2019考研数学：概率与数理统计30个必背知识点
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)。
概率部分第二章《随机变量及其分布》、第三章《随机变量的数字特征》中在每章开始列出的那些大表格，都应该自己记忆，可以省略不看的内容少之又少。
概率论与数理统计各章重点知识整理.pptx
件的概率相等,即 P(e1)=P(e2)=…= 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.
P(A)=0 .
(2)有限可加性 对于 n 个两两互不相容的事件 A1,A2,…,An , P(A1∪A2∪…∪An)=P(A1)+P(A2)+…+P(An) (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) .
y
fX
hyhy
0
y
其它
其中h(y)是 g(x)的反函数 , = min (g (-),g ()) = max (g (-),g ()) .
如果 f (x)在有限区间[a,b]以外等于零,则 = min (g (a),g (b)) = max (g (a),g (b)) .
第三章 二维随机变量及其概率分布
n PB
PA
i
B
i
.
i 1
六.事件的独立性
2
学海无 涯
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)若 A 与 B,A 与 B , A与 B, , A 与 B 中有一对相互独立,则另外三对也相互独立.
概率论和数理统计知识点总结(超详细版)
《概率论与数理统计》第一章 概率论的基本概念§2．样本空间、随机事件1．事件间的关系 B A ⊂则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生B }x x x { ∈∈=⋃或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ⋃发生B }x x x { ∈∈=⋂且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ⋂发生B }x x x { ∉∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生φ=⋂B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的且S =⋃B A φ=⋂B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件2．运算规则 交换律A B B A A B B A ⋂=⋂⋃=⋃结合律)()( )()(C B A C B A C B A C B A ⋂=⋂⋃⋃=⋃⋃ 分配律 )()B (C A A C B A ⋃⋂⋃=⋂⋃）（ ))(()( C A B A C B A ⋂⋂=⋃⋂ 徳摩根律B A B A A B A ⋃=⋂⋂=⋃ B —§3．频率与概率定义 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A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件：（1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P（3）可列可加性：设n A A A ,,,21 是两两互不相容的事件，有∑===nk kn k kA P A P 11)()( （n 可以取∞）2．概率的一些重要性质： （i ） 0)(=φP（ii ）若n A A A ,,,21 是两两互不相容的事件，则有∑===nk kn k kA P A P 11)()(（n 可以取∞）（iii ）设A ，B 是两个事件若B A ⊂，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P（v ）)(1)(A P A P -= （逆事件的概率）（vi ）对于任意事件A ，B 有)()()()(AB P B P A P B A P -+=⋃§4等可能概型（古典概型）等可能概型：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 若事件A包含k个基本事件，即}{}{}{2]1k i i i e e e A =，里个不同的数，则有中某，是，，k k n 2,1i i i ,21 ()中基本事件的总数包含的基本事件数S }{)(1j A n k e P A P kj i ===∑= §5．条件概率（1） 定义：设A,B 是两个事件，且0)(>A P ，称)()()|(A P AB P A B P =为事件A 发生的条件下事件B 发生的条件概率（2） 条件概率符合概率定义中的三个条件1。
