概率论与数理统计考试重点复习路线

  • A+
所属分类:Mysql教程

概率论与数理统计考试重点复习路线

前言

希望能够通过一份简单的路线,实现精准高效的备战明天的考试。话不多说,冲冲冲!

内容分为概率论与数理统计两个部分,中间的串联是第五章的大数定律和中心极限定理。

MindMap

概率论部分

概率论与数理统计考试重点复习路线

数理统计部分

概率论与数理统计考试重点复习路线

概率论

基本概念

这个部分的内容,我的建议是直接看我之前的blog,或者看书以及其他网课ppt之类的。

关于随机变量的分布函数我不去列举,大家可以直接通过分布律或者概率密度推导

离散型

0-1 分布

X~b§

分布律

P { X = k } = p k ( 1 − p ) 1 − k , k = 1 , 0 P\{X=k \} = p^k(1-p)^{1-k}, \qquad k = 1, 0 P{
X=
k}=pk(1p)1k,k=1,0

X 0 1
p_k 1-p p
数学期望

E ( X ) = p E(X) = p E(X)=p

方差

D ( X ) = ( 1 − p ) ⋅ p D(X) = (1-p)\cdot p D(X)=(1p)p

二项分布

X~b(n, p)

分布律

P { X = k } = p k ( 1 − p ) 1 − k P\{X=k \} = p^k(1-p)^{1-k} P{
X=
k}=pk(1p)1k

数学期望

E ( X ) = n p E(X) = np E(X)=np

方差

D ( X ) = n ( 1 − p ) ⋅ p D(X) = n(1-p)\cdot p D(X)=n(1p)p

泊松分布

X~π(λ)

分布律

P { X = k } = λ k e − λ k ! , k = 0 , 1 , 2... P\{X=k \} = \frac{\lambda^ke^{-\lambda}}{k!}, \qquad k=0,1,2... P{
X=
k}=k!λkeλ,k=0,1,2...

泊松定理

就是用泊松去逼近二项,np=λ
lim ⁡ n → ∞ C n k ( 1 − p n ) n − k = λ k e − λ k ! \lim_{n\rightarrow \infty}{C_n^k(1-p_n)^{n-k}} = \frac{\lambda^ke^{-\lambda}}{k!} nlimCnk(1pn)nk=k!λkeλ

数学期望

E ( X ) = λ E(X) = \lambda E(X)=λ

方差

D ( X ) = λ D(X) = \lambda D(X)=λ

连续型

均匀分布

X~U(a, b)

概率密度

KaTeX parse error: No such environment: align at position 26: …eft \{ \begin{̲a̲l̲i̲g̲n̲}̲ &\frac{1}{b…

期望

E ( X ) = a + b 2 E(X) = \frac {a+b}{2} E(X)=2a+b

方差

D ( X ) = ( b − a ) 2 12 D(X) = \frac{(b-a)^2}{12} D(X)=12(ba)2

指数分布

X~E(θ)

概率密度

KaTeX parse error: No such environment: align at position 26: …eft \{ \begin{̲a̲l̲i̲g̲n̲}̲ &\frac{1}{\…

期望

E ( X ) = θ E(X) = \theta E(X)=θ

方差

D ( X ) = θ 2 D(X) = \theta^2 D(X)=θ2

正态分布

X~N(μ, σ)

概率密度

f ( x ) = 1 2 π σ e − ( x − u ) 2 2 σ 2 , − ∞ < x < ∞ f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-u)^2}{2\sigma^2}}, \qquad -\infty < x < \infty f(x)=2π
σ
1
e2σ2(xu)2,<
x<

标准正态分布

X ∼ N ( 0 , 1 2 ) φ ( x ) = 1 2 π e − x 2 / 2 X\sim N(0, 1^2)\\ \varphi(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2} XN(0,12)φ(x)=2π
1
ex2/2

期望和方差,一般情况下只要先化成标准正态分布,然后用标准的正态分布的方差和期望求解即可。

期望

E ( x ) = μ E(x) = \mu E(x)=μ

方差

D ( X ) = σ 2 D(X) = \sigma^2 D(X)=σ2

概率论部分的除了这些其实还有像随机变量函数,多维的边缘和条件以及联合,还有第四章的协方差和矩。但是这些内容我就不提了,有需要的可以看blog或者课本。

数理统计

开摆了,这个直接看吧。我要回去睡觉了。

w3cjava