概率论与数理统计

样本空间 Ω：全体样本点 ω 的集合；样本空间的子集称为随机事件。必然事件记 Ω，不可能事件记 ∅。

事件关系：

• 包含 A⊆B：A 发生必导致 B 发生。
• 和事件 A∪B：至少一个发生；积事件 AB：同时发生。
• 差事件 \(A-B=A\cap\overline{B}\)：A 发生且 B 不发生。
• 对立事件 \(\overline{A}=\Omega-A\)；互不相容 \(AB=\varnothing\)。

常用运算律（德摩根律）：

事件语言转换（A、B、C 三事件）：

• 恰好发生一种：\(A\overline{B}\overline{C}\cup \overline{A}B\overline{C}\cup \overline{A}\overline{B}C\)
• 恰好发生两种：\(AB\overline{C}\cup A\overline{B}C\cup \overline{A}BC\)
• 至少一种：\(A\cup B\cup C\)；都不发生：\(\overline{A\cup B\cup C}\)

频率 \(f_n(A)=\dfrac{n_A}{n}\)；当 n 增大时频率稳定于常数 p，即概率 \(P(A)=p\)。

基本性质：\(P(\varnothing)=0,\ P(\Omega)=1,\ 0\le P(A)\le1\)；\(P(\overline{A})=1-P(A)\)；\(P(A-B)=P(A)-P(AB)\)。

加法公式：

古典概型（有限 + 等可能）：\(P(A)=\dfrac{m}{n}=\dfrac{\text{有利基本事件数}}{\text{基本事件总数}}\)。

计数：排列 \(A_n^k=\dfrac{n!}{(n-k)!}\)（有序），组合 \(C_n^k=\dfrac{n!}{k!(n-k)!}\)（无序）。

抽样模型（7 黑 3 白，取 3 次）：

超几何分布（N 件含 D 件次品，取 n 件恰 k 件次品）：

几何概型：\(P(A)=\dfrac{g\text{ 的测度}}{G\text{ 的测度}}\)（长度/面积/体积）。

条件概率：\(P(B\mid A)=\dfrac{P(AB)}{P(A)}\)（\(P(A)>0\)）。

乘法公式：\(P(AB)=P(A)P(B\mid A)=P(B)P(A\mid B)\)。

全概率公式（\(B_1,\dots,B_n\) 是划分）：

贝叶斯公式（由结果反推原因）：

独立：\(P(AB)=P(A)P(B)\)，等价于 \(P(B\mid A)=P(B)\)。若 A、B 独立，则 \(\overline A,B\) 等也独立。

独立 ≠ 互斥：互斥 \(AB=\varnothing\)；有正概率的两事件，互斥与独立不能同时成立。

至少一个发生（独立时）：

二项概率（n 重伯努利）：

随机变量 \(X=X(e)\) 把试验结果数值化。离散型 X 的分布律 \(P(X=x_k)=p_k\) 必须满足：

泊松近似：n 大、p 小、\(\lambda=np\) 时，\(B(n,p)\approx P(\lambda)\)；n=1 时二项分布即 0-1 分布。

\(F(x)=P(X\le x)\)，性质：\(0\le F\le1\)、单调不减、右连续、\(F(-\infty)=0,F(+\infty)=1\)。

\(F(x)=\int_{-\infty}^{x}f(t)\,dt\)，密度 \(f(x)\) 满足：

均匀分布 \(X\sim U(a,b)\)：\(f(x)=\dfrac{1}{b-a}\,(a

指数分布（率 λ）：\(f(x)=\lambda e^{-\lambda x}\,(x>0)\)，\(P(X>x)=e^{-\lambda x}\)，具无记忆性 \(P(X>s+t\mid X>s)=P(X>t)\)。

正态分布 \(X\sim N(\mu,\sigma^2)\)：

标准化 \(Z=\dfrac{X-\mu}{\sigma}\sim N(0,1)\)，于是

离散型：把相同的 \(g(x_k)\) 取值合并，概率相加。

连续型 · 分布函数法：\(F_Y(y)=P(g(X)\le y)\) 转化为 X 的范围积分，再求导得 \(f_Y(y)=F_Y'(y)\)。

公式法（g 单调可导，反函数 \(x=h(y)\)）：\(f_Y(y)=f_X(h(y))\,|h'(y)|\)。

常用结论：\(X\sim N(\mu,\sigma^2),\ Y=aX+b\ (a\ne0)\Rightarrow Y\sim N(a\mu+b,\,a^2\sigma^2)\)。

离散 \(E(X)=\sum_i x_ip_i\)；连续 \(E(X)=\int_{-\infty}^{+\infty}xf(x)\,dx\)。

函数期望（无需先求 Y 的分布）：\(E[g(X)]=\sum g(x_i)p_i\) 或 \(\int g(x)f(x)\,dx\)。

性质：\(E(C)=C\)，\(E(CX)=CE(X)\)，\(E(X+Y)=E(X)+E(Y)\)；X、Y 独立时 \(E(XY)=E(X)E(Y)\)。

定义 \(D(X)=E[(X-E(X))^2]\)，常用计算式：

性质：\(D(C)=0\)，\(D(aX+b)=a^2D(X)\)；独立时 \(D\big(\sum X_i\big)=\sum D(X_i)\)。

k 阶原点矩 \(\alpha_k=E(X^k)\)；k 阶中心矩 \(\mu_k=E[(X-E(X))^k]\)。

重要关系：\(\alpha_1=E(X)\)，\(\mu_2=D(X)\)（二阶中心矩即方差）。

辛钦大数定律（独立同分布，\(E(X_i)=\mu\)）：样本均值依概率收敛于 μ。

伯努利大数定律：频率 \(\dfrac{m}{n}\) 依概率收敛于概率 p——为“用频率估计概率、样本推断总体”提供依据。

列维–林德伯格（独立同分布，\(E(X_i)=\mu,D(X_i)=\sigma^2\)）：

棣莫弗–拉普拉斯（\(X\sim B(n,p)\)，n 较大）：\(\dfrac{X-np}{\sqrt{npq}}\approx N(0,1)\)。

简单随机样本：\(X_1,\dots,X_n\) 相互独立且与总体同分布。统计量是样本的函数且不含未知参数。

样本均值 \(\overline X=\dfrac{1}{n}\sum X_i\)，样本方差 \(S^2=\dfrac{1}{n-1}\sum (X_i-\overline X)^2\)。

χ²：\(\chi^2=\sum_{i=1}^nZ_i^2\sim\chi^2(n)\)（\(Z_i\sim N(0,1)\) 独立）。
t：\(T=\dfrac{Z}{\sqrt{Y/n}}\sim t(n)\)；F：\(F=\dfrac{U/m}{V/n}\sim F(m,n)\)。

正态总体 \(N(\mu,\sigma^2)\) 下：\(\overline X\sim N(\mu,\tfrac{\sigma^2}{n})\)，\(\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)\)，且 \(\overline X\) 与 \(S^2\) 独立。

用统计量 \(\hat\theta(X_1,\dots,X_n)\) 估计未知参数 θ（估计量不含未知参数）。

• 无偏性：\(E(\hat\theta)=\theta\)；偏差 \(\text{Bias}=E(\hat\theta)-\theta\)。
• 有效性：两个无偏估计中方差较小者更有效。
• 一致性：\(\hat\theta_n\xrightarrow{P}\theta\)。

思想：用样本矩估计总体矩。含 k 个参数则令前 k 阶矩相等：\(A_1=\alpha_1,\dots,A_k=\alpha_k\)，其中 \(A_1=\overline X,\ A_2=\tfrac{1}{n}\sum X_i^2\)。