【概率论与数理统计】期末复习

第一章 随机事件

• AB表示的是A和B同时发生的概率，也就是说，当事件A和事件B同时发生时，AB的概率会被计算。
• A并B则表示A或者B有一个或两个发生的概率，也就是说，只要事件A或事件B中的任何一个发生，或者两者都发生，A并B的概率就会被计算

补事件的运算规律：
对偶律：
$$\overline{A\cup B}=\bar{A}\bar{B}$$
$\overline{\mathrm{AB}}=\overline{\mathrm{A}}\cup \overline{\mathrm{B}}$

加法公式：$P(A\cup B)=P(A)+P(B)-P(AB)$ ，A,B相互独立
$P(A\cup B)=P(A)+P(B)$ ,A,B互斥

减法公式：$P(A-B)=P(A)-P(AB)=P(A\overline{B})$
乘法公式：$P(AB)=P(B\mid A)P(A)$

两大概率模型

1. 古典概型
   特点：数数，学会计数方法
   排列，组合，可重复排列
   有一个关键是，在抽签前概率是一致的

2. 几何概型
   其实古典概型有点像离散型随机变量，几何概型有点像连续性随机变量

常考点：

1. 全概率
   $P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+\dots +P(A_n)P(B|A_n)$
   例题：
   已知甲袋中有4只红球，3只白球；乙袋中有2只红球，5只白球。从甲袋随机取一个放到乙口袋，再从乙袋中随机取一球，该球是红球的概率是多少？
   解答：设事件${\mathrm{A}}_1$为在甲袋拿到的是红球，事件${\mathrm{A}}_2$为在甲袋拿到的是白球，事件B为从乙袋取到红球
   $\mathrm{P}(\mathrm{B})=\mathrm{P}(A_1){\mathrm{P}(B|{\mathrm{A}}_1)+\mathrm{P}({\mathrm{A}}_2)\mathrm{P}(B|{\mathrm{A}}_2)=}_7^4{\times }_8^3{+}_7^3{\times }_8^2{=}_{28}^9$
2. 贝叶斯
   $P(A_i|B)=\frac{P(A_i)P(B|A_i)}{{\sum }_{j=1}^{n}P(A_j)P(B|A_j)}=\frac{P(A_i)P(B|A_i)}{P(A_1)P(B|A_1)+\dots +P(A_n)P(B|A_n)}$

「一个模型」教你搞定贝叶斯和全概率公式_哔哩哔哩_bilibili
（这个up主讲得比较透彻，公式也是用它的）

例题：贝叶斯公式及例题_贝叶斯公式例题-CSDN博客

第二章：随机变量

连续型随机变量X的概率密度的两个性质：
$f(x)>0$ ,非负性
${\int }_{-\infty }^{+\infty }f(x)dx=1$ ，归一性

第三章：随机向量

二维连续型随机变量的边缘密度（因为是定积分所以会考）
$f_X(x)={\int }_{-\infty }^{+\infty }f(x,y)dy$
$f_Y(y)={\int }_{-\infty }^{+\infty }f(x,y)dx$

第四章：数字特征

常用的分布类型的期望和方差（最好背下来）

来源：概率论基础 —— 8.数学期望、方差、协方差_期望方差协方差-CSDN博客

期望性质
$$\begin{array}{rl}& E(C)=C\\ & E(aX+b)=aEX+b\\ & E(X\pm Y)=EX\pm EY\end{array}$$
X,Y相互独立，则$E(XY)=EXEY$ ![[Pasted image 20240624152201.png]]
方差的性质
$$\begin{array}{rl}& D(C)=0\\ & D(aX+b)=a^{2}DX\\ & D(X\pm Y)=DX+DY\pm 2\mathrm{cov}(X,Y)\end{array}$$ 协方差的性质
$$\begin{array}{rl}& \mathrm{cov}(X,Y)=E(XY)-EXEY\\ & D(X\pm Y)=DX+DY\pm 2\mathrm{cov}(X,Y)\\ & \mathrm{cov}(X,Y)=\mathrm{cov}(Y,X)\\ & \mathrm{cov}(X,X)=DX\\ & \mathrm{cov}(X,C)=0\\ & \mathrm{cov}(aX,bY)=ab\mathrm{cov}(X,Y)\\ & \mathrm{cov}(X_1+X_2,Y)=\mathrm{cov}(X_1,Y)+\mathrm{cov}(X_2,Y)\end{array}$$

