概率论与数理统计整理

$$C_n^m=\frac{n!}{m!\cdot (n-m)!}$$

事件的概率

无放回类题目

$$P=\frac{C_{条件一总}^{条件一取}\times C_{条件二总}^{条件二取}}{C_{总}^{取}}\times \cdots \times C_{条件N总}^{条件N取}$$

有放回类题

$K$种颜色的球，代号分别为$A_1,A_2,\dots ,A_K$

抽一次，出现的概率分别为$p_1,p_2,\dots ,p_k$

求摸出各种球的个数分别为$n_1,n_2,\dots ,n_k$
$$P=\frac{(n_1+n_2+\cdots +n_k)!}{n_1!n_2!\dots n_k!}{p}_1^{n_1}{p}_2^{n_2}\dots p_k^{n_k}$$

条件概率

$P(B|A)=\frac{P(AB)}{P(A)}$

全概率公式

$A,B\dots$ 等个体均可能发生某事，则

$P(发生某事)=P(A出现)\cdot P(A发生某事)+P(B出现)\cdot P(B发生某事)\dots$

贝叶斯公式

$A,B\dots$ 等个体均可能发生某事，则

$P(已知有个体发生某事时，是A发生的)=\frac{P(A出现)\cdot P(A发生某事)}{P(发生某事)}$

一维随机变量

已知$F_X(x)$与$f_X(x)$中的一项，求另一项

$$\begin{gathered} f_X(x)=F_X^{{}^{\prime }}(x) \\ {F}_X(x)={\int }_{-\infty }^x{f}_X(x)dx \end{gathered}$$

已知$F_X(x)$与$f_X(x)$中的一项，求$P$

$$P(a<X<b)=F_X(b)-F_X(a)={\int }_a^b{f}_X(x)dx$$

$F_X(x)$或$F_X(x)$含未知数，求未知数

$$\begin{gathered} F_X(-\infty ),f_X(+\infty )=1,F_{上}(分段点)=F_{下}(分段点) \\ {\int }_{-\infty }^{+\infty }{f}_X(x)dx=1 \end{gathered}$$

求分布律

列出$X$所有可能取值，再求出概率，求出一张表

已知含有未知数分布列，求未知数

所有可能概率加起来$=1$

一位随机变量函数

已知$X$分布列，求$Y$分布列

①：根据$X$的所有取值，计算$Y$的所有取值

②：将表格里$X$的那一列对应换成$Y$

已知$F_X(x)$，求$F_Y(y)$

①：写出$X=?Y$

②：用$?y$替换$F_X(x)$中的$x$，结果为$F_X(?y)$

③：判断$?y$中是否有负号

若有：则$F_Y(y)=F_X(?y)$

若无：则$F_Y(y)=1-F_X(?y)$

已知$f_X(x)$，求$f_Y(y)$

①：写出$X=?Y$

②：用$?y$替换$f_X(x)$中的$x$，结果为$f_x(?y)$

③：令$f_Y=(?y{)}^{{}^{\prime }}\cdot f_X(?y)$

④：判断$?y$中是否有负号

若无：则$F_Y(y)=f_Y$

若有：则$f_Y(y)=-f_Y$

五种常见的分布

符合均匀分布，求概率

$P=\frac{满足要求长度}{总长度}$

符合泊松分布，求概率

$P(X=x)=\frac{{\lambda }^x}{x!}{e}^{-\lambda }$

符合二项分布，求概率

$P(X=x)=C_n^x{p}^x(1-p{)}^{n-x}$

符合指数分布，求概率

KaTeX parse error: Expected 'EOF', got '&' at position 74: … 0 \end{cases} &̲& \begin{cases}…

符合正态分布，求概率

$$\begin{gathered} \{\begin{array}{l}P(a<X<b)=\varphi (\frac{b-\mu }{\sigma })-\varphi (\frac{a-\mu }{\sigma })\\ P(X<a)=\varphi (\frac{a-\mu }{\sigma })\\ P(X>b)=1-\varphi (\frac{b-\mu }{\sigma })\end{array} \\ \varphi (0)=0.5 \end{gathered}$$

标准正态分布就是$(0,1)$

正态分布图像

负号：$N(\mu ,{\sigma }^2)$

①：图像关于$\mu$堆成

②：面积表示概率，总面积为$1$

③：$\sigma$越小，图像越陡

常见分布的其他表示方法：

$$\begin{gathered} 均匀分布：U[a,b] \\ 二项分布：B[n,p] \\ 指数分布：E(\lambda ) \\ 正态分布：N(\mu ,{\sigma }^2) \end{gathered}$$

