（熟记理解背诵推导）概率论与数理统计的基础知识1

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

二、随机变量及其分布

三、多维随机变量及其分布

四、随机变量的数字特征

五、大数定律及中心极限定理

六、样本及抽样分布

七、参数估计

八、假设检验

---

一、概率论的基础概念

随机试验：

1. 可以在相同条件下重复进行
2. 在试验之前不确定哪一个结果会出现
3. 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：

1. 样本空间包含有限个元素
2. 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