概率论核心概念及公式(全)

发布时间:   来源:文档文库   
字号:
精品文档
《概率论与数理统计》核心公式

1随机事件及其概率
m!n
1Pmm个人中挑出n个人进行排列的可能数。(mn!
列组合
m!n
Cm个人中挑出n个人进行组合的可能数。公式m
n!(mn!
加法原理(两种方法均能完成此事)m+n
某件事由两种方法来完成,第一种方法可由m种方法完成,第二种方法可由n种方
2
法来完成,则这件事可由m+n种方法来完成。
法和乘
乘法原理(两个步骤分别不能完成这件事)m×n
法原理
某件事由两个步骤来完成,第一个步骤可由m种方法完成,第二个步骤可由n种方法来完成,则这件事可由m×n种方法来完成。3一些常见排列4机试验和随机事件
重复排列和非重复排列(有序)对立事件(至少有一个)顺序问题
如果一个试验在相同条件下可以重复进行,而每次试验的可能结果不止一个,但在进行一次试验之前却不能断言它出现哪个结果,则称这种试验为随机试验。试验的可能结果称为随机事件。
在一个试验下,不管事件有多少个,总可以从其中找出这样一组事件,它具有如下性质:
①每进行一次试验,必须发生且只能发生这一组中的一个事件;
5②任何事件,都是由这一组中的部分事件组成的。本事这样一组事件中的每一个事件称为基本事件,用来表示。件、样基本事件的全体,称为试验的样本空间,用表示。
本空间一个事件就是由中的部分点(基本事件)组成的集合。通常用大写字母AB和事件C…表示事件,它们是的子集。
为必然事件,Ø为不可能事件。
不可能事件(Ø)的概率为零,而概率为零的事件不一定是不可能事件;同理,必然事件(Ω)的概率为1,而概率为1的事件也不一定是必然事件。①关系:
如果事件A的组成部分也是事件B的组成部分,A发生必有事件B发生)AB如果同时有ABBA则称事件A与事件B等价,或称A等于BA=BAB中至少有一个发生的事件:AB,或者A+B
6属于A而不属于B的部分所构成的事件,称为AB的差,记为A-B,也可表示件的关A-AB或者AB,它表示A发生而B不发生的事件。
系与运AB同时发生:AB,或者ABAB=Ø,则表示AB不可能同时发生,事件A与事件B互不相容或者互斥。基本事件是互不相容的。
-A称为事件A的逆事件,或称A的对立事件,记为A它表示A不发生的事件。互斥未必对立。②运算:
结合率:A(BC=(ABCA(BC=(ABC
可编辑

精品文档
分配率:(ABC=(AC(BC(ABC=(AC(BC德摩根率:


为样本空间,A为事件,对每一个事件A都有一个实数P(A若满足下列三个条件:
1°0P(A1
7
2°P(Ω=1
率的公
3°对于两两互不相容的事件A1A2,…有
理化定

PAiP(Ai
i1i1
常称为可列(完全)可加性。则称P(A为事件A的概率。1°1,2n
1
2°P(1P(2P(n
n
8
设任一事件A,它是由1,2m组成的,则有
典概型
P(A=(1(2(m=P(1P(2P(mmA所包含的基本事件数
基本事件总数n
若随机试验的结果为无限不可数并且每个结果出现的可能性均匀,同时样本空间中的每一个基本事件可以使用一个有界区域来描述,则称此随机试验为几何概型。对
9
任一事件A
何概型
L(A
P(A。其中L为几何度量(长度、面积、体积)
L(10加法公11减法公
P(A+B=P(A+P(B-P(AB
P(AB0时,P(A+B=P(A+P(BP(A-B=P(A-P(AB
BA时,P(A-B=P(A-P(BA=Ω时,P(B=1-P(B
定义AB是两个事件,P(A>0,则称
P(AB
为事件A发生条件下,事件BP(A
i1
AiAiABABABAB
i1

