概率论与数理统计复习资料要点总结(二).docxVIP

一、随机变量及其分布

1.随机变量的定义与分类

随机变量是概率论中一个核心概念，它是一个从样本空间到实数的函数。根据随机变量的取值特性，可以将其分为离散随机变量和连续随机变量。

离散随机变量：取值为有限或可数无限多个，例如投掷骰子的点数。

连续随机变量：取值充满一个区间，例如测量某物体的长度。

2.分布函数

分布函数是描述随机变量取值规律的函数，对于离散随机变量，分布函数为阶梯形；对于连续随机变量，分布函数为连续曲线。

离散随机变量的分布函数：$F(x)=P(X\leqx)$，是阶梯形函数。

连续随机变量的分布函数：$F(x)=\int_{\infty}^{x}f(t)dt$，是连续曲线。

3.常见随机变量分布

二项分布：描述在n次独立重复试验中成功的次数。

泊松分布：描述单位时间（或单位面积）内随机事件发生的次数。

均匀分布：在某个区间内，随机变量取每个值的概率相等。

正态分布：也称为高斯分布，是自然界中最常见的分布之一，具有钟形曲线的特征。

二、随机变量的数字特征

1.数学期望

数学期望是随机变量平均取值的度量，对于离散随机变量，数学期望是所有可能取值的加权平均；对于连续随机变量，数学期望是其在整个定义域上的积分。

离散随机变量的数学期望：$E(X)=\sum_{i=1}^{n}x_ip_i$

连续随机变量的数学期望：$E(X)=\int_{\infty}^{\infty}xf(x)dx$

2.方差

方差是衡量随机变量取值波动性的指标，它反映了随机变量与其数学期望之间的偏离程度。

方差的计算公式：$Var(X)=E[(XE(X))^2]$

3.协方差与相关系数

协方差用于衡量两个随机变量的联合变动程度，而相关系数则是协方差的一种标准化形式，用于衡量两个随机变量之间的线性相关程度。

协方差：$Cov(X,Y)=E[(XE(X))(YE(Y))]$

相关系数：$\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}}$

三、大数定律与中心极限定理

1.大数定律

大数定律表明，当独立重复试验的次数足够多时，事件发生的频率将趋近于其概率。这是概率论中的基本定律之一，为概率论与数理统计的应用提供了理论基础。

2.中心极限定理

中心极限定理指出，当独立随机变量之和的个数足够多时，其标准化和的分布趋近于正态分布。这是统计学中最重要的定理之一，为许多统计方法的应用提供了依据。

四、抽样分布

1.总体与样本

在数理统计中，我们通常关心的是某个总体的某些特征。由于总体往往很大，我们无法对每个个体进行观察，因此需要通过抽取样本来进行推断。样本是从总体中随机抽取的一部分个体，通过对样本的研究来了解总体的性质。

2.样本均值与样本方差

样本均值是样本中各个观察值的算术平均，它是总体均值的一个估计量。样本方差则是样本中各个观察值与样本均值之差的平方的平均，它是总体方差的一个估计量。

样本均值：x?=(1/n)sumi=1tonxi

样本方差：s2=(1/(n1))sumi=1ton(xix?)2

3.常见抽样分布

卡方分布：它是n个独立标准正态随机变量的平方和的分布，常用于方差分析。

t分布：当总体标准差未知时，用样本标准差代替总体标准差，此时样本均值的分布服从t分布。

F分布：它是两个独立的卡方分布随机变量之比的分布，常用于方差分析。

五、参数估计

1.点估计

点估计是用样本统计量的值来估计总体参数的值。常用的点估计方法有矩估计法和最大似然估计法。

矩估计法：用样本矩来估计总体矩，进而得到总体参数的估计值。

最大似然估计法：选择使得样本出现的概率最大的参数值作为参数的估计值。

2.区间估计

区间估计是用样本统计量的值给出总体参数的一个可能取值范围，并给出这个范围包含总体参数真值的可信程度。常用的区间估计方法有置信区间法。

置信区间：给出一个区间，使得总体参数真值落在这个区间内的概率为某个给定的置信水平。

六、假设检验

1.假设检验的基本概念

假设检验是数理统计中的一个重要方法，它通过样本数据来检验关于总体参数的假设是否成立。假设检验通常包括原假设和备择假设。

原假设：通常表示为H?，是我们要检验的假设。

备择假设：通常表示为H?，是与原假设相对立的假设。

2.假设检验的步骤

提出假设：明确原假设和备择假设。

选择检验统计量：根据样本数据计算检验统计量的值。

确定拒绝域：根据检验统计量的分布和给定的显著性水平，确定拒绝原假设的区域。

做出决策：根据样本数据计算出的检验统计量的值是否落在拒绝域内，来决定是否拒绝原假设。

七