概率论与数理统计自考考试重点章节如下： 1：条件概率（全概率公式、贝叶斯公式，二项概率公式主要和后面章节的东西联系在一起考） 2：随机变量分布中的： ①离散型 掌握 二项分布 、泊松分布 ②连续型 掌握均匀分布、 指数分布，记住其分布函数表达式 知道怎样求连续型随机变量的概率密度、记住均匀分布、指数分 布、正态分布的分布函数概率密度 3：多维随机变量中掌握二维随机变量，要会求其边缘概率密度，知道怎样将之前学过的一维均 匀分布和正态分布转移到二维的去理解，这个不难，看看书上的讲解就能理解。重点在后面的 ”和的分布“和”max、min“分布，具体到实际题目中做几遍就能理解了。卷积公式是重点 4：七种常见分布的数学期望和方差和分布列或概率密度，要熟记于心 5：协方差、相关系数，这块儿好好看看书；切比雪夫不等式，要记住。 6：卡方分布、t分布、F分布，记住是怎么定义的，记住表达式，及卡方分布的期望和方差。 7：参数估计中的矩估计和最大似然估计是重点，一般考概率都会出一个大题；区间估计一般会 出一到两个小题，记住几个既定的结论公式会方便很多。 概率论怎么学习？ 概率论最难以应对的是基础知识，主要涉及排列组合、导数、积分、极限这四部分。现在就这部分内容给大家分析一下。说这部分是基础，本身就说明这些知识不是概率统计研究的内容，他们只是在研究概率统计的时候不可缺少的一些工具。既然这样，在考试中就不会对这部分内容作过多的考察，也会尽量避免大家在这些方面丢分。分析到这里，就要指出一些人在学习这门课的“战术失误”。有些人花大量的力气学习微积分，甚至学习概率统计之前，将微积分重新学一遍，这是不可取的。对这部分内容，将教材上涉及到的知识选出来进行复习，理解就可以。万不能让基础知识成为概率统计的拦路虎。学习中要知道哪是重点，哪是难点。 如何掌握做题技巧？俗话说“熟能生巧”，对于数学这门课，用另一个成语更贴切——“见多识广”。对于自考生而言，学习时间短，想利用“熟能生巧”不太现实，但是“见多识广”确实在短时间内可以做到。这就是说，在平时不能一味的多做题，关键是多做一些类型题，不要看量，更重要的是看多接触题目类型。同一个知识点，可以从多个角度进行考察。有些学员由于选择辅导书的问题，同类型的题目做了很多，但是题目类型却没有接触多少。在考试的时候感觉一落千丈。那么应该如何掌握题目类型呢？我想历年的真题是我们最好的选择。 平时该如何练习？提出这个问题可能很多人会感到不可思议。有一句话说得好“习惯形成性格”。这句话应用到我们的学习上也成立。这么多年以来，有些人有很好的学习习惯，尽管他的学习基础也不好，学习时间也有限，但是他们能按照自己知道的学习规律坚持学习，能够按照老师说得去思考、前进。我们大多数人都有惰性，一个题目一眼看完不会，就赶紧找答案。看了答案之后，也就那么回事，感觉明白了，就放下了。就这样“掰了很多玉米，最后却只剩下一个玉米”。虽然很清楚最好的方法是摘一个，留一个。哪怕一路你只摘了2个，也比匆匆忙忙摘了一路，却不知道保留的人得到的多。平时做题要先多思考，多总结，做一个会一个，而且对于做过的题目要经常地回顾，这样才能掌握住知识。就我的辅导经验而言，绝大多数人还是在这个问题上出现了问题。自考/成考有疑问、不知道如何总结自考/成考考点内容、不清楚自考/成考报名当地政策，点击底部咨询官网，免费领取复习资料：
无非就是对函数求导和积分。已知分布函数，求概率密度是求导。已知概率密度，求分布函数是积分。