12
P(AB
P(B/A发生的条件概率,记为条件概
P(A

条件概率是概率的一种,所有概率的性质都适合于条件概率。例如P(Ω/B=1P(B/A=1-P(B/A
13乘法公式:P(ABP(AP(B/A乘法公
更一般地,对事件A1A2,…An,若P(A1A2An-1>0,则有
P(A1A2AnP(A1P(A2|A1P(A3|A1A2……P(An|A1A2An1
①两个事件的独立性
设事件AB满足P(ABP(AP(B,则称事件AB是相互独立的。
14
若事件AB相互独立,且P(A0,则有
独立性
P(ABP(AP(B
P(B|AP(B
P(AP(A
可编辑

精品文档
15
n
全概公2°ABi
i1

则有
若事件AB相互独立,则可得到ABABAB也都相互独立。必然事件和不可能事件Ø与任何事件都相互独立。Ø与任何事件都互斥。②多个事件的独立性
ABC是三个事件,如果满足两两独立的条件,P(AB=P(AP(BP(BC=P(BP(CP(CA=P(CP(A并且同时满足P(ABC=P(AP(BP(C那么ABC相互独立。对于n个事件类似。设事件B1,B2,,Bn满足
1°B1,B2,,Bn两两互不相容,P(Bi0(i1,2,,n
P(AP(B1P(A|B1P(B2P(A|B2P(BnP(A|Bn设事件B1B2,…,BnA满足
1°B1B2,…,Bn两两互不相容,P(Bi>0i12,…,n
2°ABiP(A0
16贝叶斯公式

i1
n
P(Bi/A
P(BiP(A/Bi
P(BjP(A/Bj
j1
n
i=12,…n
此公式即为贝叶斯公式。P(Bii12…,n通常叫先验概率。P(Bi/Ai12…,n通常称为后验概率。贝叶斯公式反映了“因果”的概率规律,并作出了“由果朔因”的推断。
我们作了n次试验,且满足
每次试验只有两种可能结果,A发生或A不发生;n次试验是重复进行的,即A发生的概率每次均一样;每次试验是独立的,即每次试验A发生与否与其他次试验A发生与否是互17
伯努利不影响的。
这种试验称为伯努利概型,或称为n重伯努利试验。概型
p表示每次试验A发生的概率,则A发生的概率为1pq,用Pn(k表示n伯努利试验中A出现k(0kn次的概率,
k
Pn(kCnpkqnkk0,1,2,,n
第二章随机变量及其分布
可编辑

精品文档
1离散设离散型随机变量X的可能取值为Xk(k=1,2,且取各个值的概率,即事件型随机变(X=Xk的概率为量的分布P(X=xk=pkk=1,2,…,则称上式为离散型随机变量X的概率分布或分布律。有时也用分布列的形式
给出:
Xx1,x2,,xk,
|
P(Xxkp1,p2,,pk,显然分布律应满足下列条件:
1pk0k1,2,2pk1
2连续F(x是随机变量X的分布函数,若存在非负函数f(x,对任意实数x,有
x型随机变
F(xf(xdx

量的分布
则称X为连续型随机变量。f(x称为X的概率密度函数或密度函数,简称概率
密度
密度。
密度函数具有下面4个性质:1°f(x0
f(xdx1
3离散P(XxP(xXxdxf(xdx
与连续型积分元f(xdx在连续型随机变量理论中所起的作用与P(Xxkpk在离散型随机变量随机变量理论中所起的作用相类似。的关系4分布X为随机变量,x是任意实数,则函数
F(xP(Xx函数
称为随机变量X的分布函数,本质上是一个累积函数。
P(aXbF(bF(a可以得到X落入区间(a,b]的概率。分布函数F(x表示随机变量落入区间(–∞,x]内的概率。分布函数具有如下性质:
1°0F(x1,x
2°F(x是单调不减的函数,即x1x2时,有F(x1F(x23°F(limF(x0F(limF(x1
k1