第五章：极限定理

正态分布求概率一般是标准化和对称性

1. 切比雪夫不等式： P { ∣ X − E ( X ) ≥ ε ∣ } ≤ D ( X ) ε 2 P\left\{\left|X-E\left(X\right)\geq\varepsilon\right|\right\}\leq\frac{D\left(X\right)}{\varepsilon^2} P{∣X−E(X)≥ε∣}≤ε2D(X)​
   还有一个是这个，其实是相对的： P { ∣ X − E ( X ) < ε ∣ } ≥ 1 − D ( X ) ε 2 P\left\{\left|X-E\left(X\right)<\varepsilon\right|\right\}\geq1-\frac{D\left(X\right)}{\varepsilon^{2}} P{∣X−E(X)<ε∣}≥1−ε2D(X)​
   例题讲解：切比雪夫不等式及其应用_哔哩哔哩_bilibili

2. 辛钦大数定律
   $\frac{1}{n}{\sum }_{i=1}^n{X}_i\stackrel{p}{\to }\frac{1}{n}{\sum }_{i=1}^{n}E{X}_i(n\to \infty )$ ,依概率收敛于
   课时5 大数定律与中心极限定理_哔哩哔哩_bilibili

3. 棣莫弗-拉普拉斯中心极限定理
   随机变量$X_n\sim B(n,p)$ ，n=1.2.3…,则对任意实数。有
   ${\lim }_{n\to +\infty }P\left\{\frac{X_n-np}{\sqrt{np(1-p)}}\le x\right\}=\Phi (x)$
   $X_1+X_2+...+X_n={\sum }_{i=1}^n{X}_i\sim N(n\mu ,n{\sigma }^2)$
   一般要标准化，然后 $$P(a\le Z\le b)=\Phi (b)-\Phi (a)$$ 这个知识点要涉及到连续型随机变量的概率计算
   第六章：样本与统计量

第六章：样本与统计量

样本k阶原点矩： $A_k=\frac{1}{n}{\sum }_{i=1}^n{X}_i^k,k=1,2,A_1=\overline{X}$
样本k阶中心矩：$B_k=\frac{1}{n}{\sum }_{i=1}^n(X_i-\overline{X}{)}^k,k=1,2,B_2=\frac{n-1}{n}{S}^2\ne S^2$

正态总体的样本均值与样本方差的分布：

第七章：参数估计

矩估计：
就是令总体均值等于样本均值，根据这一等式$E(X)=\overline{X}$ 解出未知参数
矩估计值$\hat{\theta }$ 记得要戴个帽子，最大似然函数也是
要区分离散型还是连续型，连续型求矩估计的时候没有样本均值，就用样本均值这个统计量等于总体均值
最大似然估计：
首先构造一个似然函数，然后对这个似然函数求驻点，就能求得最大似然函数估计量
离散型构造似然函数就概率连乘，连续型构造就密度连乘
估计量得评优准则：
会简单的考一下无偏估计量$E(\hat{\theta })=\theta$, 还有就是判断哪个更有效，跟方差差不多
正态总体的区间估计：
一般是求$1-\alpha$的置信区间,公式如下：

来源：[概率笔记 P07：参数估计 - ixtwuko - 博客园 (cnblogs.com)](https://www.cnblogs.com/ixtwuko/p/probability-statistics-p07.html)
这3条公式背下来不太现实，得注重理解

统计学里对无偏性和无偏估计的深入理解：432统计学-无偏性与无偏估计_哔哩哔哩_bilibili
这里为置信区间概念介绍：通俗统计学原理入门12 - 置信区间 Confidence Interval 区间估计 点估计 t临界值 标准误_哔哩哔哩_bilibili

第八章：假设检验

两类错误：
对于假设$H_0$

• 第一类错误：拒绝实际真的假设。
• 第二类错误：接受实际不真的假设。（考填空题）

参考来源：

笔记整理：概率论与数理统计 - ixtwuko - 博客园 (cnblogs.com)