一概率论与数理统计是工程数学中比较灵活的一门课程，个人觉得也是学的有滋有味的一科。概率论是以古典型概率，几何型概率，条件概率，各种分布列等为基本模型，以加法原理，乘法原理为规则，以非负性，规范性，可列可加性为基本性质，逆事件，差事件概率的计算公式，加法公式等为运算基础骨架。解题时应做到心中有数，将难题一步步分解为这些简单问题的叠加。学习重点应放在理解和运用上，而不在于计算，老师上课时的例题很重要，课后要理解消化，勤做练习加深理解，做题时应分清各类题型，举一反三。熟练掌握：概率部分： 1.常见分布列，分布函数：离散型--连续型 一维--二维--多维离散： 两点分布，二次分布，泊松分布，几何分布连续： 均匀分布，指数分布，正态分布2.基本运算概念： 概率密度，数学期望，方差，协方差，相关系数 数理统计部分：样本基本概念：X2分布，t分布，F分布，正态总体的样本均值，方差，k阶原点矩，k阶中心矩推荐经典习题：第一章:3.4.5.8.9.10.11.12.13.15.18.20.21第二章:4.10.11.14.15.17.24.25.26.27第三章:1-8.13.14.19.20.24.25.27第四章:1.3.5.6.8.10(*).11---20.24.26.27.28(*).29.30第六章:1.2.4.5.6.7.9(*)第七章:2.3.4.7.8.9.10.11.12 二“概率论与数理统计”是理工科大学生的一门必修课程，由于该学科与生活实践和科学试验有着紧密的联系，是许多新发展的前沿学科(如控制论、信息论、可靠性理论、人工智能等)的基础，因此学好这一学科是十分重要的。�“概率论与数理统计”的学习应注重的是概念的理解，而这正是广大学生所疏忽的，在复习时几乎有近一半以上学生对“什么是随机变量”、“为什么要引进随机变量”仍说不清楚。对于涉及随机变量的独立，不相关等概念更是无从着手，这一方面是因为高等数学处理的是“确定”的事件。如函数y=f(x)，当x确定后y有确定的值与之对应。而概率论中随机变量X在抽样前是不确定的，我们只能由随机试验确定它落在某一区域中的概率，要建立用“不确定性”的思维方法往往比较困难，如果套用确定性的思维方法就会出错。由于基本概念没有搞懂，即使是十分简单的题目也难以得分。从而造成低分多的现象。另一方面由于概率论中涉及的计算技巧不多，除了古典概型，几何概型和计算二维随机变量的函数分布时如何确定积分上、下限有一些计算的难点，其他的只是数值或者积分、导数的计算。因而如果概念清楚，那么解题往往很顺利且易得到正确答案，这正是高分较多的原因。�根据上面分析，启示我们不能把高等数学的学习方法照搬到“概率统计”的学习上来，而应按照概率统计自身的特点提出学习方法，才能取得“事半功倍”的效果。下面我们分别对“概率论”和“数理统计”的学习方法提出一些建议。�一、 学习“概率论”要注意以下几个要点1. 在学习“概率论”的过程中要抓住对概念的引入和背景的理解，例如为什么要引进“随机变量”这一概念。这实际上是一个抽象过程。正如小学生最初学数学时总是一个苹果加2个苹果等于3个苹果，然后抽象为1+2=3.对于具体的随机试验中的具体随机事件，可以计算其概率，但这毕竟是局部的，孤立的，能否将不同随机试验的不同样本空间予以统一，并对整个随机试验进行刻画？随机变量X(即从样本空间到实轴的单值实函数)的引进使原先不同随机试验的随机事件的概率都可转化为随机变量落在某一实数集合B的概率，不同的随机试验可由不同的随机变量来刻画。 此外若对一切实数集合B，知道P(X∈B)。 那么随机试验的任一随机事件的概率也就完全确定了。所以我们只须求出随机变量X的分布P(X∈B)。 就对随机试验进行了全面的刻画。它的研究成了概率论的研究中心课题。故而随机变量的引入是概率论发展历史中的一个重要里程碑。类似地，概率公理化定义的引进，分布函数、离散型和连续型随机变量的分类，随机变量的数学特征等概念的引进都有明确的背景，在学习中要深入理解体会。�2. 在学习“概率论”过程中对于引入概念的内涵和相互间的联系和差异要仔细推敲，例如随机变量概念的内涵有哪些意义：它是一个从样本空间到实轴的单值实函数X(w)，但它不同于一般的函数，首先它的定义域是样本空间，不同随机试验有不同的样本空间。而它的取值是不确定的，随着试验结果的不同可取不同值，但是它取某一区间的概率又能根据随机试验予以确定的，而我们关心的通常只是它的取值范围，即对于实轴上任一B，计算概率P(X∈B)，即随机变量X的分布。