2°


xx
4°F(x0F(x,即F(x是右连续的;5°P(XxF(xF(x0对于离散型随机变量,F(x对于连续型随机变量,F(x
5八大0-1分布
xkxx
p
k


f(xdx
P(X=1=p,P(X=0=q

可编辑

精品文档
分布二项分布
n重贝努里试验中,设事件A发生的概率为p。事件A发生的次数是随机变量,设为X,则X可能取值为0,1,2,,n
k
P(XkPn(kCnpkqnk其中q1p,0p1,k0,1,2,,n
则称随机变量X服从参数为np的二项分布。记为X~B(n,pn1时,P(Xkpkq1kk0.1,这就是(0-1)分布,所以(0-1)分布是二项分布的特例。
泊松分布
设随机变量X的分布律为
k
P(Xke0k0,1,2
k!
则称随机变量X服从参数为的泊松分布,记为X~(或者P(
泊松分布为二项分布的极限分布(np=λ,n→∞)
knk
k0,1,2,l超几何分布CMCNM
P(Xk,n
lmin(M,nCN
随机变量X服从参数为n,N,M的超几何分布,记为H(n,N,M
几何分布均匀分布
P(Xkqk1p,k1,2,3,,其中p0q=1-p
随机变量X服从参数为p的几何分布,记为G(p
设随机变量X的值只落在[ab]内,其密度函数f(x[ab]上为
1常数,即
ba
1axb,
f(xba
其他,0,则称随机变量X[ab]上服从均匀分布,记为X~U(ab
分布函数为
0x
xa
F(xf(xdxbaaxb

1x>b
ax12b时,X落在区间(x1,x2)内的概率为
xx1
P(x1Xx22
ba
x
,
可编辑

精品文档
指数分布


其中0,则称随机变量X服从参数为的指数分布。X的分布函数为
1ex,x0,
F(x


f(x0,x0,
ex,x0,
0,x<0
记住积分公式:

x
0
n
exdxn!
正态分布
设随机变量X的密度函数为
f(x
12
e

(x222
x
其中0为常数,则称随机变量X服从参数为正态分布或高斯(Gauss)分布,记为X~N(,2
f(x具有如下性质:
1°f(x的图形是关于x对称的;
1
2°x时,f(为最大值;
2
X~N(,2,则X的分布函数为
F(x
12

x

e

(t222
dt
参数01时的正态分布称为标准正态分布,记为
X~N(0,1,其密度函数记为
1
ex2
分布函数为
t2x1
(xe2dt2
(x是不可求积函数,其函数值,已编制成表可供查用。
1
Φ(-x1-Φ(x且Φ(0
2
X
如果X~N(,2,则~N(0,1
xx
P(x1Xx221

6分位下分位表:P(X
上分位表:P(X
(x

x22
可编辑

精品文档
7函数离散型分布
已知X的分布列为
x1,x2,,xn,X

P(Xxip1,p2,,pn,
Yg(X的分布列(yig(xi互不相等)如下:
g(x1,g(x2,,g(xn,Y
P(Yyip1,p2,,pn,
若有某些g(xi相等,则应将对应的pi相加作为g(xi的概率。先利用X的概率密度fX(x写出Y的分布函数FY(yP(g(Xy利用变上下限积分的求导公式求出fY(y
连续型
第三章二维随机变量及其分布1)联合离散型
分布
如果二维随机向量XY)的所有可能取值为至多可列个有序对(x,y,则称为离散型随机量。
=XY)的所有可能取值为(xi,yj(i,j1,2,,且事件{=(xi,yj}的概率为pij,,
P{(X,Y(xi,yj}pij(i,j1,2,
=XY)的分布律或称为XY的联合分布律。联合分布有时也用下面的概率分布表来表示:
YXx1x2
y1p11p21
y2p12p22

yjp1jp2j
pij

xi
pi1

这里pij具有下面两个性质:1pij0i,j=1,2,…)2pij1.
i
j
连续型
对于二维随机向量(X,Y,如果存在非负函数f(x,y(x,y使对任意一个其邻边分别平行于坐标轴的矩形区域D,即D={(X,Y|a
P{(X,YD}f(x,ydxdy,
D
则称为连续型随机向量;并称f(x,y=XY)的分布密度或称为XY的联合分布密度。分布密度f(x,y具有下面两个性质:
f(x,y0;
2
2)二维
随机变量的本质


