总概率统计在考研数学中所占的考试题型不多，计算方法比较初等但计算量比较大。
如何掌握好概率知识点，熟记这些口诀吧。
下面就是给大家整理的考研数学概率各章口诀，希望对你有用!第一章随机事件互斥对立加减功，条件独立乘除清;全概逆概百分比，二项分布是核心;必然事件随便用，选择先试不可能。
第二、三章一维、二维随机变量1)离散问模型，分布列表清，边缘用加乘，条件概率定联合，独立试矩阵2)连续必分段，草图仔细看，积分是关键，密度微分算3)离散先列表，连续后求导;分布要分段，积分画图算第五、六章数理统计、参数估计正态方和卡方出，卡方相除变F，若想得到t分布，一正n卡再相除。
样本总体相互换，矩法估计很方便;似然函数分开算，对数求导得零蛋;区间估计有点难，样本函数选在前;分位维数惹人嫌，导出置信U方甜。
第七章假设检验检验均值用U-T，分位对称别大意;方差检验有卡方，左窄右宽不稀奇;不论卡方或U-T，维数减一要牢记;代入比较临界值，拒绝必在否定域!考研数学隐晦却很重要的概率运算五大公式1、减法公式，P(A-B)=P(A)-P(AB)。
此公式来自事件关系中的差事件，再结合概率的可列可加性总结出的公式。
2、加法公式，P(A+B)=P(A)+P(B)-P(AB)。
此公式来自于事件关系中的和事件，同样结合概率的可列可加性总结出来。
学生还应掌握三个事件相加的加法公式。
以上两个公式，在应用当中，有时要结合文氏图来解释会更清楚明白，同时这两个公式在考试中，更多的会出现在填空题当中。
所以记住公式的形式是基本要求。
3、乘法公式，是由条件概率公式变形得到，考试中较多的出现在计算题中。
在复习过程中，部分同学分不清楚什么时候用条件概率来求，什么时候用积事件概率来求。
比如“第一次抽到红球，第二次抽到黑球”时，因为第一次抽到红球也是未知事件，所以要考虑它的概率，这时候用积事件概率来求;如果“在第一次抽到红球已知的情况下，第二次抽到黑球的概率”，这时候因为已知抽到了红球，它已经是一个确定的事实，所以这时候不用考虑抽红球的概率，直接用条件概率，求第二次取到黑球的概率即可。
考研数学一大纲重点梳理概率论与数理统计部分
考研数学一大纲重点梳理概率论与数理统计部分概率论和数理统计是考研数学一科目中的重要部分，本文将针对概率论与数理统计这一大纲进行重点梳理。
首先，我们将介绍概率论的基本概念和理论，然后详细讨论数理统计的相关内容。
一、概率论的基本概念和理论1. 概率的基本概念概率是研究随机现象的定量描述，用来描述事件发生的可能性大小。
概率可以用数值表示，范围在0到1之间，其中0代表不可能事件，1代表必然事件。
2. 概率的运算规则概率的运算规则包括加法规则和乘法规则。
加法规则适用于互斥事件，乘法规则适用于独立事件。
3. 随机变量和概率分布随机变量是用来描述随机现象的变量，可以分为离散随机变量和连续随机变量。
概率分布描述了随机变量的取值与概率之间的关系，常见的概率分布包括二项分布、泊松分布和正态分布等。
4. 期望和方差期望是随机变量的平均值，用来描述随机变量的集中趋势；方差是随机变量与期望之间的差异程度，用来描述随机变量的离散程度。
二、数理统计的相关内容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观察和研究的过程，抽样分布是指样本统计量的概率分布。
常见的抽样分布包括正态分布、t分布和F分布等。
2. 参数估计参数估计是利用样本数据来估计总体参数的值，常见的参数估计方法包括点估计和区间估计。
点估计是用单个数值来估计参数的值，区间估计是用一个区间来估计参数的值。
3. 假设检验假设检验是根据样本提供的信息，对总体的某个参数是否满足某种假设进行判断。
假设检验可以分为单侧检验和双侧检验，常见的假设检验方法包括z检验和t检验等。
4. 方差分析方差分析是用来比较两个或多个总体间均值差异是否显著的统计方法。
方差分析可以分为单因素方差分析和多因素方差分析，常用的方法包括单因素方差分析和双因素方差分析等。
5. 回归分析回归分析是用来研究自变量与因变量之间的关系的方法。
