概率论与数理统计
2021-06-18 14:51:55 4 举报
AI智能生成
登录查看完整内容
根据22考研全书编写,带公式
作者其他创作
大纲/内容
概率论
一,随机事件和概率
I.随机事件,事件的关系和运算
随机事件
重复进行;结果可知且不唯一;结果无法预知
事件关系
相等
A=B
包含(A发生B必然发生)
Subtopic
互斥(互不相容)
AB=ø
对立
事件运算
并/和
A∪B或A+B
交/积
A∩B或AB
差
A-B
非/bar
事件的运算规律
II.概率及概率公式
概率
定义
概率性质
条件概率
事件A发生下事件B发生的概率
独立性
两个事件
P(AB)=P(A)P(B)
三个事件
P(AB)=p(A)P(B)P(AC)=p(A)P(C)P(BC)=p(B)P(C)P(ABC)=p(A)P(B)P(C)
五大公式
加法公式:P(A∪B)=P(A)+P(B)-P(AB)
P(A∪B∪C)=P(A)+P(B)+P(C)-p(AB)-P(AC)-P(BC)-P(ABC)
减法公式:P(A-B)=P(A)-P(AB)
全概率公式:对于完备事件组,若有
贝叶斯公式:对于完备事件组,若有
III.古典概型&伯努利概型
古典概型:P(A)=A中样本数/样本总数
伯努利概型
伯努利实验:每次实验只用两个结果:A和Ã,进行n次为n伯努利实验
二项概率公式:n重伯努利实验发生k次概率为:
二,随机变量及概率分布
I.随机变量及其分布函数
离散型随机变量
取值为有线多个或者无穷可数个
概率分布/分布律
分布函数
性质
F单调不降,右连续
P(X=x)=F(x)-F(x-0)
其它
0≤F(x)≤1
P(x₁<X≤x₂)=F(x₂)-F(x₁)
连续型随机变量
概率密度:f(x),要求非负可积
分布函数:
F(x)连续
F(x)单调不减,因为F'(x)=f(x)≥0
常用分布
0-1分布
可看成单次伯努利实验
可看成多次伯努利实验
几何分布
则称X为服从参数p的几何分布
超几何分布
X~P(λ)泊松分布
泊松定理
若n↑会导致p↓,则
X~E(λ)指数分布
性质:无记忆性
P{X>t}=P{X>t+s | X>s }=e^(-λt)
正态分布标准化:
随机变量函数Y=g(x)的分布
离散型
Y也是离散型,此时只需要根据分布律写出P{Y=g(xk)}=pk
连续型
公式法
f=g(x)单调,导数不为0的可导函数,h(y)为它的反函数,(α,β)为x可能区间上的值域
定义法
子主题
三,多维随机变量及其分布
二维随机变量及分布
二维随机变量
概率分布/分布律:
边缘分布
条件分布
二维离散型
边缘分布:
对应j个元素的和
对应i个元素的和
条件分布:
二维连续型
边缘密度
条件密度
随机变量的独立性
充要条件
离散型:
连续型:
均匀和正态
二维均匀分布
定义:如果A为有界区域的面积,如果概率密度为
二维正态分布
概率密度
若xy无关
X,Y相互独立的充分必要条件:ρ=0
X离散,Y连续
把X用全概率公式展开
等价于X和Y都不大于z
分支主题
等价于X和Y都不小于z
四,随机变量的数字特征
数学期望与方差
E(X)
E(C)=C
E(CX)=CE(X)
E(X±Y)=E(X)±E(Y)
随机变量函数
Y=g(X)
离散
连续
D(X)
标准差
D(C)=0
D(aX+b)=a²D(X)
XY相互独立,D(X±Y)=D(X)+D(Y)
常见
E(X)=np
D(X)=np(1-p)
E(X)=λ
D(X)=λ
E(X)=(a+b)/2
D(X)=(b-a)²/12
E(X)=1/λ
D(X)=1/λ²
E(X)=μ
D(X)=σ²
矩协方差和相关系数
矩
k阶原点矩
E(X^k)
k阶中心矩
E{[X-E(X)]^k}
k+l阶混合矩
k+l阶混合中心矩
相关系数
如果D(X)D(Y)=0则
独立与不相关
独立→不相关,反之不成立
五,大数定理和中心极限定理
切尔雪夫不等式
依概率收敛
切尔雪夫大数定理
伯努利大数定理
辛钦大数定理
拉普拉斯中心极限定理
林德伯格中心极限定理
近似看做
六,数理统计的基本概念
基本知识
总体
随机变量
总体分布
X的概率分布
总体数字特征
X数字特征
个体
总体中的每个元素
样本
简单随机样本(样本)
样本容量
n
样本值(观测值)
统计量
样本均值
样本方差
其他
标准差S
E(X拔)=E(X)=μ
D(X拔)=D(X)/n=σ²/n
E(S²)=D(X)=σ²
以概率分布
*数学三*
经验分布函数
30+年未考
常用抽样分布
χ²分布(χ²~χ²(n))读作卡方分布
α分位点
t分布(T~t(n))
偶函数t1-α(n)=-tα(n)
正态总体抽样分布
一个正态总体
X拔与S²独立,且
两个正态总体
七,参数估计
点估计
估计量
估计值:估计量取得的值
无偏性
如果E(θ帽)=θ,称θ帽是θ的无偏估计量。
有效性
如果θ₁帽和θ₂帽都是无偏估计量,且D(θ₁帽)≤D(θ₂帽),则称θ₁帽比θ₂帽更有效,或者是它的更有效估计量
一致性
如果θ帽依概率收敛于θ,则称θ帽是θ的一致估计量
估计量的求法和区间估计
矩估计法
此为l 阶矩估计,常用1阶矩估计一阶无参数再上升到2阶
最大似然估计法
一阶求导
二阶求偏导
提示:通过求导不一定能求出θ的具体值,此时需要进一步判定若导数大于0,说明单调递增,取θ能取到的最大值若导数小于0,说明单调递减,取θ能取到的最小值
区间估计
置信区间P{θ₁<θ<θ₂}=1-α
区间下限:θ₁区间上限:θ₂
置信水平(置信度):1-α
区间包含参数的概率
一个正态的区间估计
求μ
已知σ²
求σ²
未知μ
已知μ
二个正态的区间估计
几乎不考
八,假设检验*数学一*
假设
基本假设H0
可以加上备选假设
两类错误
第一类错误(弃真)拒绝真实的假设
第二类错误(纳假)接受不真的假设
假设检验
根据样本辨别H0的真伪,做出拒绝或者接受的决定
显著性检验
显著性水平(检验水平)
犯第一类错误的概率α
表现对第一类错误的控制程度值越小表示控制越好
只控制第一类错误概率α的检验
解题步骤检验步骤
提出假设H0或者
确定统计量U
确定拒绝域
代入T到置信范围
拒绝域
单测检验(例如H0:λ<40;H1λ≥40)
拒绝域为α/2
双侧检验(例如H0:λ=40;H1:λ≠40)
拒绝域为α
临界点:拒绝域的边界
一个正态的区间检验
二个正态的区间检验
注意大纲规定与部分教材的区别
概率分布F(x)=P(X≤x)
有的书本是X<x
指数分布
有的书本可能是1/λ
有的书本可能是1/n
0 条评论
回复 删除
下一页