f(x,ydxdy1.
(Xx,Yy(XxYy
可编辑

精品文档
3)联合设(XY)为二维随机变量,对于任意实数x,y,二元函数分布函数F(x,yP{Xx,Yy}
称为二维随机向量(XY)的分布函数,或称为随机变量XY的联合分布函数。
分布函数是一个以全平面为其定义域,以事件
{(1,2|X(1x,Y(2y}的概率为函数值的一个实值函数。分布函数F(x,y具有以下的基本性质:10F(x,y1;
2Fx,y)分别对xy是非减的,即
x2>x1时,有Fx2,y)≥F(x1,y;y2>y1时,有F(x,y2F(x,y1;3Fx,y)分别对xy是右连续的,即F(x,yF(x0,y,F(x,yF(x,y0;
4F(,F(,yF(x,0,F(,1.5)对于x1x2y1y2
F(x2y2F(x2y1F(x1y2F(x1y10.
4)离散P(XxYyP(xXxdxyYydyf(xydxdy型与连续型的关系
5)边缘离散型X的边缘分布为分布PiP(Xxipij(i,j1,2,
j
Y的边缘分布为
PjP(Yyjpij(i,j1,2,
i
连续型X的边缘分布密度为
fX(x
fY(y


f(x,ydy
Y的边缘分布密度为

f(x,ydx.
6)条件离散型
分布
在已知X=xi的条件下,Y取值的条件分布为
pij
P(Yyj|Xxi
pi在已知Y=yj的条件下,X取值的条件分布为
pij
P(Xxi|Yyj,
pj
连续型
在已知Y=y的条件下,X的条件分布密度为
f(x,y
f(x|y
fY(y在已知X=x的条件下,Y的条件分布密度为
f(x,y
f(y|x
fX(x
7)独立一般型离散型F(X,Y=FX(xFY(y
pijpipj有零不独立
可编辑

精品文档
连续型
f(x,y=fX(xfY(y
直接判断,充要条件:①可分离变量
②正概率密度区间为矩形
f(x,y
1
2121
2
二维正态分
e
x22(x(yy
1122122(1212
1


2

,
0
X1,X2,Xm,Xm+1,Xn相互独立,h,g为连续函数,则:hX1X2,Xm)和gXm+1,Xn)相互独立。特例:若XY独立,则:hX)和gY)独立。例如:若XY独立,则:3X+15Y-2独立。
8)二维设随机向量(XY)的分布密度函数为均匀分布1
(x,yDS
D
f(x,y
0,其他
其中SD为区域D的面积,则称XY服从D上的均匀分布,记为XYUD
例如图3.1、图3.2和图3.3
随机变量的函数
y1
D1
O1
3.1
x
y1
D2
O1
2x

3.2
yd
D3
c
Oabx3.3
可编辑

精品文档
9)二维设随机向量(XY)的分布密度函数为
x22(x(yy21正态分布112222(111122f(x,ye,
2
2121
其中1,2,10,20,||15个参数,则称XY服从二维正态分布,记为(XY)~N1,2,1,2,.
2
2
由边缘密度的计算公式,可以推出二维正态分布的两个边缘分布仍为正态分布,
22
XN1,1,Y~N(2,2.
22
但是若XN1,1,Y~N(2,2(XY未必是二维正态分布。
10函数Z=X+Y分布
根据定义计算:FZ(zP(ZzP(XYz

对于连续型,fZ(zf(x,zxdx

2
两个独立的正态分布的和仍为正态分布(12,122n个相互独立的正态分布的线性组合,仍服从正态分布。Cii2Ci2i2
ii
Z=max,min(X1,X2,Xn
X1,X2Xn相互独立,其分布函数分别为
Fx1(xFx2(xFxn(x,则Z=max,min(X1,X2,Xn的分布函数为:
Fmax(xFx1(xFx2(xFxn(x
Fmin(x1[1Fx1(x][1Fx2(x][1Fxn(x]
2分布
n个随机变量X1,X2,,Xn相互独立,且服从标准正态分布,可以证明它们的平方和
WXi2
i1n
的分布密度为
nu11
u2e2u0,n
nf(u222u0.0,
我们称随机变量W服从自由度为n2分布,记为W2(n其中
n21x
xedx.20
所谓自由度是指独立正态随机变量的个数,它是随机变量分布中的一个重要参数。
2分布满足可加性:设Yi2(ni,
ZYi~2(n1n2nk.
i1k
n
可编辑

