概率论与数理统计复习总结.docx
《概率论与数理统计复习总结.docx》由会员分享,可在线阅读,更多相关《概率论与数理统计复习总结.docx(12页珍藏版)》请在冰豆网上搜索。
概率论与数理统计复习总结
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(F):
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.AB(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=F(A与B互不相容或互斥)事件A与B不能同时发生.
6.AB=F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
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A1,A2,…(A iAj=φ,i≠j,i,j=1,2,…),
P(A1∪A2∪…)=P(A1)+P(A2)+…
2.性质
(1)P(F)=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A1,A2,…,A n ,
P(A1∪A2∪…∪A n)=P(A1)+P(A2)+…+P(A n) (有限可加性与可列可加性合称加法定理)
(3)若AB,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A1,A2,…,A n
…+(-1)n-1P(A1A2…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={e1,e2,…,e n};
(2)每一个基本事件的概率相等,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.
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(A1A2…A n)=P(A1)P(A2|A1)P(A3|A1A2)…P(A n|A1A2…A n-1) (n≥2,P(A1A2…A n-1)>0)
3.B1,B2,…,B n是样本空间S的一个划分(BiBj=φ,i≠j,i,j=1,2,…,n,B1∪B2∪…∪B n=S),则
当P(B i)>0时,有全概率公式P(A)=
当P(A)>0,P(B i)>0时,有贝叶斯公式P(Bi|A)= .
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ÛP(B)=P(B|A).
(2)若A与B,A与,与B,,与中有一对相互独立,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A1,A2,…,A n,如果对任意k(1则称这n个事件A1,A2,…,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x1(3)F(x)右连续,即F(x+0)=F(x). (4)P{x1二.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≤Pk≤1 ;
(2)归一性 .
2.离散型随机变量的分布函数F(x)=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
(2)X~b(n,p)参数为n,p的二项分布P{X=k}=(k=0,1,2,…,n)(0
(3))X~p(l)参数为l的泊松分布 P{X=k}= (k=0,1,2,…) (l>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)=,-∞
2.概率密度的性质
(1)非负性 f(x)≥0;
(2)归一性 =1;
(3)P{x 1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 .
(2)X服从参数为q的指数分布.
(q>0).
(3)X~N(m,s2 )参数为m,s的正态分布 -¥0.
特别,m=0,s2 =1时,称X服从标准正态分布,记为X~N(0,1),其概率密度
,标准正态分布函数 ,F(-x)=1-Φ(x).
若X~N((m,s2),则Z=~N(0,1), P{x1若P{Z>z a}=P{Z<-z a}=P{|Z|>z a/2}=a,则点z a,-z a,±z a/2分别称为标准正态分布的上,下,双侧a分位点. 注意:
F(z a)=1-a,z 1- a=-z a.
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
X
x 1 x2 … x k …
p k
p 1 p2 … p k …
Y=g(X)
g(x1) g(x2)…g(x k) …
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fX(x),则求其函数Y=g(X)的概率密度fY(y)常用两种方法:
(1)分布函数法 先求Y的分布函数FY(y)=P{Y≤y}=P{g(X)≤y}=
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fY(y)=FY /(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
其中h(y)是g(x)的反函数,a=min(g(-¥),g(¥)) b=max(g(-¥),g(¥)).
如果f(x)在有限区间[a,b]以外等于零,则a=min(g(a),g(b)) b=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 1P{x 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 ij为(X,Y)的联合分布律.也可列表表示.
2.性质
(1)非负性0≤p ij≤1.
(2)归一性 .
3.(X,Y)的(X和Y的联合)分布函数F(x,y)=
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)=
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 .
(3)若f(x,y)在点(x,y)连续,则
(4)若G为xoy平面上一个区域,则.
四.边缘分布
1.(X,Y)关于X的边缘分布函数FX (x)=P{X≤x,Y<¥}=F(x,¥).
(X,Y)关于Y的边缘分布函数FY (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 }==p i· (i=1,2,…) 归一性 .
关于Y的边缘分布律P{Y=y j }==p·j (j=1,2,…) 归一性 .