只有理解了随机变量的内涵，下面的概念如分布函数等等才能真正理解。又如随机事件的互不相容和相互独立两个概念通常会混淆，前者是事件的运算性质，后者是事件的概率性质，但它们又有一定联系，如果P(A)。P(B)＞0，则A，B独立则一定相容。类似地，如随机变量的独立和不相关等概念的联系与差异一定要真正搞懂。�3. 搞懂了概率论中的各个概念，一般具体的计算都是不难的，如F(x)=P(X≤x)，EX，DX等按定义都易求得。计算中的难点有古典概型和几何概型的概率计算，二维随机变量的边缘分布f(x)(x)=∫-∞∞ f(x，y)dy，事件B的概率P((X，Y)∈B)=∫∫Bf(x，y)dxdy，卷积公式等的计算，它们形式上很简单，但是由于f(x，y)通常是分段函数，真正的积分限并不再是(-∞，∞)或B，这时如何正确确定事实上的积分限就成了正确解题的关键，要切实掌握。�4. 概率论中也有许多习题，在解题过程中不要为解题而解题，而应理解题目所涉及的概念及解题的目的，至于具体计算中的某些技巧基本上在高等数学中都已学过。因此概率论学习的关键不在于做许多习题，而要把精力放在理解不同题型涉及的概念及解题的思路上去。这样往往能“事半功倍”。二、 学习“数理统计”要注意以下几个要点�1. 由于数理统计是一门实用性极强的学科，在学习中要紧扣它的实际背景，理解统计方法的直观含义。了解数理统计能解决那些实际问题。对如何处理抽样数据，并根据处理的结果作出合理的统计推断，该结论的可靠性有多少要有一个总体的思维框架，这样，学起来就不会枯燥而且容易记忆。例如估计未知分布的数学期望，就要考虑到① 如何寻求合适的估计量的途径，②如何比较多个估计量的优劣？这样，针对①按不同的统计思想可推出矩估计和极大似然估计，而针对②又可分为无偏估计、有效估计、相合估计，因为不同的估计名称有着不同的含义，一个具体估计量可以满足上面的每一个，也可能不满足。掌握了寻求估计的统计思想，具体寻求估计的步骤往往是“套路子”的，并不困难，然而如果没有从根本上理解，仅死背套路子往往会出现各种错误。�2. 许多同学在学习数理统计过程中往往抱怨公式太多，置信区间，假设检验表格多而且记不住。事实上概括起来只有八个公式需要记忆，而且它们之间有着紧密联系，并不难记，而区间估计和假设检验中只是这八个公式的不同运用而已，关键在于理解区间估计和假设检验的统计意义，在理解基础上灵活运用这八个公式，完全没有必要死记硬背。 更多信息请访问：新浪自考频道 自考论坛 自考博客圈特别说明：由于各方面情况的不断调整与变化，新浪网所提供的所有考试信息仅供参考，敬请考生以权威部门公布的正式信息为准。
概率论与数理统计之随机变量的独立性问题方法总结解题方法总结解题方法总结2019年12月31日随机变量的独立性：如果对任意x,y都有P{X<=x,Y<=y}=P{X<=x}P{Y<=y}，即F(x,y)=Fx(x)Fy(y)，则称随机变量X与Y相互独立。随机变量相互独立充要条件：（1）离散型随机变量X和Y相互独立的充要条件：概率论与数理统计之随机变量的独立性问题方法总结离散型随机变量相互独立的充要条件（2）连续型随机变量X和Y相互独立的充要条件：概率论与数理统计之随机变量的独立性问题方法总结连续型随机变量相互独立的充要条件题型一：离散型随机变量相互独立的判定例1：概率论与数理统计之随机变量的独立性问题方法总结解题思路：本题先求出联合分布，在判断独立性时，若联合分布有零元，但边缘分布不全为零，则随机变量不独立。解：由题意得：概率论与数理统计之随机变量的独立性问题方法总结题型二：连续性随机变量独立性得判定例2：概率论与数理统计之随机变量的独立性问题方法总结解题思路：先求出边缘密度函数，再利用f(X,Y)是否等于边缘密度函数的乘积。解：由题意得：
对概率论与数理统计的认识如下：