精品文档
t分布
XY是两个相互独立的随机变量,且X~N(0,1,Y~2(n,
可以证明函数
XT
Y/n的概率密度为
n1n122
t2(t.f(t1nn
n
2
我们称随机变量T服从自由度为nt分布,记为Tt(nt1(nt(n
F分布
X~2(n1,Y~2(n2XY独立,可以证明F的概率密度函数为
X/n1
Y/n2
n1n2n1nn
12n1
n1221n122y1y,y0f(yn1n2n2n2
220,y0
我们称随机变量F服从第一个自由度为n1第二个自由度为n2F分布,记为Ff(n1,n2.
1
F1(n1,n2
F(n2,n1
第四章随机变量的数字特征1离散型一维随机变量的数字特
期望
期望就是平均值
连续型
X是离散型随机变量,其分X是连续型随机变量,其概
率密度为f(x布律为P(Xxkpk

k=1,2,,n
E(Xxf(xdxn
E(Xxkpk
k1(要求绝对收敛)
(要求绝对收敛)Y=g(XY=g(X
E(Yg(xkpk
k1n
函数的期望

E(Y
方差
2
D(X=E[X-E(X]2D(X[xkE(X]pk
k
标准差


g(xf(xdx

D(X[xE(X]2f(xdx


(XD(X
可编辑

精品文档

①对于正整数k称随机变量Xk次幂的数学期望为Xk阶原点矩,记为vk,
k
kxpi,iν=E(X=
k
i
①对于正整数k称随机变量X
k次幂的数学期望为Xk阶原点矩,记为vk,νk=E(X=xkf(xdx,
k

k=1,2,.
②对于正整数k称随机变量XEX差的k次幂的数学期望为Xk阶中心矩,记为k
kE(XE(Xk

.
k
(xE(Xpii=
i
k=1,2,.
②对于正整数k称随机变量XEX差的k次幂的数学期望为Xk阶中心矩,记为k
kE(XE(Xk

.
=(xE(Xkf(xdx,

k=1,2,.
切比雪夫不等式
k=1,2,.
设随机变量X具有数学期望EX=μ,方差DX=σ2,则对于任意正数ε,有下列切比雪夫不等式
2
P(X2

切比雪夫不等式给出了在未知X的分布的情况下,对概率
P(X
的一种估计,它在理论上有重要意义。
2期望的性
E(C=C
E(CX=CE(X
E(X+Y=E(X+E(YE(CiXiCiE(Xi
i1
i1
n
n
E(XY=E(XE(Y,充分条件:XY独立;
充要条件:XY不相关。
3D(C=0E(C=C方差D(aX=a2D(XE(aX=aE(X的性D(aX+b=a2D(XE(aX+b=aE(X+bD(X=E(X2-E2(X
D(X±Y=D(X+D(Y,充分条件:XY独立;
充要条件:XY不相关。
D(X±Y=D(X+D(Y±2E[(X-E(X(Y-E(Y],无条件成立。
E(X+Y=E(X+E(Y,无条件成立。4常见分布的期望和方差

0-1分布B(1,p二项分布B(n,p泊松分布P(几何分布G(p超几何分布H(n,M,N
期望
pnp
1pnM
N
方差p(1p
np(1p

1p
p2
nMMNn
1NNN1
可编辑

精品文档
均匀分布U(a,b指数分布e(
ab
21
正态分布N(,22分布nt分布
5期望
二维随机变量
的数函数的期望字特
方差
0
E(Xxipi
i1n
22n
(ba2
1212
n
(n>2n2

E(XE(Y
E(Yyjpj
j1
n

xf
X
(xdx

yf
Y
(ydy
E[G(X,Y]E[G(X,Y]