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)= 归一性
关于Y的边缘概率密度f Y (y)= 归一性
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)=FX (x)FY (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 ij=p i··p·j (i,j=1,2,…)对一切xi,yj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=yj}>0,则称
P{X=x i |Y=yj}
为在Y=yj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=xi}>0,则称
P{Y=yj|X=x i}
为在X=xi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}=pi (i=1,2,…) 概率密度f(x)
数学期望(均值)E(X) (级数绝对收敛) (积分绝对收敛)
方差D(X)=E{[X-E(X)]2}
=E(X2)-[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)](级数绝对收敛) (积分绝对收敛)
标准差s(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
2.X~b(n,p) (0
3.X~p(l) l l
4.X~U(a,b) (a+b)/2 (b-a) 2/12
5.X服从参数为q的指数分布 q q2
6.X~N(m,s2) m s2
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 kY 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X1 ,X2 ,…,X n是与总体同分布且相互独立的随机变量;样本值x1 ,x2 ,…,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 样本方差 样本标准差S
样本k阶矩(k=1,2,…) 样本k阶中心矩(k=1,2,…)
二.抽样分布 即统计量的分布
1.的分布 不论总体X服从什么分布, E()=E(X),D()=D(X)/n.
特别,若X~N(m,s2 ),则 ~N(m,s2 /n).
2.c2分布
(1)定义 若X~N(0,1),则Y=~c2(n)自由度为n的c2分布.
(2)性质①若Y~c2(n),则E(Y)=n,D(Y)=2n.
②若Y1~c2(n1)Y2~c2(n2),则Y1+Y2~c2(n1 +n2).
③若X~N(m,s2 ),则~c2(n-1),且与S2相互独立.
(3)分位点 若Y~c2(n),0
的点分别称为c2分布的上、下、双侧a分位点.
3.t分布
(1)定义若X~N(0,1),Y~c2 (n),且X,Y相互独立,则t=~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(m,s2 )时, ~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(m1,s12 )且s12=s22=s2 X1 ,X2 ,…,X n1 S12
Y~N(m2,s22 ) Y1 ,Y2 ,…,Y n2 S22
则 ~t(n1+n2-2),其中
(3)分位点 若t~t(n),0
的点分别称t分布的上、下、双侧a分位点.
注意:
t 1- a (n)=-ta (n).
4.F分布
(1)定义若U~c2(n1),V~c2(n2),且U,V相互独立,则F=~F(n1,n 2)自由度为(n1,n2)的F分布.
(2)性质(条件同3.
(2)③)~F(n1-1,n2-1)
(3)分位点 若F~F(n1,n2),0
的点分别称为F分布的上、下、双侧a分位点. 注意:
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q1,q2,…,qk.
X1 ,X2 ,…,X n是X的一个样本,x1 ,x2 ,…,x n是样本值.
1.矩估计法
先求总体矩解此方程组,得到,
以样本矩Al取代总体矩m l (l=1,2,…,k)得到矩估计量,
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,q1,q2,…,qk),称样本X1 ,X2 ,…,X n的联合分布为似然函数.取使似然函数达到最大值的,称为参数q1,q2,…,qk的最大似然估计值,代入样本得到最大似然估计量.
若L(q1,q2,…,qk)关于q1,q2,…,qk可微,则一般可由
似然方程组 或对数似然方程组 (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()=q,则估计量称为参数q的无偏估计量.
不论总体X服从什么分布,E()=E(X),E(S2)=D(X),E(Ak)=mk=E(Xk),即样本均值, 样本方差S2,样本k阶矩Ak分别
是总体均值E(X),方差D(X),总体k阶矩mk
的无偏估计,
(2)有效性 若E(1 )=E
(2)=q,而D
(1)(2),则称估计量1比2有效.
(3)一致性(相合性) 若n→∞时,,则称估计量是参数q的相合估计量.
二.区间估计
1.求参数q的置信水平为1-a的双侧置信区间的步骤
(1)寻找样本函数W=W(X1 ,X2 ,…,X n,q),其中只有一个待估参数q未知,且其分布完全确定.
(2)利用双侧a分位点找出W的区间(a,b),使P{a(3)由不等式a
2.单个正态总体
待估参数 其它参数 W及其分布 置信区间
m s2已知 ~N(0,1) ()
m s2未知 ~t(n-1)
s2 m未知 ~c2(n-1)
3.两个正态总体
(1)均值差m 1-m 2
其它参数 W及其分布 置信区间
~N(0,1)
~t(n1+n2-2)
其中Sw等符号的意义见第六章二.3
(2)③.
(2)m 1,m 2未知,W=~F(n1-1,n2-1),方差比s12/s22的置信区间为
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a/2改为a,另外的下(上)限取为-¥(¥)即可.