1.这门科学的知识能够真正帮你有效理解这个真实的世界。
2.很多人觉得概率统计是数学知识，实际上它反映的恰恰是真实的生活。
3.事实上，这是大学基础课程，只不过，绝大多数人没有从觉悟上理解统计概率基础知识有多么重要，于是，这一辈子就好像别人是带着完善的装备下海潜水，你却赤身裸体就直接跳了进去一样，看起来也不是不行，可就是处处吃亏。
4.你甚至不需要成为这方面的专家，只要你有一些基本的概率常识，就会发现自己其实在很多方面都没必要冒险。因为这在有概率知识的人面前，简直是侮辱智商的举动。
5、在“大数据”信息化时代，我们需要与时俱进。
前人的总结，总能给我们一些启示，在没有接触概率之前，总是从主观上去判断一件事情，但有概率这个概念之后，往往从概率的分析方法，来认识一件事，做出客观合理的决断。这其实是很重要的，这种方法，更接近于事实的判断规律。
从概率的思想来说，思考下人生，当我们自身的样本空间不够大时，事件发生的随机性也很大，当我们建立起足够大的样本空间（时空），那么人生就会确定下来。“人生无解，多喝拿铁”只能说是一句非常错误的广告语，人生不可能无解，就看你去把握了。
概率论与数理统计是考研数学重要组成部分。概率论与数理统计非常强调对基本概念、定理、公式的深入理解。重要基本知识要点如下： 一、考点分析 1.随机事件和概率，包括样本空间与随机事件；概率的定义与性质（含古典概型、几何概型、加法公式）；条件概率与概率的乘法公式；事件之间的关系与运算（含事件的独立性）；全概公式与贝叶斯公式；伯努利概型。 2.随机变量及其概率分布，包括随机变量的概念及分类；离散型随机变量概率分布及其性质；连续型随机变量概率密度及其性质；随机变量分布函数及其性质；常见分布；随机变量函数的分布。 3.二维随机变量及其概率分布，包括多维随机变量的概念及分类；二维离散型随机变量联合概率分布及其性质；二维连续型随机变量联合概率密度及其性质；二维随机变量联合分布函数及其性质；二维随机变量的边缘分布和条件分布；随机变量的独立性；两个随机变量的简单函数的分布。 4.随机变量的数字特征，随机变量的数字期望的概念与性质；随机变量的方差的概念与性质；常见分布的数字期望与方差；随机变量矩、协方差和相关系数。 5.大数定律和中心极限定理，以及切比雪夫不等式。 6.数理统计基本概念，包括总体与样本；样本函数与统计量；样本分布函数和样本矩。 7.参数估计，包括点估计；估计量的优良性；区间估计。 8.假设检验，包括假设检验的基本概念；单正态总体和双正态总体的均值和方差的假设检验。 二、解题思路 1.如果要求的是若干事件中“至少”有一个发生的概率，则马上联想到概率加法公式；当事件组相互独立时，用对立事件的概率公式。 2.若给出的试验可分解成（0－1）的n重独立重复试验，则马上联想到Bernoulli试验，及其概率计算公式。 3.若某事件是伴随着一个完备事件组的发生而发生，则马上联想到该事件的发生概率是用全概率公式计算。关键：寻找完备事件组。 4.若题设中给出随机变量X~N则马上联想到标准化~N（0，1）来处理有关问题。 5.求二维随机变量（X，Y）的边缘分布密度的问题，应该马上联想到先画出使联合分布密度的区域，然后定出X的变化区间，再在该区间内画一条//y轴的直线，先与区域边界相交的为y的下限，后者为上限，而的求法类似。 6.欲求二维随机变量（X，Y）满足条件Y≥g（X）或（Y≤g（X））的概率，应该马上联想到二重积分的计算，其积分域D是由联合密度的平面区域及满足Y≥g（X）或（Y≤g（X））的区域的公共部分。 7.涉及n次试验某事件发生的次数X的数字特征的问题，马上要联想到对X作（0－1）分解。即令 8.凡求解各概率分布已知的若干个独立随机变量组成的系统满足某种关系的概率（或已知概率求随机变量个数）的问题，马上联想到用中心极限定理处理。
1.1.1 随机现象:
