数学一 概率与数理统计

 最近在准备2022的计算机考研
 本篇文章是数学一，概率与数理统计的笔记
 教材是浙江大学的教材
 后续会更新

0.概要

1.随机事件和概率

1.1 事件的运算与概率

这个部分主要是对事件的表示，以及它们之间的表示和关系要有深的理解，并且一定要熟悉。难点主要要在于事件的关系。下面将几个常用的列举在下方。
事件的关系：

1. 相容
2. 互斥
3. 对立
4. 独立

事件的运算：设随机事件A,B

1. 差集：$A-B=A-AB=A\overline{B}$，如果 $B\subset A\Rightarrow P(A-B)=P(A)-P(B)$ 这个公式相当重要，也很爱考，关于第二个公式也要记住。
2. 德摩根公式：$\overline{A\cup B}=\overline{A}\cap \overline{B}，\overline{A\cap B}=\overline{A}\cup \overline{B}$，这个公式的重要性不言而喻。
3. 并集：$P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)$，因为很多人记得住两个集合的情况但是记不住三个的时候，这里特地写出三集合的情况。值得注意的是，概率论中$A+B$和$A\cup B是等效的$

注意：事件的关系是不能通过它的概率来推断的，比如$P(A)=0\Rightarrow A=\varnothing$，这个推论很明显是错误的，试题中出现的这种类似的推论可以直接pass掉，除去事件的独立关系，因为这种关系本身就是有概率关系定义的。

1.2 贝叶斯和全概率公式

2.一维随机变量

2.1 分布函数、概率分布、概率密度

2.2 随机变量函数的分布

一维函数的分布 常常考察一个新的变量$Z$是$X$的函数，这种题有两种考法。不管是求分布函数还是概率密度都推荐先求出分布函数，再考虑求导，因为有些地方的分段点不容易看出。

1. 形如$Z=f(X)$的形式
   这个时候需要带入表达式中 F Z ( z ) = P { Z ⩽ z } = P { f ( X ) ⩽ z } F_Z(z)=P\{ Z\leqslant z\}=P\{ f(X)\leqslant z\} FZ​(z)=P{Z⩽z}=P{f(X)⩽z}对$z$的取值范围进行讨论：①将$x$的端点带入$f(X)$中得到$z_1,z_2....z_n$
   ②求出$f(X)$的广义极值或者最值得到$z_{n+1},....z_m$ 最后利用分段点作积分即可
   我们常见的$max，min$也可以用这个方法求解。
   特别地，如果$X$的分布函数为$F(X)$，令$Z=F(X)$,那么$Z\sim U(0,1)$
2. 出现分段函数，即$Z$是与$X$相关的分段函数，出现关于符号的正负讨论时等等，就考虑全概率公式，根据不确定的条件划分完备事件组。

3.多维随机变量

3.1 概率分布、边缘分布、条件分布

3.2 概率密度、边缘概率密度、条件概率分布

求$f_X(x)$的要点在于将非零区域D写成二重积分中的X型区域，即：
$$\begin{gathered} a<x<b \\ {y}_1(x)<y<y_2(x) \end{gathered}$$
然后写作：
$$f_X(x)={\int }_{y_1(x)}^{y_2(x)}f(x,y)dy,a<x<b$$

3.3 独立性判断

两个随机变量X,Y的独立性判断是经常作为考点的，很重要的部分，部分涉及到了下一章的内容，可以看了下一章再来看，有三种方法：

1. $f(x,y)=f_X(x)\cdot f_Y(y)$ ，这个方法的使用条件在于需要知道联合概率密度函数，并且因为存在概率密度，所以X,Y一定是连续型随机变量。同时也可以反推，如果已知$X,Y$独立且概率密度都存在，那么$X,Y$的联合概率密度：$f(x,y)=f_X(x)\cdot f_Y(y)$
2. 利用X,Y的数字特征，比如期望$E(XY)\ne E(X)\cdot E(Y),cov(X,Y)\ne 0$等等，其实这些本质上还是关于期望的那一个公式，因为X,Y相关$\Rightarrow$X,Y不独立，而二维正态中，X,Y的独立和不相关是等价的。这个方法就是当数字特征比较方便求出的时候，题目中明显涉及到了期望方差的时候可以使用。
3. 利用事件来判断独立性，这也是一个难点。简单来讲就是$F_X(x)\cdot F_Y(y)=F(x,y)$如果我们把$X⩽x,Y⩽y$分别看作事件A,B的话，那么也可以写作$P(AB)=P(A)P(B)$.这种方法不要求变量是连续的，离散也可以使用，重点在于用事件的表示方法来求解。

3.4 二维正态分布

二维正态分布函数的必要条件，二维正态分布是一个比较偏的考点，但是也要求掌握，主要是如下四个必要条件的理解。
若$(X,Y)\sim N({\mu }_1,{\mu }_2,{\sigma }_1^2,{\sigma }_2^2,\rho )$
$\Rightarrow$①$X\sim N({\mu }_1,{\sigma }_1^2)Y\sim N({\mu }_2,{\sigma }_2^2)$
$\Rightarrow$②$aX+BY$也服从正态分布
$\Rightarrow$③$\rho =0\iff X,Y$独立
$\Rightarrow$④$Z_1=aX+BY，Z_2=cX+dY$，那么$Z_1,Z_2$也服从二维正态分布

4. 随机变量的数字特征

4.1 常见分布的特征和性质

4.2 特殊的函数的数字特征

考试常常考察两类特殊的数字特征，一类是带绝对值的，还有另一类是带$max,min$函数的。总结起来就是求一个新的分布$Z=f(X,Y)$的期望或者方差。对于这类问题，我们一般有两种方法：

1. 定义法
2. 分布法：分布法就是先求$Z=f(X,Y)$的分布，再根据定义求$Z$的期望和方差，这种方法比较复杂，一般在$X,Y$独立的时候使用。

5. 大数定律和中心极限定律

6. 数理统计基础

5.1 样本均值和样本方差

5.2 三大抽样分布

5.3 正态总体下的四个公式

7. 参数估计

7.1 矩估计

矩估计比较简单，不管是离散的和连续的变量，求解过程都是一样的，考研中一般会遇到两种情况：

1. 总体分布中只有一个参数，直接令$\overline{X}=E(X)$来求解即可。
2. 总体分布中有两个未知参数，这个时候就需要用到二阶矩估计，令$\overline{X}=E(X),\frac{1}{n}{\sum }_{i=1}^n{X}_i^2=E(X^2)[\frac{1}{n}{\sum }_{i=1}^n(\overline{X}-X_i^2{)}^2=E(X^2)]$也可以，这时候有两个方程，就可以求解两个参数了。

7.2 最大似然估计

8. 假设检验