G(x,y
i
i
j
j
pij

G(x,yf(x,ydxdy



D(X[xE(X]2fX(xdx2
D(X[xiE(X]pi
i

D(Y[xjE(Y]2pj
j
D(Y[yE(Y]2fY(ydy

协方差
相关系数

对于随机变量XY称它们的二阶混合中心矩11XY协方差或相关矩,记为XYcov(X,Y,即XY11E[(XE(X(YE(Y].
与记号XY相对应,XY的方差DX)与DY)也可分别记为XXYY
对于随机变量XY,如果DX>0,D(Y>0,则称
XY
D(XD(Y

XY的相关系数,记作XY(有时可简记为
P(XaYb1||1||=1时,XY完全相关:
正相关,当1(a0
完全相关
负相关,当1(a0
而当0时,称XY不相关。以下五个命题是等价的:XY0cov(X,Y=0;E(XY=E(XE(Y;D(X+Y=D(X+D(Y;D(X-Y=D(X+D(Y.
协方差矩阵
XXYXXY
YY
可编辑

精品文档
混合矩
对于随机变量XY,如果有E(XkYl存在,则称之为XYk+l阶混合原点矩,记为klk+l阶混合中心矩记为:uklE[(XE(Xk(YE(Yl].
6协方差的i性质
7独立和不相关
第五章大数定律和中心极限定理1)大数定律
X
cov(X,Y=cov(Y,X;cov(aX,bY=abcov(X,Y;
cov(X1+X2,Y=cov(X1,Y+cov(X2,Y;cov(X,Y=E(XY-E(XE(Y.
若随机变量XY相互独立,则XY0;反之不真。
2
,若(XY)~N1,2,12,2
XY相互独立的充要条件是XY不相关。
切比雪夫大数定律
设随机变量X1X2,…相互独立,均具有有限方差,且被同一常C所界:
DXi,则对于任意的正数ε,有
1n1nlimPXiE(Xi1.nnni1i1
特殊情形:若X1X2,…具有相同的数学期望EXI=μ,则上式成为
伯努利大数定
1n
limPXi1.nni1
设μ是n次独立试验中事件A发生的次数,p是事件A在每次试验中发生的概率,则对于任意的正数ε,有

limPp1.nn伯努利大数定律说明,当试验次数n很大时,事件A发生的频率
与概率有较大判别的可能性很小,即

limPp0.nn
辛钦
大数定律
这就以严格的数学形式描述了频率的稳定性。
X1X2,…,Xn,…是相互独立同分布的随机变量序列,且EXn=μ,则对于任意的正数ε有
1nlimPXi1.nni1
可编辑

精品文档
2中心极限定
2
XN(,
n
列维-林德伯格定
设随机变量X1X2,…相互独立,服从同一分布,且具有相
2
同的数学期望和方差:E(Xk,D(Xk0(k1,2,则随机变量
n
的分布函数Fn(x对任意的实数x,有
n
Xnt2kx1
limFn(xlimPk1xe2dt.nn
n2
此定理也称为独立同分布的中心极限定理。
设随机变量Xn为具有参数n,p(0的二项分布,则对于任意
Yn
X
k1
n
k
n

棣莫弗-拉普拉斯定理
3)二项定理
实数x,
Xnnp
limPxn
np(1p
12

x

e

t2
2
dt.
若当N,
M
p(n,k不变,则N
4)泊松定理
knkCMCNkknkM
(N.Cp(1pnn
CN
超几何分布的极限分布为二项分布。
若当n,np0,则
k!
其中k=012,…,n,…。二项分布的极限分布为泊松分布。
Cp(1p
kn
knk

k
e

(n.
第六章样本及抽样分布1)数理总体统计的基本概念
个体
样本
在数理统计中,常把被考察对象的某一个(或多个)指标的全体称为总体(或母体)。我们总是把总体看成一个具有分布的随机变量(或随机向量)
总体中的每一个单元称为样品(或个体)
我们把从总体中抽取的部分样品x1,x2,,xn称为样本。样本中所含的样品数称为样本容量,一般用n表示。在一般情况下,总是把样本看成是n个相互独立的且与总体有相同分布的随机变量,这样的样本称为简单随机样本。在泛指任一次抽取的结果时,x1,x2,,xn表示n个随机变量(样本)在具体的一次抽取之后,x1,x2,,xn表示n个具体的数值(样本值)。我们称之为样本的两重性。
x1,x2,,xn为总体的一个样本,称x1,x2,,xn
为样本函数,其中为一个连续函数。如果中不包含任何未知参数,则称x1,x2,,xn)为一个统计量。
样本函数和统计量
可编辑