简单线性回归是一种自变量和因变量之间存在线性关系的回归分析方法，多元线性回归是多个自变量和一个因变量之间的回归分析方法。
2024考研数学概率论重要考点总结（2篇）
2024考研数学概率论重要考点总结2024考研数学考试中的概率论部分是一个非常重要的考点，对于考生来说，掌握好概率论的相关知识点是非常关键的。
下面是2024考研数学概率论重要考点的总结，希望能够帮助到考生。
一、概率基本概念：1. 随机试验、样本空间、随机事件；2. 古典概型、几何概型、随机变量概型；3. 定义域、值域、事件域；4. 频率与概率的关系。
二、概率公理与概率的性质：1. 概率公理；2. 概率的性质（非负性、规范性、可列可加性）；3. 条件概率、乘法公式；4. 全概率公式、贝叶斯公式。
三、随机变量的概念：1. 随机变量的定义；2. 离散型随机变量与连续型随机变量；3. 离散型随机变量的概率分布律、累积分布函数；4. 连续型随机变量的概率密度函数、累积分布函数；5. 随机变量的数学期望、方差、标准差。
四、常见概率分布：1. 二项分布；2. 泊松分布；3. 均匀分布；4. 正态分布。
五、多维随机变量与联合分布：1. 二维随机变量的联合分布律、联合分布函数；2. 边缘分布；3. 条件分布。
六、独立性与随机变量的函数的分布：1. 独立性的概念；2. 独立随机变量的数学期望、方差；3. 独立连续型随机变量的函数的分布；4. 独立离散型随机变量的函数的分布。
七、大数定律与中心极限定理：1. 大数定律的概念与几种形式；2. 切比雪夫不等式；3. 中心极限定理的概念；4. 利用中心极限定理进行概率近似计算。
八、随机过程：1. 随机过程的概念；2. 马尔可夫性；3. 随机过程的平稳性。
九、统计量与抽样分布：1. 统计量的概念；2. 抽样分布与大样本正态分布近似；3. 正态总体均值与方差的推断。
以上就是2024考研数学概率论部分的重要考点总结，希望对考生有所帮助。
考生要多进行习题的练习和考点的整理与总结，提高自己的概率论水平，为考试做好准备。
祝考生取得好成绩！2024考研数学概率论重要考点总结（2）2024考研数学概率论的重要考点总结如下：1. 概率的基本概念：样本空间、事件、概率等基本概念的定义和性质。
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．。
2023考研概率统计全考点精讲-第二讲 随机变量及其分布
第二讲 随机变量及其分布【考试要求】1.理解随机变量的概念，理解分布函数(){}()F x P X x x =≤−∞<<+∞的概念及性质，会计算与随机变量相联系的事件的概率.2.理解离散型随机变量及其概率分布的概念，掌握0-1分布、二项分布(,)B n p 、几何分布、超几何分布、泊松(Poisson)分布()P λ及其应用.3.（数一了解，数三掌握）泊松定理的结论和应用条件，会用泊松分布近似表示二项分布.4.理解连续型随机变量及其概率密度的概念，掌握均匀分布(,)U a b 、正态分布2(,)N μσ、指数分布及其应用，其中参数为λ的指数分布()λE 的概率密度为()e ,00,0x x f x x λλ−⎧>=⎨≤⎩.5.会求随机变量函数的分布.考点：随机变量与分布函数1.随机变量：设试验E 的样本空间为Ω，如果对于每一个样本点Ω∈ω，都有一个实数)(ωX 与之对应，则称定义在Ω上的单值实值函数)(ωX 为随机变量，简记为X . 通常用,,X Y Z 等表示随机变量.【注】随机变量的等式和不等式可表示随机事件. 2.分布函数（1）定义：设X 是一个随机变量，x 是任意实数，称(){}()F x P X x x =≤−∞<<+∞为X 的分布函数.（2）基本性质①单调不减，即若12x x <，则12()()F x F x ≤；②lim ()0x F x →−∞=，lim ()1x F x →+∞=； ③()F x 是右连续，即(0)()F x F x +=.