概率论与数理统计的研究的对象就是随机现象，随机现象就是在一定的条件下不总是出现相同的结果的现象，也就是不能肯定的确定结果的现象就统称为随机现象。现实生活中有很多的随机现象比如同一学校统一专业的学生考上研究生的现象就是随机现象，你不能说哪一个学生肯定能够考上某所学校但是你能根据这所学校往年的数据估算出这所学校的考研率，在一定程度上也就能够大致估算出这所学校某某同学考上研究生的可能性有多大，当然一个学生能不能考上研究生与这所学校的考研率并没有必然的联系因为是随机的具有不确定性，但有一定的相关程度在里面。整个概率论研究的就是随机现象的模型(概率分布)，而概率分布则是能够用来描叙某随机现象特征的工具。有阴就有阳，有了随机事件自然与之对应的就是确定性现象(如太阳每天东升西落)
1.1.2 样本空间：
随机现象一切可能 基本结果 所构成的集合则称为样本空间，其集合内的元素又称为样本点，当样本点的个数为可列个或者有限个的时候就叫做离散型样本空间，当样本点的个数为无限个或者不可列个的时候就叫做连续型样本空间。( 可列个的意思是可以按照一定的次序一一列举出来，比如某一天内到达某一个商场内的人数都是整数1，2，3。。。。，这叫可列个，不可列个的意思比如电视机的寿命，有100.1小时的有100.01小时的有100.0001小时的，你永远不能按照次序列举出比一百小的下一个元素到底是哪一个，这就叫不可列)。
1.1.3 随机事件：
随机现象某些样本点组成的集合叫做用一个 随机事件 ，也就是说随机事件是样本空间的一个子集，而样本空间中单个元素所组成的集合就叫做 基本事件 ，样本空间自身也是一个事件叫做 必然事件 ，样本空间的最小子集也即空集就叫做 不可能事件
1.1.4 随机变量：
用来表示随机现象结果的变量称为 随机变量 ，随机变量的取值就表示随机事件的结果，实际上随机事件的结果往往与一个随机变量的取值可以一一对应
1.1.5 随机事件之间的运算与关系：
由于我们将随机事件定义成一个集合事件间的运算也可看作是集合间的运算，集合间的诸运算如交集、并集、补集、差集等运算随机事件之间也有，而且运算规则一致。集合间的包含、相等、互不相容、对立，事件之间也有，随机事件间的运算性质满足交换律、结合律、分配率、德摩根定律。
1.1.6 事件域：
事件域为样本空间的某些子集所组成的集合类而且满足三个条件，事件域中元素的个数就是样本空间子集的个数，比如一个有N个样本点的样本空间那么他的事件域就有 个元素，定义事件域主要是为了定义事件概率做准备。
概率论中最基本的一个问题就是如何去确定一个随机事件的概率，随机事件的结果虽然具有不确定性，但是他发生的结果具有一定的规律性(也即随机事件发生可能性的大小)，而用来描叙这种规律性的工具就是概率，但是我们怎么样来给概率下一个定义嘞？如何度量描叙事件发生可能性的大小嘞？这是一个问题。
在概率论的发展史上针对不同的随机事件有过各种各样的概率定义，但是那些定只适用于某一类的随机事件，那么如何给出适合一切随机现象概率的最一般的定义嘞？1900年数学家希尔伯特提出要建立概率的公理化定义，也就是建立一个放之四海而皆准的满足一切随机事件的概率的定义，用概率本质性的东西去刻画概率.1933年前苏联数学家柯尔莫哥洛夫首次提出了概率的公理化定义，这个定义既概括了历史上几种概率的定义中的共同特性，又避免了各自的含混不清之处，不管什么随机现象只有满足该定义中的三条公理，才能说明他是概率，该定义发表之后得到了几乎所有数学家的一致认可。(说点题外话，如果某位数学工作者提出了某个重大的发现，首先需要写论文获得学术圈内的人士一致认同他的这个发现才能够有可能被作为公理写进教科书，之所以被称作公理就因为它既是放之四海而皆准的准则也是公认的真理)。
1.2.1 概率的三条公理化定义：
每一个随机事件其背后必定伴随着有她的样本空间(就像有些成功的男人背后都有一位贤内助)，每一个随机事件都属于样本空间的事件域，样本空间的选取不同对同一个随机事件而言其概率通常也会不同。