离散型二维变量

已知二维离散型分布律，求$???$

直接算

已知二维离散型分布律，判断独立性

如果任意$x_i,y_i$均满足$P(X=x_i,Y=y_i)=P(X=x_i)\cdot P(Y=y_i)$

那么$X,Y$相互独立

否则$X,Y$不相互独立

已知$F(x,y)，求f(x,y)$

$$f(x,y)=\frac{{\partial }^{2}F(x,y)}{\partial x\partial y}$$

已知$f(x,y)$，求$F(x,y)$

（1）：找出$f(x,y)$不等于零时$x$的范围和$y$的范围

（2）：计算${\int }_{g_1(y)}^{x}du{\int }_{h_1(u)}^{y}f(u,v)dv$，结果记为①
$$\begin{gathered} g_1(y)为x的左边界 \\ {h}_1(u)为将y的下边界中的x替换为u后的式子f(u,v)为将f(x,y)中的x替换为u,y替换为v后的式子 \end{gathered}$$
（3）：将$x=g_2(y)、y=h_2(x)$分别代入①中，结果依次记为②和③
$$\begin{gathered} g_2(x)为x的右边界 \\ {h}_2(x)为y的上边界 \end{gathered}$$
④：画出$f(x,y)$不等于零的区域，记为区域$A$

​ $A$右侧的区域记为$B$

​ $A$上侧的区域记为$C$

​ $A$右上方的区域记为$D$
$$则F(x,y)=\{\begin{array}{ll}①& A区域\\ ②& B区域\\ ③& C区域\\ 1& D区域\\ 0& 其他\end{array}$$

已知$F(x,y)$，求$p$

$$P(X\le x_0,Y\le y_0)=F(x_0,y_0)$$

已知$f(x,y)$，求$p$

（1）找出$f(x,y)$不等于零时$x$的范围和$y$的范围

（2）找出要求概率的范围，添到上一步的范围里

（要保证至少有一个未知数的上下限都是纯数字）

$x$的范围：$a\le x\le b$

$y$的范围：$c\le y\le d$

（3）

如果$x$的上下限都是纯数字

则：$P={\int }_a^{b}dx{\int }_c^{d}f(x,y)dy$

如果$y$的上下限都是纯数字

则：$P={\int }_c^{d}dy{\int }_a^{b}f(x,y)dx$

求$F(x,y)$或$f(x,y)$中含有的未知数

如果是求$F(x,y)$，则：
$$\{\begin{array}{l}F(+\infty ,+\infty )=1\\ F(-\infty ,-\infty )=0\\ F(x,-\infty )=0\\ F(-\infty ,y)=0\end{array}$$
如果是求$f(x,y)$，则：
$${\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f(x,y)dxdy=1$$

求均匀分布的$f(x,y)$与$P$

$$\begin{gathered} f(x,y)=\{\begin{array}{ll}\frac{1}{A}& 当(x,y)\in D(A为区域D)的面积\\ 0& 其他\end{array} \\ P[(x,y)\in D_1]=\frac{A_1}{A}(A_1为区域D_1与D重合部分的面积) \end{gathered}$$

连续型二维变量

求边缘分布函数

$F_X(X)=F(x,+\infty ),F_Y(y)=F(+\infty ,y)$

求边缘密度函数

（1）将$f(x,y)$非零的区域画在坐标系上

（2）表示出左边界$x=g_1(y)$、右边界$x=g_2(y)$、上边界$y=h_1(x)$，下边界$y=h_2(x)$

（3）
$$f_X(x)={\int }_{h_2(x)}^{h_1(x)}f(x,y)dy、f_Y(y)={\int }_{g_1(y)}^{g_2(y)}f(x,y)dx$$

判断连续性二维变量的独立性

$F(x,y)=F_X(x)\cdot F_Y(y)$，则$X,Y$相互独立

否则则不相互独立

$f(x,y)=f_X(x)\cdot f_Y(y)$，则$X,Y$相互独立

否则则不相互独立

已知$f(x,y),Z=X+Y$，求$f_Z(Z)$

$f_Z(Z)={\int }_{-\infty }^{+\infty }f(x,z-x)dx$

已知$f(x,y),Z=\frac{X}{Y}$，求$f_Z(Z)$

$f_Z(Z)={\int }_{-\infty }^{+\infty }f(yz,y)\cdot |y|dy$

题干给出$F$，且$X,Y$相互独立，$Z=max(X,Y)$，求$F_Z(Z)$

$F_Z(z)=F_X(z)\cdot F_Y(z)$

题干给出$F$，且$X,Y$相互独立，$Z=min(X,Y)$，求$F_Z(Z)$

$F_Z(z)=1-[1-F_X(z)]\cdot [1-F_Y(z)]$

随机变量的数字特征

求离散型的期望$E(X)$

$E(X)=\sum x_i{p}_i$

求连续性的期望$E(X)$

$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx$

已知$Y=g(x)$，求$E(Y)$

离散型：$E(Y)=\sum g(x_i)p_i$

连续型：$E(Y)={\int }_{-\infty }^{+\infty }g(x)\cdot f(x)dx$

求方差$D(X)$

$D(X)=\sum [x_i-E(X){]}^2\cdot p_i\to$离散型

$D(X)=E(X^2)-E^2(X)\to$ 连续型/离散型

根据$E(X),D(X)$的性质进行复杂运算

$E$	$D$
$E(C)=C$	$D(C)=0$
$E(CX)=CE(X)$	$D(CX)=C^{2}D(X)$
$E(X\pm Y)=E(X)\pm E(Y)$	$D(X\pm Y)=D(X)+D(Y)(X,Y相互独立时)$
$E(XY)=E(X)E(Y)(X,Y相互独立时)$	$D(X\pm Y)=D(X)+D(Y)(X,Y相互独立时)$