【注】这三条性质是一个函数作为某随机变量的分布函数的充分必要条件. （3）其他性质（用分布函数()F x 求概率）①)()(}{a F b F b X a P −=≤<； ②)0(}{−=<a F a X P ；③)0()(}{−−==a F a F a X P ；④)0()0(}{−−−=<≤a F b F b X a P ； ⑤)()0(}{a F b F b X a P −−=<<； ⑥{}()(0)P a X b F b F a ≤≤=−−. 【注】分布函数在处连续.【例1】 下述函数中，可以作为某个随机变量的分布函数的是（ ） （A ） ()211F x x =+ （B ）()x x F sin = （C ） ()11arctan π2F x x =+ （D ） ()1e ,020,0xx F x x −⎧−>⎪=⎨⎪≤⎩【例2】 设随机变量X 的分布函数为()00πsin 02π12,x F x A x,x ,x ⎧⎪<⎪⎪=≤≤⎨⎪⎪>⎪⎩，则A _____=，6P X ______π⎧⎫<=⎨⎬⎩⎭.【例3】 已知随机变量X 的分布函数为()0,11,18,111,1x x F x ax b x x <−⎧⎪⎪=−⎪=⎨⎪+−<<⎪≥⎪⎩，且()F x a {}0P X a ⇔=={}114P X ==，则_____,_____a b ==. 【例4】 设随机变量X 的分布函数为⎪⎩⎪⎨⎧≥−<≤<=−1,110,210,0)(x e x x x F x，则{}1P X ==（ ）（A ）0 （B ）21（C ）121−−e （D ）11e −−考点：离散型随机变量及其分布1.离散型随机变量定义：若随机变量X 所有可能取值是有限或可列无限个，则称X 为离散型随机变量.2.分布律（1）定义：设离散型随机变量X 的所有可能取值为()12i x i ,,=，且X 取ix 的概率为i p ，则称{}()12i i P X x p i ,,===为离散型随机变量X 的分布律.X（2）基本性质：①0,1,2,i p i ≥=；②11ii p∞==∑.【注】这两条性质也是一个数列可以作为某随机变量分布律的充分必要条件. 3.离散型随机变量的分布函数若离散型随机变量X 的分布律为{}()12i i P X x p i ,,===，则X 的分布函数为(){}{}()i i i i x xx xF x P X x P X x p x ≤≤=≤===−∞<<+∞∑∑.若123x x x <<<，则()111212230,,,x x p x x x F x p p x x x <⎧⎪≤<⎪=⎨+≤<⎪⎪⎩. 【注】若已知X 的分布函数()F x （阶梯函数），则X 的分布律为{}()()0i i i P X x F x F x ==−−，12i ,,=.【例1】 （1）做n 次伯努利实验，已知每次成功的概率均为()10<<p p ，令X 表示n 次试验中成功的次数，求X 的分布律.（2）做伯努利试验，已知每次成功的概率均为()10<<p p ，令X 表示直到第一次成功为止所进行的实验次数，求X 的分布律.【例2】 设袋中有5个球，其中3个新球，2个旧球，从中任取3个球，用X 表示3个球中新球个数，求X 的分布律与分布函数.考点：连续型随机变量及其分布1.连续型随机变量及其概率密度（1）定义：设随机变量X 的分布函数为()F x ，若存在非负可积函数()f x ，使得对于任意实数x ，有()()xF x f t dt −∞=⎰，则称X 为连续型随机变量，()f x 称为X 的概率密度函数，简称概率密度（简写为.f .d .p ）.【注】①只有存在概率密度的随机变量才能称为连续型随机变量，分布函数连续的随机变量不一定是连续型随机变量.②存在既非连续型又非离散型的随机变量.③(),()()0()F x x F x f x x F x '⎧=⎨⎩为的可导点，为的不可导点. （2）概率密度的基本性质：①()0f x ≥；②()1f x dx +∞−∞=⎰.【注】这两条性质是一个函数可以作为概率密度函数的充分必要条件.