如果概率满足以上三条公理则称有样本空间、事件域、概率所组成的空间为概率空间，满足以上三条公理的概率才能称之为概率。
概率的公理化定义并没有给出计算概率的方法因此知道了什么是概率之后如何去确定概率就又成了一个问题。
1.2.2 确定概率的频率方法：
确定概率的频率方法应用场景是在能够大量重复的随机实验中进行，用频率的稳定值去获得概率的估算值的方法思想如下：
为什么会想到用频率去估算概率嘞？因为人们的长期实践表明随着试验次数的增加，频率会稳定在某一个常数附近，我们称这个常数为频率的稳定值，后来的伯努力的大数定律证明了其稳定值就是随机事件发生的概率，可以证明频率一样满足概率的三条公理化定义由此可见频率就是“伪概率”。
1.2.4 确定概率的古典方法：
古典问题是历史上最早的研究概率论的问题，包括帕斯卡研究的骰子问题就是古典问题，他简单直观不需要做大量的试验我们就可以在经验事实的基础上感性且理性的分析清楚。
古典方法确定概率的思想如下：
很显然上叙古典概率满足概率的三条公理化定义，古典概型是最古老的确定概率的常用方法，求古典概率归结为求样本空间样本点的总数和事件样本点的个数，所以在计算中常用到排列组合的工具。
1.2.5 确定概率的几何方法：
基本思想：
1.2.6 确定概率的主观方法：
在现实世界中一些随机现象是无法进行随机试验的或者进行随机试验的成本大到得不偿失的地步，这时候的概率如何确定嘞？
统计学界的贝叶斯学派认为：一个事件的概率是人们根据经验对该事件发生可能性的个人信念，这样给出的概率就叫做主观概率，比如我说我考上研究生的概率是百分之百(这当然有吹牛的成分在里面，但是里面有也包含了自信和自己对自己学习情况的了解以及自己对所报考院校的了解)，比如说某企业家说根据它多年的经验和当时的一些市场信息认为某项新产品在市场上畅销的可能性是百分之80(这种话如果是熟人在私下里跟你说你还可以相信但是也要小心，如果是陌生人当着很多人的面说的你会相信吗？傻X才相信对不对？这么畅销你自己为什么不去做还把蛋糕分给老子？)。主观概率就是人们根据实际情况对某件事情发生的可能性作出的估计，但是这种估计的好坏是有待验证的。
这个理解了都不用特意去记要用的时候信手捏来，我是个很勤快的人其他公式都懒得记懒得写了。。。。下面只分析条件概率、全概率公式、贝叶斯公式：
1.3.1 条件概率：
所谓条件概率就是在事件A发生的情况下B发生的概率，即A B为样本空间 中两两事件若P(B)>0则称：
为在B发生的前提下A发生的条件概率，简称条件概率。
这个公式不难理解，实际上上面公式 也就是说“ 在B发生的条件下A发生的概率等于事件A与事件B共有的样本点的个数比上B的样本点的个数”，而且可以验证此条件概率满足概率的三条公理化定义。
1.3.2 乘法公式：
1.3.3 全概率公式：
设 为样本空间 的一个分割，即 互不相容，且 ,如果 则对任一事件A有：
这个公式也是很好理解的因为诸 互不相容而且其和事件为样本空间，故A事件中的样本点的个数等于A与诸 中共有样本点的和。
1.3.4 贝叶斯公式：
贝叶斯公式是在全概率公式和乘法公式的基础上推得的。
设若 为样本空间的一个分割，即 互不相容，且 如果 则：
公式的证明是根据条件概率来的，然后在把分子分母分别用乘法公式和全概率公式代替即可，公式中的 一般为已知概率称之为 先验概率 公式中 则称之为 后验概率 ，全概率公式和乘法公式为由原因推结果，而贝叶斯公式则为由结果推原因。
1.3.5 事件独立性：
上面我们介绍了条件概率这个概念，在条件A下条件B发生的概率为 ,如果B的发生不受A的影响嘞？直觉上来讲这就将意味着
故引入如下定义对任意两个事件A,B若 则称事件A与事件B相互独立
除了两个随机事件相互独立满足的定义当然也会有多个随机事件独立满足的定义，对N随机事件相互独立则要求对事件中的任意 个随机事件都相互独立.
