以下列出的基本概念需要熟记。最好能够闭卷写出定义。
目录
一、概率论的基础概念
随机试验:
- 可以在相同条件下重复进行
- 在试验之前不确定哪一个结果会出现
- 每一次试验的结果可能不止一个,在试验之前,可以确定所有可能结果
样本空间:
- 我们将随机试验E的所有可能结果组成的集合成为E的样本空间,记为S
随机事件:
- 我们称随机试验E的样本空间的子集为E的随机事件
基本事件:
- 特别的,由1个样本点组成的单点集,成为基本事件
频率:
- 在相同条件下,进行了n次试验,其中事件A发生的次数为a,比值a/n为事件A发生的频率
概率:
- 设E是随机试验,S是她的样本空间,对于E的每一个事件A。赋予一个实数P(A),称为事件A的概率,满足3个条件:非负性,规范性,可列可加性
古典概型:
- 样本空间包含有限个元素
- 实验中每个基本事件发生的可能性相同
具有以上两个特点的试验是大量存在的,这种试验称为等可能概型(古典概型)
A的对立事件及其概率:
两个互不相容事件的和事件的概率:
概率的加法定理:
条件概率:
概率的乘法公式:
全概率公式:
贝叶斯公式:
事件的独立性:若满足P(AB)=P(A)P(B),则称A,B相互独立。
实际推断原理:概率很小的事件实际在试验中是几乎不可能发生的
二、随机变量及其分布
随机变量:
随机分布:
离散型随机变量及其分布:
连续型随机变量及其概率密度:
伯努利试验:
(0-1)分布:
n重伯努利试验:
二项分布:
泊松分布:
指数分布:
均匀分布:
正态分布:
随机变量函数的分布:
三、多维随机变量及其分布
二维随机变量(X,Y):
(X,Y)的分布函数:
离散型随机变量(X,Y)的分布律:
连续型随机变量(X,Y)的概率密度:
离散型随机变量(X,Y)的边缘分布律:
连续型随机变量(X,Y)的边缘密度函数:
条件分布函数:
条件概率密度:
两个随机变量X,Y的独立性:
Z=X+Y, Z=Y/X, Z=XY的概率密度函数:
M=max{X,Y}, N=min{X,Y}的概率密度:
四、随机变量的数字特征
数学期望:
随机变量函数的数学期望:
数学期望的性质:
方差:
标准差:
方差的性质:
标准化的随机变量:
协方差:
相关系数:
相关系数的性质:
X,Y 不相关:
切比雪夫不等式:
几种重要分布的数学期望和方差:
矩:
协方差矩阵:
五、大数定律及中心极限定理
依概率收敛:
伯努利大数定律:
辛钦大数定律:
独立同分布的中心极限定理:
李雅普诺夫中心极限定理:
蒂莫夫拉普拉斯中心极限定理:
六、样本及抽样分布
总体:对于一数量指标进行试验和观察,将试验的全部可能的观察值称为总体。(注意区别样本空间和总体)
简单随机样本:在相同条件下对总体X进行n次重复独立的观察,将n次结果按照试验的次序记为X1,X2,X3...Xn,由于它们是对随机变量X观察得到的结果,且是在相同条件下观察的,所以有理由认为它们相互独立,且都是和X具有相同的分布的随机变量,这样得到的X1,X2,X3...Xn称为来自总体X的一个简单随机样本。
统计量:设X1,X2,X3...Xn是来自总体X的一个样本,g(X1,X2,X3...Xn)是一个关于X1,X2,X3...Xn的函数,且没有未知参数,则称为此函数为统计量。(统计量是一个随机变量)
常用的统计量:样本均值、样本方差、样本标准差、样本k阶矩、样本k阶中心矩
卡方分布的定义及概率密度函数图形的轮廓:
t分布的定义及概率密度函数图形的轮廓:
F分布的定义及概率密度函数图形的轮廓:
上α分位数:
七、参数估计
矩估计量:用样本矩作为总体矩的估计量,用样本函数作为总体函数的估计量,这种估计方法称为矩估计。这种估计量称为矩估计量。
最大似然估计:
估计量的评选标准:无偏性、相合性、有效性
参数θ的置信水平1-α的置信区间:
枢轴量:
单个正态总体,两个正态总体的均值、方差、方差比的置信区间:
八、假设检验
原假设:
备择假设
检验统计量
单边检验
双边检验
显著性水平
拒绝域
显著性检验
一个正态总体的参数的检验
两个正态总体均值差、方差比的检验
成对数据的检验
卡方分布拟合检验
假设检验问题的p值法