（3）连续型随机变量的其他性质： ①)(x F 处处连续.②对()+∞∞−∈∀,a ，有{}.0==a X P ③若()f x 在x 处连续，则有()()F x f x '=. ④对于任意的实数()1212x ,x x x ≤，有{}()()211221()x x P x X x F x F x f x dx <≤=−=⎰.【例1】 设随机变量X 的概率密度为()x f ，则下列函数中必为某随机变量的概率密度的是（ ）（A ）()x f 2 （B ）()x f 2 （C ）()x f −1 （D ）()x f −1【例2】 设随机变量X 的概率密度为()cos ,||20,||2A x x f x x ππ⎧≤⎪⎪=⎨⎪>⎪⎩，求（1）常数A ； （2）X 的分布函数为()x F . 【例3】 设随机变量X 的概率密度为()1||,||10,x x f x else −<⎧=⎨⎩，则______412=⎭⎬⎫⎩⎨⎧<<−X P .考点：常见分布1.常见的离散型随机变量 （1） 0-1分布若随机变量X 的分布律为{}()()110101kk P X k p p ,k ,p −==−=<<，则称X 服从0-1分布，记为),1(~p B X .（2） 二项分布若随机变量的分布律为{}C (1),0,1,2,k k n kn P X k p p k n −==−=，其中01p <<，则称X 服从二项分布，记为~(,)X B n p .（3） 几何分布若随机变量X 的分布律为{}1(1)k P X k p p −==−⋅，1,2,3k =，其中01p <<，则称X 服从参数为p 的几何分布，记为()~X G p .（4） 超几何分布（从未考过）若随机变量X 的分布律为{}C C C k n kM N MnNP X k −−==，其中N k ∈，且{}{}n M k N n M ,min ,0max ≤≤−+，则称X 服从超几何分布.【注】：此公式的数学模型为：设N 件产品中含M 件次品，现从中任取n 件产品，则所取的n 件产品恰有k 件次品的概率.（5） 泊松分布 ①定义若随机变量X 的分布律为{}e !kP X k k λλ−==，0,1,2,k =，其中0λ>，则称X 服从参数为λ的泊松分布，记为~()X P λ.X②泊松定理（数一了解；数三掌握）设0λ>是一个常数，n 是任意正整数，若lim n n np λ→∞=，则对于任意的非负整数k ，有()e lim 1.!nk n kkknn n C p p k λλ−−→∞−=【例1】 设随机变量X 服从参数为()2,p 的二项分布，随机变量Y 服从参数为()3,p 的二项分布，若{}519P X ≥=，则{}1_______P Y ≥=. 【例2】 设某时间段内通过一路口的汽车流量服从泊松分布，已知该时段内没有汽车通过的概率为1e，则这段时间内至少有两辆汽车通过的概率为___________. 2.常见的连续型随机变量 （1） 均匀分布若X 的概率密度为1,()0,a xb f x b a⎧<<⎪=−⎨⎪⎩其它，则称X 在()a,b 上服从均匀分布，记为()~,X U a b ，其分布函数为0,(),1,x a x aF x a x b b a x b<⎧⎪−⎪=≤<⎨−⎪⎪≥⎩. （2） 指数分布若X 的概率密度为e ,0()0,0x x f x x λλ−⎧>=⎨≤⎩，其中0λ>，则称X 服从参数为λ的指数分布，记为()XE λ，其分布函数为1e ,0()0,0x x F x x λ−⎧−≥=⎨<⎩.（3） 正态分布若随机变量X的概率密度为22()2()()x f x x μσ−−=−∞<<+∞，其中0σ>,μ与σ均为常数，则称X 服从参数为,μσ的正态分布，记为2~(,)X N μσ，其分布函数为22()2()d ()t xF x t x μσ−−=−∞<<+∞⎰.特别地，当0,1μσ==，即~(0,1)X N ，称X 服从标准正态分布，其概率密度为22(),x x x ϕ−=−∞<<+∞，分布函数22()d t xx t −Φ=⎰，x −∞<<+∞.