概率论与数理统计知识点
概率论与数理统计知识点概率论与数理统计是数学中非常重要的一门学科，它涉及到现实生活中各种不确定性的问题。
本文将探讨概率论与数理统计的一些核心知识点，包括概率、随机变量、概率分布、参数估计等内容。
概率是研究随机试验结果可能性的数学分支。
概率的计算主要有两种方法：频率法和古典概型法。
频率法是通过实际试验次数的频率来估计某个事件发生的概率。
而古典概型法是通过对试验结果的分析，利用等可能性原理来计算概率。
概率的计算公式包括加法定理、乘法定理、条件概率等。
随机变量是概率论中很重要的一个概念。
随机变量是一个函数，它把样本空间中的每个可能的结果与一个实数联系起来。
随机变量分为离散型和连续型两种。
离散型随机变量的取值是有限的或者可列的，比如扔一次硬币的结果。
而连续型随机变量的取值是无限的，比如测量某个时间段内的温度。
概率分布是随机变量的分布规律。
离散型随机变量的概率分布可以通过概率质量函数来描述，例如二项分布、泊松分布等。
连续型随机变量的概率分布可以通过概率密度函数来描述，例如正态分布、指数分布等。
概率分布具有一些特征值，如均值、方差和标准差，它们是描述变量分布的重要指标。
参数估计是根据样本估计总体的未知参数值。
参数估计有点估计和区间估计两种方法。
点估计是用样本统计量作为总体参数的估计值，如样本均值、样本方差等。
区间估计是给出一个总体参数的区间估计范围，如置信区间。
参数估计的准确性可以通过标准误差、置信水平等来衡量。
除了概率论与数理统计的基本知识点，还有一些衍生的概念和应用。
例如，假设检验是根据样本数据对总体参数提出关于总体参数的一个假设，并对这个假设进行检验的方法。
假设检验有类型I错误和类型II错误之分。
此外，回归分析是指通过建立变量之间的统计模型，用以预测和解释因变量的方法。
回归分析对于了解变量之间的关系和预测未来的趋势具有重要意义。
概率论与数理统计是现代科学和工程领域中不可或缺的工具。
无论是在自然科学、社会科学还是经济管理等领域，概率论与数理统计都得到了广泛应用。
概率论与数理统计考点归纳
以下是概率论与数理统计的一些常见考点归纳：
概率论：
1. 概率的基本概念：样本空间、事件、随机变量等。
2. 概率运算：并、交、差、补等运算规则。
3. 条件概率与独立性：条件概率的定义与计算、独立事件的判定与计算。
4. 随机变量：离散和连续随机变量的概念、概率质量函数（PMF）和概率密度函数（PDF）、期望、方差等。
5. 常见离散分布：伯努利分布、二项分布、泊松分布等。
6. 常见连续分布：均匀分布、正态分布、指数分布等。
7. 两个随机变量的关系：协方差、相关系数等。
数理统计：
1. 抽样与抽样分布：简单随机抽样、抽样分布、中心极限定理等。
2. 参数估计：点估计和区间估计、最大似然估计、置信区间等。
3. 假设检验：假设检验的基本步骤、显著性水平、p值等。
4. 单样本参数检验：均值检验、比例检验等。
5. 两样本参数检验：两样本均值检验、两样本比例检验等。
6. 方差分析：单因素方差分析、多因素方差分析等。
7. 相关与回归分析：相关系数、简单线性回归模型等。
这只是概率论与数理统计的一些常见考点归纳，实际考试中可能还会涉及更多细分知识点。
在复习过程中，建议根据自己的学习进度和重点，深入学习和掌握这些知识点，并进行大量的练习题来加深理解和提高解题能力。
概率论与数理统计知识点总结
数 n 有关），如果 n 时， npn （ 0 为常数），则对任意给定的 k ，有
lim
n
b(k; n,
pn
)
k k!
e
.
当二项分布 b(n, p) 的参数 n 很大，而 p 很小时，可以将它用参数为 np 的泊松分布来近
似，即有
b(k; n, p) (np)k enp . k!
4.常用的连续型分布
设 X 是一个随机变量， g(x) 是一个实函数.
①若 X 为离散型随机变量，概率分布为 P{X xi} pi ,i 1, 2, .
且 g(xi ) pi ，则 Eg(X ) 存在，且 i 1
5
概率论与数理统计
Eg( X ) g(xi ) pi . i 1
②若 X 为连续型随机变量， f x 是其密度函数，且
i 1
i 1
（2）概率测度的其他性质
性质 1： P() 0
n
n
性质 2（有限可加性）： A1, A2, , An 是两两互不相容的，则有 P( Ai ) P( Ai )
i 1
i 1
性质 3： P(A) 1 P(A)
性质 4： P(A B) P(A) P(AB)
特别地，若 A B ，则① P(A B) P(A) P(B) ；② P(A) P(B)
x
F() lim F(x) 1 ； x
③右连续性， F(x 0) F(x) .
（3）连续型随机变量及其概率密度
x
F(x) P{X x} f (t)dt ， f (x) 为 X 的概率密度函数.