$D(X)=E(X^2)-E^2(X)$

$E(X),D(X)$与各种分布的综合题

$x$服从的分布	$E(X)$	$D(X)$	$P$
二项分布$B(n,p)$	$np$	$np(1-p)$	$P(X=d)=C_n^d{p}^d(1-p{)}^{n-d}$
泊松分布$P(\lambda )$	$\lambda$	$\lambda$	$P(X=d)=\frac{{\lambda }^d}{d!}{e}^{-\lambda }$
均匀分布$U[a,b]$	$\frac{a+b}{2}$	$\frac{(b-a{)}^2}{12}$	$P(c\le X\le d)=\frac{d-c}{b-a}$
指数分布$E(\lambda )$	$\frac{1}{\lambda }$	$\frac{1}{{\lambda }^2}$	$P(c\le X\le d)=\frac{1}{e^{c\lambda }}-\frac{1}{e^{d\lambda }}$
正态分布$N(\mu ,{\sigma }^2)$	$\mu$	${\sigma }^2$	$P(c\le X\le d)=\Phi (\frac{d-\mu }{\sigma })-\Phi (\frac{c-\mu }{\sigma })$

$Cov,{\rho }_{XY},D$相关类题目

利用切比雪夫不等式求概率

$P[|X-E(X)|\ge ϵ]\le \frac{D(X)}{{ϵ}^2}$

多项独立同分布，求总和怎样的概率

设共有$n$项，总和为$Y$，单项的期望为$E(X)$，方差为$D(X)$，则：
$$\{\begin{array}{l}P(a\le Y\le b)=\Phi (\frac{b-nE(X)}{\sqrt{nD(X)}})-\Phi (\frac{a-nE(X)}{\sqrt{nD(X)}})\\ P(Y\ge a)=1-\Phi (\frac{a-nE(X)}{\sqrt{nD(X)}})\\ P(Y\le b)=\Phi (\frac{b-nE(X)}{\sqrt{nD(X)}})\end{array}$$

用矩阵估计法进行点估计

求某一未知参数的矩估计

①：写出$E(X)$与待求未知数的关系

②：将①的结果整理成未知数$=?E(X)$的形式

③：根据给出的样本，算出实际的$E(X)$

④：求出未知数

求两个未知参数的矩估计

①：写出$E(X)$与$E(X^2)=D(X)+E^2(X)$同带求未知数的关系

②：将①的结果整理成未知数$=?E(X)+?+?E(X^2)$的形式

③：根据给出的样本，算出实际的$E(X)$与$E(X^2)$

④：求出未知数

用最大似然估计进行点估计

求出某离散型参数的最大似然估计量

①：写出 P { X = x 1 } , P { X = x 2 } , … , P { X = x n } P\{X=x_1\},P\{X=x_2\},\ldots,P\{X=x_n\} P{X=x1​},P{X=x2​},…,P{X=xn​}

②：依次对①的结果取$ln$

③：依次对②的结果求导

④：令③中结果之和为0$，求出未知数

离散型分布	$P$
二项分布$B(n,P)$	$P(X=d)=C_n^d{P}^d(1-P{)}^{n-d}$
泊松分布$P(\lambda )$	$P(X=d)=\frac{{\lambda }^d}{d!}{e}^{-\lambda }$

求出某连续型参数的最大似然估计量

①：写出$f(x_1),f(x_2),\dots ,f(x_n)$

②：依次对①的结果取$ln$

③：依次对②的结果求导

④：令③中结果之和为$0$，求出未知数

区间估计

假设检验

判断单项参数与某数值关系

例题：

判断两项参数间的关系

例题：

对于成对数据的检验

①：设出$H_0,H_1$（通常，我们猜啥，啥就是$H_1,H_1$与$H_0$相反）

②：根据表判断是否拒绝$H_0$

假设	核实拒绝$H_0$
$H_0:{\mu }_D=0$ $H_1:{\mu }_D\ne 0$	$
$H_0:{\mu }_D\le 0$ $H_1:{\mu }_D>0$	$\frac{\overline{D}}{S_D/\sqrt{n}}\ge t_{\alpha }(n-1)$
$H_0:{\mu }_D\ge 0$ $H_1:{\mu }_D<0$	$\frac{\overline{D}}{S_D/\sqrt{n}}\le -t_{\alpha }(n-1)$

例题：

P值检验

例题：