1.3.6 伯努利概型：
定义：如果实验E只有两种可能的结果： ,然后把这个试验重复n次就构成了n重伯努利试验或称之为伯努利概型.显然每次伯努利试验事件结果之间是相互独立互不影响的，则伯努利试验显然是服从二项分布的，之后再介绍二项分布。
1.4.1 离散型随机变量：
之前说过用来表示随机现象结果的变量称之为随机变量，如抛掷一枚骰子随机变量的取值可以为1,2,3….显然此时随便试验的结果与随机变量的取值是一一对应的，于是我们将研究随机试验结果的统计规律转化为研究随机变量取值的统计规律，这种对应关系是人为的建立起来的同时也是合理的，只取有限个或者可列个值时候的随机变量则称之为离散型随机变量。
1.4.2 随机变量的分布列：
将随机变量的取值与其对应取值的可能性大小即概率列成一张表就称之为分布列，分布列使得随机变量的统计规律一目了然也方便计算其特征数方差和均值。分布列满足如下两个性质：
满足以上两个性质的列表则称之为分布列
1.4.3 分布函数：
设若X为一个随机变量，对任意的实数x，称 为随机变量X的分布函数记为 .
分布函数满足以下三个性质：
以上上个性质是一个函数能否成为分布函数的充要条件。
1.4.4 数学期望和方差：
先来看一个例子，某手表厂在出产的产品中抽查了N=100只手表的日走时误差其数据如下：
这时候这100只手表的平均日走时误差为： 其中 是日走时误差的频率记做 则
平均值 即平均值为频数乘以频率的和，由于在 时频率稳定于概率，于是在理论上来讲频率应该用概率来代替，这时我们把频率用概率来代替之后求出的平均值称之为数学期望(实际上由后面的大数定律可得平均值也稳定于数学期望),数学期望在一定程度上反映了随机变量X结果的平均程度即整体的大小，我们记为 。
定义：设X是一个随机变量X的均值 存在 如果 也存在则称之为随机变量X的方差记为 .
显然方差也是一个均值那么他是什么的均值嘞？ 表示随机变量的均值离差， 由随机变量平均值的离差和等于零我们可以推的随机变量均值的离差和也等于零故均值离差和的均值 也等于零，但是我们希望用离差来刻画不同分布间的差别如果用均值离差和的均值那么任何分布都为零，于是我们将离差加上一个平方变成 这样避免了离差和为零。那么方差这个表示分布特征的数又有什么重要意义嘞？很多人看似学完了概率统计，但是居然连方差的意义都没有搞清楚，实际上方差是用来刻画数据间的差异的，而刻画数据间的差异无论是在空间上的向量还是在平面上的点，用距离来刻画他们之间的差异是再好不过的。在物理学上要想正确合理的比较两动体的速度加速度我们就需要选取合适的参考系来进行对比，同样在比较数据间的差异的时候我们也往往用均值来做他们的参考(实际上其他的值也可以用来进行比较，但是那可能造成方差过大的现象)，与均值的距离越大说明他们的差异也越大，而距离又有正负之分因此为了区别正负我们也需要把与均值的距离加上一个平方，这也就是方差概念的来源。我们通常用方差来描叙一组数据间的差异，方差越小数据越集中，越大数据越分散，同时在金融上面也用来评估风险比如股价的波动性，我们当然希望股价的波动越是平稳即方差越小、收益越稳定越好。
因为均值和方差描叙了随机变量及其分布的某些特征因此就将其称之为特征数.