精品文档
常见统计量及其性质
样本均值样本方差



1n
xxi.
ni1
1n2
S(xx.i
n1i1
2
样本标准差
1n
S(xix2.n1i1
样本k阶原点矩
1nk
Mkxi,k1,2,.
ni1
样本k阶中心矩
1n
(xixk,k2,3,.Mk
ni1
E(XD(X
2
n

n12
,n
E(S22E(S*2
2
2)正态正态分布总体下的四大分布
t分布
1n2
其中S*(XiX,为二阶中心矩。
ni1
x1,x2,,xn为来自正态总体N(,2的一个样本,则样本函

u
def
x
/n
~N(0,1.
x1,x2,,xn为来自正态总体N(,2的一个样本,则样本函
s/n
其中t(n-1表示自由度为n-1t分布。
x1,x2,,xn为来自正态总体N(,2的一个样本,则样本函t
def
x
~t(n1,
2分布

F分布
2
其中2(n1表示自由度为n-12分布。
x1,x2,,xn为来自正态总体N(,12的一个样本,而
2
y1,y2,,yn为来自正态总体N(,2的一个样本,则样本函数
22
defS/11F~F(n11,n21,22
S2/2
其中
1n11n2222
S1(xix,S2(yiy2;n11i1n21i1F(n11,n21表示第一自由度为n11第二自由度为n21F分布。
w
def
(n1S2
~2(n1,
可编辑

精品文档
3)正态总体下分布的性质
2
XS独立。
第七章参数估计
1矩估计设总体X的分布中包含有未知数1,2,,m则其分布函数可以表
k
点估计F(x;1,2,,m.它的k阶原点矩vkE(X(k1,2,,m
中也包含了未知参数1,2,,mvkvk(1,2,,m又设x1,x2,,xn为总体Xn个样本值,其样本的k阶原点矩为
1nk
xi(k1,2,,m.ni1
这样,我们按照“当参数等于其估计量时,总体矩等于相应的样本矩”的原则建立方程,即有
1n
v1(1,2,,mnxi,
i1

1n2
v2(1,2,,mxi,ni1


n
mv(,,,1xm12mi.ni1
由上面的m个方程中,解出的m个未知参数(1,2,,m即为参数(1,2,,m)的矩估计量。


的矩估计,g(x为连续函数,则g(ˆg(的矩估计。

可编辑

精品文档
极大似然估计
当总体X为连续型随机变量时,设其分布密度为
f(x;1,2,,m,其中1,2,,m为未知参数。又设
x1,x2,,xn为总体的一个样本,称
L(1,2,,mf(xi;1,2,,m
i1n
为样本的似然函数,简记为Ln.
当总体X为离型随机变量时,设其分布律为
P{Xx}p(x;1,2,,m,则称
L(x1,x2,,xn;1,2,,mp(xi;1,2,,m
i1n
为样本的似然函数。
若似然函数L(x1,x2,,xn;1,2,,m1,2,,m处取到最大值,则称1,2,,m分别为1,2,,m的最大似然估计值,应的统计量称为最大似然估计量。
lnLni



0,i1,2,,m
ii


的极大似然估计,g(x为单调函数,则g(ˆg(的极
大似然估计。
2无偏性估计量的评选标准
有效性
(x1,x2,,xn为未知参数的估计量。若E=,则的无偏估计量。
EX=EXES2=DX
11(x1,x,2,,xn22(x1,x,2,,xn是未知参数的两个无偏估计量。若D(1D(2,则称12有效。

一致性的一串估计量,如果对于任意的正数,都有n










n
limP(|n|0,


3置信区
区间估间和置信度
则称n的一致估计量(或相合估计量)