密度函数性质：
① f (x) 0, x (, ) ；
② f (x)dx 1. b
有
概率论与数理统计复习笔记
概率论与数理统计复习第一章 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 = B A B A = 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 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 11121…+(-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,有全概率公式 P(A)=()()i ni i B A P B P ∑=1当P(A)>0, P(B i )>0时,有贝叶斯公式P (B i |A)=()()()()()()∑==ni i i i i i B A P B P B A P B P A P AB P 1. 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)若A 与B ,A 与B ,A 与B, ,A 与B 中有一对相互独立,则另外三对也相互独立. 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 2121=,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)=⎰⎰∞-∞-yxdudv 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),(=⎰⎰∞∞-∞∞-d x d y 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},{ji j i p y Y x X P ==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) 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),}{},{∙=====i j i i j i p p x X P y Y x X P2.X~ b (n,p) (0<p<1) n p n 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 i X 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 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 θθθμμθθθμμθθθμμ 解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k μμμθθμμμθθμμμθθ ,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 θθθθθθ,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),,,,(),,,(θθθθθθ 为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21 ,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 n X σμ-~N (0,1) (2/ασz n X ±) μ σ2未知n S 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 S n 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,σσ 22212121)(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.。
概率论与数理统计知识点
概率论与数理统计知识点
全概率公式
贝叶斯公式
排列组合（只能刷题了）
公式：
重复组合，又放回的抽r次：
随机变量分布及统计量
分布函数
性质：1）单调不减2）;3)右连续
期望：
方差：
协方差：
相关系数：
切比雪夫不等式
伯努利大数定律：随着n增大，频率与概率有较大偏差的可能性越来
越小
中心极限定理：对独立同分布随机变量序列（这个共同分布可以是离
散的、连续的、正态的、非正态的），只要其共同分布的方差存在，且不
为0，那么这n个独立同分布的随机变量之和的分布渐进近似于正态分布。
简单随机样本： iid
统计量：随机变量的函数（不含参数），也是随机变量
三大抽样分布
分布：。
其中为自由度
分布：。
其中为自由度
F分布：。
其中
矩估计
多个参数需要多阶矩：
最大似然估计
评选标准
无偏性
其中
带回可得
有效性
相合性：依概率收敛于
拟合优度检验：样本是否来自某个分布，主要思想是当X来自分布F(x)，那么事件的频率与概率的差值不会太大。
因此构造统计量：
第一类错误与第二类错误：因为是控制第一类错误的概率，因此是受到保护的，不轻易拒绝原假设。
一般选两类错误中后果严重的错误为第一类错误。
如果两类错误没有哪一类更严重，常常取维持现状。
概率论与数理统计_知识点总复习讲解
1 随机事件和概率 第一节 基本概念