【注】（1）指数分布的无记忆性：若()~X E λ，则对任意的0,0s t >>，有{}{}|.P X s t X s P X t >+>=>【例3】 设随机变量()6,1~U X ，则方程012=++Xy y 有实根的概率为____.【例4】 设随机变量()~2,5X U ，现对X 进行三次独立重复观测，求至少有两次观测值大于3的概率.【例5】 设随机变量Y 服从参数为12λ=的指数分布，求关于未知量x 的方程2230x Yx Y ++−=没有实根的概率.【例6】 设随机变量的概率密度函数为()221e ()x x f x k x −+−=−∞<<+∞X则常数=_______k .【例7】 设随机变量()22,X N σ且{}240.3P X <<=，则{}0_______P X <=.【例8】 设随机变量()2,X N μσ，则概率{}P X μσ−<的值随着σ的增大而（ ）（A ）增大 （B ）减小 （C ）保持不变 （D ）无法确定考点：随机变量函数的分布1.离散型随机变量函数的分布设X 为离散型随机变量，其概率分布为{},1,2,i i P X x p i ===，函数()g x 连续，则随机变量()Y g X =的分布律为{}(),1,2,i k k i g x y P Y y p k ====∑.做法：找到Y 全部可能的取值，算出相应值的概率.【例1】 设随机变量X 在()1,2−上服从均匀分布，1,01,0X Y X −<⎧=⎨≥⎩，求Y 的分布律.【例2】（课后作业）设随机变量X 的概率分布为，求常数和的概率分布. 2.连续型随机变量函数的分布情形一：Y 为离散型. 做法：找到Y 全部可能的取值，算出相应值的概率. 情形二：Y 为连续型.（1）分布函数法（代数法和几何法）先求出()Y g X =的分布函数()Y F y ，即()(){}()()Y g x y F y P g X y f x dx ≤=≤=⎰，再对()YF y 求导得到Y 的概率密度()Y f y .（2）公式法 若()y g x =在X 的取值区间内有连续导数()g x '，且()0g x '>或者()0g x '<，则()Y g X =是连续型随机变量，且其概率密度为{}(1,2,)3k c P X k k ===c sin()2Y X π=()()()',0,X Y f h y h y y f y αβ⎧<<⎡⎤⎪⎣⎦=⎨⎪⎩其他其中(),αβ为()y g x =的值域，()h y 是()g x 的反函数.情形三：Y 既非连续型又非离散型 做法：分布函数法求其分布函数.【例3】 设随机变量X 服从()0,2上的均匀分布，则随机变量2Y X =在()0,4内的概率密度()Y f y _______=.【例4】 设随机变量X 的概率密度为()22,00,x x f x ππ⎧<<⎪=⎨⎪⎩其它，求sin Y X =的概率密度()Y f y .。
考研知识点-概率统计
一. 随机事件和概率 1、概率的定义和性质（1）概率的公理化定义设Ω为样本空间，A 为事件，对每一个事件A 都有一个实数P(A)，若满足下列三个条件：1° 0≤P(A)≤1， 2° P(Ω) =13° 对于两两互不相容的事件1A ，2A ，…有∑∞=∞==⎟⎟⎠⎞⎜⎜⎝⎛11)(i i i i A P A P Υ常称为可列（完全）可加性。
则称P(A)为事件A 的概率。
（2）古典概型（等可能概型）1° {}n ωωωΛ21,=Ω，2° nP P P n 1)()()(21===ωωωΛ。
设任一事件A ，它是由m ωωωΛ21,组成的，则有P(A)={})()()(21m ωωωΥΛΥΥ=)()()(21m P P P ωωω+++Λn m =基本事件总数所包含的基本事件数A = 2、五大公式（加法、减法、乘法、全概、贝叶斯）（1）加法公式P(A+B)=P(A)+P(B)-P(AB)当P(AB)＝0时，P(A+B)=P(A)+P(B)（2）减法公式 P(A-B)=P(A)-P(AB)当B ⊂A 时，P(A-B)=P(A)-P(B) 当A=Ω时，P(B )=1- P(B)（3）条件概率和乘法公式定义 设A、B 是两个事件，且P(A)>0，则称)()(A P AB P 为事件A 发生条件下，事件B 发生的条件概率，记为=)/(A B P )()(A P AB P 。