的无偏估计,且D(ˆ0(n,的一致估计。只要总体的E(XD(X存在,一切样本矩和样本矩的连续函数都是相应总体的一致估计量。
设总体X含有一个待估的未知参数如果我们从样本x1,x,2,,xn出发,找出两个统计量11(x1,x,2,,xn
22(x1,x,2,,xn(12,使得区间[1,2]1(01的概率包含这个待估参数,即
P{12}1,
那么称区间[1,2]的置信区间,1为该区间的置信度(或置信水平)
可编辑

精品文档
单正态总体的期望和方差的区间估
x1,x,2,,xn为总体X~N(,2的一个样本,在置信度为1下,我们来确定2的置信区间[1,2]。具体步骤如下:i)选择样本函数;
ii)由置信度1,查表找分位数;iii)导出置信区间[1,2]已知方差,估计均值i)选择样本函数
u
x
0/n
~N(0,1.
(ii查表找分位数
xP1.0/n
iii)导出置信区间00x,x
nn
i)选择样本函数
未知方差,估计均值
S/n
(ii查表找分位数
t
x
~t(n1.
方差的区间估计
x1.PS/niii)导出置信区间SSx,x
nn
i)选择样本函数
2
ii)查表找分位数(n1S2
P21.21

iii)导出的置信区间
n1n1
S,S
12
w
(n1S2
~2(n1.
第八章假设检验基本思想
假设检验的统计思想是,概率很小的事件在一次试验中可以认为基本上
是不会发生的,即小概率原理。
为了检验一个假设H0是否成立。我们先假定H0是成立的。如果根据这个假定导致了一个不合理的事件发生,那就表明原来的假定H0是不正确的,我们拒绝接受H0;如果由此没有导出不合理的现象,则不能拒绝接受H0,我们H0是相容的。与H0相对的假设称为备择假设,用H1表示。
这里所说的小概率事件就是事件{KR},其概率就是检验水平α,通常我们取α=0.05,有时也取0.010.10
可编辑

精品文档
基本步骤假设检验的基本步骤如下:
提出零假设H0
选择统计量K
对于检验水平α查表找分位数λ;i
由样本值x1,x2,,xn计算统计量之值K
K进行比较,作出判断:当|K|(K时否定H0,否则认为
H0相容。
两类错误第一类错误
H0为真时,而样本值却落入了否定域,按照我们规定的检验法则,应当否定H0这时,我们把客观上H0成立判为H0为不成立(即否定了真实的假设)称这种错误为“以真当假”的错误或第一类错误,为犯此类错误的概率,即
P{否定H0|H0为真}=此处的α恰好为检验水平。
第二类错误H1为真时,而样本值却落入了相容域,按照我们规定
的检验法则,应当接受H0。这时,我们把客观上H0。不成立判为H0成立(即接受了不真实的假设)称这种错误“以假当真”的错误或第二类错误,为犯此类错误的概率,即
P{接受H0|H1为真}=
两类错误的关系人们当然希望犯两类错误的概率同时都很小。但是,
当容量n一定时,变小,则变大;相反地,变小,变大。取定要想使变小,则必须增加样本容量。
在实际使用时,通常人们只能控制犯第一类错误的概率,即给定显著性水平α。α大小的选取应根据实际情况而定。当我们宁可“以假为真”、而不愿“以真当假”时,则应把α取得很小,0.01甚至0.001反之,则应把α取得大些。




单正态总体均值和方差的假设检验条件
零假设
H0:0
统计量
对应样本函数分布
否定域
|u|u
1

2

已知
2
H0:0H0:0
U
x0
0/n
N01
uu1uu1
未知
2
H0:0H0:0
T
x0S/n
|t|t

t(n1
1

2
(n1

tt1(n1
可编辑

精品文档
H0:0H0:22
tt1(n1
2
w(n1
2
未知2
2
H0:20
w
2H0:20
(n1S2
w
21
2
(n1


2
0
2(n1
w12(n1
2
w(n1

可编辑

本文来源:https://www.2haoxitong.net/k/doc/fd3f4675846fb84ae45c3b3567ec102de2bddffc.html

《概率论核心概念及公式(全).doc》
将本文的Word文档下载到电脑,方便收藏和打印
推荐度:
点击下载文档

文档为doc格式