1、排列组合初步 （1）排列组合公式 )!(!nmmPnm 从m个人中挑出n个人进行排列的可能数。 )!(!!nmnmCnm 从m个人中挑出n个人进行组合的可能数。 (2)加法原理（两种方法均能完成此事）：m+n 某件事由两种方法来完成，第一种方法可由m种方法完成，第二种方法可由n种方法来完成，则这件事可由m+n 种方法来完成。 (3)乘法原理（两个步骤分别不能完成这件事）：m³n 某件事由两个步骤来完成，第一个步骤可由m种方法完成，第二个步骤可由n 种方法来完成，则这件事可由m³n 种方法来完成。 (4)一些常见排列 ① 特殊排列 相邻 彼此隔开 顺序一定和不可分辨 ② 重复排列和非重复排列（有序） ③ 对立事件 ④ 顺序问题 2、随机试验、随机事件及其运算 （1）随机试验和随机事件 如果一个试验在相同条件下可以重复进行，而每次试验的可能结果不止一个，但在进行一次试验之前却不能断言它出现哪个结果，则称这种试验为随机试验。试验的可能结果称为随机事件。 （2）事件的关系与运算 ①关系： 如果事件A的组成部分也是事件B的组成部分，（A发生必有事件B发生）：BA 如果同时有BA，AB，则称事件A与事件B等价，或称A等于B：A=B。 A、B中至少有一个发生的事件：AB，或者A+B。
属于A而不属于B的部分所构成的事件，称为A与B的差，记为A-B，也可表示为
A-AB或者BA，它表示A发生而B不发生的事件。
A、B同时发生：AB，或者AB。AB=Ø，则表示A与B不可能同时发生，称事
件A与事件B互不相容或者互斥。基本事件是互不相容的。 -A称为事件A的逆事件，或称A的对立事件，记为A。它表示A不发生的事
件。互斥未必对立。 ②运算： 结合率：A(BC)=(AB)C A∪(B∪C)=(A∪B)∪C 分配率：(AB)∪C=(A∪C)∩(B∪C) (A∪B)∩C=(AC)∪(BC)
考研数学概率论与数理统计知识点终极梳理
考研数学概率论与数理统计知识点终极梳理概率论与数理统计是硕士研究生入学考试（除数二）的一个重要组成部分，从研究必然问题到研究随机问题，不仅大多数初学者感到困难, 即使是对于曾学过这门学科的考生也有不少问题，特别是在做习题以及解决实际问题方面遇到的困难会更多一些。
从近几年硕士研究生入学考试数学阅卷结果来看，概率论这一部分得分率普遍较低。
在最后几天，建议大家，加强数学基本计算联系，熟练、严谨、规范非常至关重要。
此外，要注意回顾一遍大纲考点，查漏补缺。
第一章随机事件和概率1、随机事件的关系与运算2、随机事件的运算律3、特殊随机事件（必然事件、不可能事件、互不相容事件和对立事件）4、概率的基木性质5、随机事件的条件概率与独立性6、五大概率计算公式（加法、减法、乘法、全概率公式和贝叶斯公式）7、全概率公式的思想8、概型的计算（古典概型和几何概型）第二章随机变量及其分布1、分布函数的定义2、分布函数的充要条件3、分布函数的性质4、离散型随机变量的分布律及分布函数5、概率密度的充要条件6、连续型随机变量的性质7、常见分布（0-1分布、二项分布、几何分布、超几何分布、泊松分布、均匀分布、指数分布、正态分布）8、随机变量函数的分布（离散型、连续型）第三章多维随机变量及其分布1、二维离散型随机变量的三大分布（联合、边缘、条件）2、二维连续型随机变量的三大分布（联合、边缘和条件）3、随机变量的独立性（判断和性质）4、二维常见分布的性质（二维均匀分布、二维正态分布）5、随机变量函数的分布（离散型、连续型）第四章随机变量的数字特征1、期望公式（一个随机变量的期望及随机变量函数的期望）2、方差、协方差、相关系数的计算公式3、运算性质（期望、方差、协方差、相关系数）4、常见分布的期望和方差公式第五章大数定律和中心极限定理1、切比雪夫不等式2、大数定律（切比雪夫大数定律、辛钦大数定律、伯努利大数定律）3、中心极限定理（列维林德伯格定理、棣莫弗拉普拉斯定理）第六章数理统计的基本概念1、常见统计量（定义、数字特征公式）2、统计分布3、一维正态总体下的统计量具有的性质4、估计量的评选标准（数学一）5、上侧分位数（数学一）第七章参数估计1、矩估计法2、最大似然估计法3、区间估计（数学一）第八章假设检验（数学一）1、显著性检验2、假设检验的两类错误3、单个及两个正态总体的均值和方差的假设检验。
- 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)。
2019考研数学：概率与数理统计30个必背知识点
(1)确定事件间的关系，实行事件的运算;
(2)利用事件的关系实行概率计算;
(3)利用概率的性质证明概率等式或计算概率;
(4)相关古典概型、几何概型的概率计算;
(5)利用加法公式、条件概率公式、乘法公式、全概率公式和贝
叶斯公式计算概率;
(6)相关事件独立性的证明和计算概率;
(7)相关独重复试验及伯努利概率型的计算;
(8)利用随机变量的分布函数、概率分布和概率密度的定义、性
质确定其中的未知常数或计算概率;
(9)由给定的试验求随机变量的分布;
(10)利用常见的概率分布(例如(0-1)分布、二项分布、泊松分布、
几何分布、均匀分布、指数分布、正态分布等)计算概率;
(11)求随机变量函数的分布(12)确定二维随机变量的分布;
(13)利用二维均匀分布和正态分布计算概率;
(14)求二维随机变量的边缘分布、条件分布;
(15)判断随机变量的独立性和计算概率;
(16)求两个独立随机变量函数的分布;
(17)利用随机变量的数学期望、方差的定义、性质、公式，或利
用常见随机变量的数学期望、方差求随机变量的数学期望、方差;
(18)求随机变量函数的数学期望;
(19)求两个随机变量的协方差、相关系数并判断相关性;
(20)求随机变量的矩和协方差矩阵;
(21)利用切比雪夫不等式推证概率不等式;
(22)利用中心极限定理实行概率的近似计算;
(23)利用t分布、χ2分布、F分布的定义、性质推证统计量的
分布、性质;
(24)推证某些统计量(特别是正态总体统计量)的分布;
(25)计算统计量的概率;
(26)求总体分布中未知参数的矩估计量和极大似然估计量;
(27)判断估计量的无偏性、有效性和一致性;
(28)求单个或两个正态总体参数的置信区间;
(29)对单个或两个正态总体参数假设实行显著性检验;
(30)利用χ2检验法对总体分布假设实行检验。