条件概率是概率的一种，所有概率的性质都适合于条件概率。
（4）全概公式设事件n B B B ,,,21Λ满足 1°nB B B ,,,21Λ两两互不相容，),,2,1(0)(n i B P i Λ=>，2°Υni iB A 1=⊂，则有)|()()|()()|()()(2211n n B A P B P B A P B P B A P B P A P +++=Λ。
考研统计与概率知识点归纳
考研统计与概率知识点归纳统计学是研究数据收集、处理、分析和解释的科学，而概率论是研究随机现象的数学分支。
在考研中，统计与概率是数学科目的重要组成部分，以下是对这两部分知识点的归纳：统计学的基本概念：- 总体与样本：总体是指研究对象的全体，样本是总体中所抽取的一部分。
- 变量：可以量化的属性或特征。
- 描述统计：包括数据的收集、整理、描述和展示。
- 推断统计：从样本数据推断总体特征。
概率论的基本概念：- 随机事件：在相同条件下，可能出现也可能不出现的结果。
- 概率：随机事件发生的可能性大小。
- 条件概率：在已知某个事件已经发生的条件下，另一个事件发生的概率。
统计学的主要方法：- 描述性统计：包括频率分布、直方图、箱线图等。
- 参数估计：点估计和区间估计，用于估计总体参数。
- 假设检验：用于检验关于总体参数的假设是否成立。
概率论的主要理论：- 概率空间：由样本空间、事件域和概率测度组成。
- 随机变量：可以将随机试验的结果量化为数值的变量。
- 概率分布：描述随机变量取值的概率规律。
- 大数定律和中心极限定理：描述随机变量的长期行为。
统计学的应用：- 回归分析：研究变量之间的依赖关系。
- 方差分析：用于分析多个样本均值的差异。
- 时间序列分析：研究时间序列数据的趋势和周期性。
概率论的应用：- 随机过程：研究随时间变化的随机现象。
- 马尔可夫链：具有无记忆性质的随机过程。
- 泊松过程：描述在一定时间或空间内随机事件发生的次数。
结束语：考研统计与概率知识点的归纳不仅涵盖了基础概念，还包含了方法论和应用领域。
掌握这些知识点对于理解和解决实际问题至关重要。
希望以上的归纳能够帮助考生更好地复习和准备考研。
考研数学三概率论与数理统计知识点
2017考研数学三之概率论与数理统计知识点
来源：文都图书
在数学三的三门科目中，概率论与数理统计不仅是考研数学中的难点，而且考生得分率普遍较低。
与微积分和线性代数不同的是，概率论与数理统计并不强调解题方法，也很少涉及解题技巧，而非常强调对基本概念、定理、公式的深入理解。
其主要知识点有以下几点：
1.随机事件和概率：包括样本空间与随机事件;概率的定义与性质(含古典概型、几何概型、加法公式);条件概率与概率的乘法公式;事件之间的关系与运算(含事件的独立性);全概公式与贝叶斯公式;伯努利概型。
2.随机变量及其概率分布：包括随机变量的概念及分类;离散型随机变量概率分布及其性质;连续型随机变量概率密度及其性质;随机变量分布函数及其性质;常见分布;随机变量函数的分布。
3.二维随机变量及其概率分布：包括多维随机变量的概念及分类;二维离散型随机变量联合概率分布及其性质;二维连续型随机变量联合概率密度及其性质;二维随机变量联合分布函数及其性质;二维随机变量的边缘分布和条件分布;随机变量的独立性;两个随机变量的简单函数的分布。
4.随机变量的数字特征：随机变量的数字期望的概念与性质;随机变量的方差的概念与性质;常见分布的数字期望与方差;随机变量矩、协方差和相关系数。
了解了主要知识点后，我们再通过汤家凤老师的2017《考研数学接力题典1800》（数学三）来适量做题，巩固我们对知识点的认识和掌握。
考研数学概率论与数理统计常用公式
第3页共5页
9. 二维随机变量的条件分布
f (x, y) f X (x) fY X ( y x) f X (x) 0
fY (y) fX Y (x y)
fY (y) 0
fX (x)
f (x, y)dy
f X Y (x y) fY ( y)dy
fY (y)
f (x, y)dx
简单整理了一下，中心极限定理及数理统计部分多概念少公式故未详细列 出。
第5页共5页
7.多维随机变量及其分布
二维随机变量( X ,Y )的分布函数
F(x, y)
x
y
f (u, v)dvdu
边缘分布函数与边缘密度函数
FX (x)
x
f (u, v)dvdu
fX (x)
f (x, v)dv
FY ( y)
y
f (u, v)dudv
fY ( y)
f (u, y)du
E(X ) xf (x)dx
随机变量函数的数学期望
X 的 k 阶原点矩 E( X k )
X 的 k 阶绝对原点矩 E(| X |k )
X 的 k 阶中心矩 E(( X E( X ))k )
X 的 方差 E(( X E( X ))2 ) D( X )
X ,Y 的 k + l 阶混合原点矩 E( X kY l )
XY
X 的方差
D (X ) = E ((X - E(X))2)
D(X ) E(X 2) E2(X )
协方差
cov(X ,Y ) E (X E(X ))(Y E(Y ))
E( XY ) E( X )E(Y )
1 D(X Y ) D(X ) D(Y )
- 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)。
考研数学概率与统计考点总结
考研数学中的概率与统计是一个重要且复杂的考点。
在考试中，这一部分占据了很大的比重，因此对于考研生而言，掌握概率与统计的知识点是非常必要的。
本文将就考研数学概率与统计的一些重点内容进行总结和归纳。
首先，我们先来了解一下概率的基础知识。
概率是一个研究随机事件发生的可能性的数学分支。
在考研数学中，概率的基本概念包括随机事件、必然事件、不可能事件、样本空间、随机变量等。
同时，我们还需要了解概率的运算法则，包括加法定理、乘法定理、条件概率、全概率公式和贝叶斯定理等。
这些都是概率论的基本内容，考研数学中经常会涉及到。
其次，概率的分布函数和密度函数也是考研数学概率与统计中的重要内容。
常见的分布函数包括均匀分布、正态分布、指数分布等。
而对于连续型随机变量，我们需要掌握概率密度函数的性质和计算方法。
同时，考研数学还会考察到一些离散型随机变量的概率质量函数，如二项分布、泊松分布等，考生需要熟练掌握这些分布函数的特点，并能够进行应用和计算。
除此之外，考研数学概率与统计还会考察到一些重要的概率统计量和随机变量的性质。
例如，期望值、方差、协方差、相关系数等。
考生需要清楚这些统计量的概念和计算方法，并能够熟练应用到实际问题中去。
此外，还需要了解一些常见的随机变量的性质，如二项分布的期望和方差、正态分布的标准差等。
另外，考研数学概率与统计中还会出现一些统计推断的内容。
统计推断是通过样本数据对总体参数进行估计和假设检验的过程。
对于统计推断，我们需要了解抽样分布的概念和性质，并学会运用大数定律和中心极限定理进行推断。
此外，还需要熟悉一些参数估计和假设检验的方法，如最大似然估计、置信区间、t检验、F 检验等。
在掌握了上述的基本知识之后，考生还需要进行大量的题目练习来巩固和运用
所学的知识。
可以选择一些经典的考试真题，进行反复训练。
在做题过程中，要注重题目的思路和方法，发现规律并总结解题技巧。
此外，还可以利用一些辅助资料，如教材的习题答案和解析，做题过程中遇到困难可以参考这些资料进行学习。
总之，考研数学概率与统计是一门重要且复杂的学科。
掌握概率与统计的基本
概念、分布函数和密度函数、统计量和随机变量的性质，以及统计推断的方法，都是考生备战考研数学的关键。
通过大量的练习和总结，相信考生一定能够在考试中获得好的成绩。
最后要提醒考生在备考过程中保持良好的心态，相信自己的实力，相信自己一定能够取得好的成绩。
祝愿各位考研成功！。