1.4.5 连续型随机变量的密度函数：
连续型随机变量的取值可能充满某一个区间为不可列个取值，因此描叙连续型随机变量的概率分布不能再用分布列的行时呈现出来，而要借助其他的工具即概率密度函数。
概率密度函数的由来：比如某工厂测量一加工元件的长度，我们把测量的元件按照长度堆放起来，横轴为元件的单位长度，纵轴为元件单位长度上的频数，当原件数量很多的时候就会形成一定的图形，为了使得这个图形稳定下来我们将纵坐标修改为单位长度上的频率，当元件数量不断增多的时候由于频率会逐步稳定于概率，当单位长度越小，原件数量越多的时候，这个图形就越稳定，当单位长度趋向于零的时候，图形就呈现出一条光滑的曲线这时候纵坐标就由“单位长度上的概率”变为“一点上的概率密度”，此时形成的光滑曲线的函数 就叫做概率密度函数，他表现出x在一些地方取值的可能性较大，一些地方取值的可能性较小的一种统计规律，概率密度函数的形状多种多样，这正是反映了不同的连续随机变量取值统计规律上的差别。
概率密度函数 虽然不是密度但是将其乘上一个小的微元 就可得小区间 上概率的近似值，即
微分元的累计就能够得到区间 上的概率,这个累计不是别的就是 在区间 上的积分 = .
由此可得x的分布函数 ,对于连续型随机变量其密度函数的积分为分布函数，分布函数求导即为密度函数
密度函数的基本性质：
1.4.6 连续型随机变量的期望和方差：
设若随机变量X的密度函数为 .
数学期望：
方差：
1.4.7 切比雪夫不等式(Chebyshev,1821-1894):
设随机变量X的数学期望和方差都存在，则对任意常数 有：
.
之所以有这个公式是因为人们觉得事件{ }发生的概率应该与方差存在一定的联系，这个是可以理解的，方差越大在某种程度上说明 X的取值偏离 越厉害即说明偏离值大于某个常数a的取值越多因此取值大于某个值的概率也越大，上面公式说明大偏差发生概率的上界与方差有关，方差越大上界也越大。
1.4.8 常用离散型分布：
1.4.9 常用的连续型分布：
无非就是对函数求导和积分。已知分布函数，求概率密度是求导。已知概率密度，求分布函数是积分。
概率论与数理统计 一、随机事件和概率 考试内容： 随机事件与样本空间 事件的关系与运算 完备事件组 概率的概念 概率的基本性质 古典型概率 几何型概率 条件概率 概率的基本公式 事件的独立性 独立重复试验。 考试要求： 1、了解样本空间(基本事件空间)的概念，理解随机事件的概念，掌握事件的关系与运算。 2、理解概率、条件概率的概念，掌握概率的基本性质，会计算古典型概率和几何型概率，掌握概率的加法公式、减法公式、乘法公式、全概率公式，以及贝叶斯(Bayes)公式。 3、理解事件的独立性的概念，掌握用事件独立性进行概率计算；理解独立重复试验的概念，掌握计算有关事件概率的方法。。 二、随机变量及其分布 考试内容： 随机变量 随机变量的分布函数的概念及其性质 离散型随机变量的概率分布 连续型随机变量的概率密度 常见随机变量的分布 随机变量函数的分布 考试要求： 1、理解随机变量的概念。理解分布函数的概念及性质。会计算与随机变量相联系的事件的概率。 2、理解离散型随机变量及其概率分布的概念，掌握0-1分布、二项分布、几何分布、超几何分布、泊松(Poisson)分布 及其应用。 3、了解泊松定理的结论和应用条件，会用泊松分布近似表示二项分布。 4、理解连续型随机变量及其概率密度的概念，掌握均匀分布、正态分布、指数分布及其应用。 5、会求随机变量函数的分布。 三、多维随机变量及其分布 考试内容： 多维随机变量及其分布二维离散型随机变量的概率分布、边缘分布和条件分布二维连续性随机变量的概率密度、边缘概率密度和条件密度 随机变量的独立性和不相关性常用二维随机变量的分布两个及两个以上随机变量简单函数的分布 考试要求： 1、理解多维随机变量的概念，理解多维随机变量的分布的概念和性质。 理解二维离散型随机变量的概率分布、边缘分布和条件分布；理解二维连续型随机变量的概率密度、边缘密度和条件密度。会求与二维随机变量相关事件的概率。 2、理解随机变量的独立性及不相关性的概念，掌握随机变量相互独立的条件。 3、掌握二维均匀分布，了解二维正态分布 的概率密度，理解其中参数的概率意义。 4、会求两个随机变量简单函数的分布，会求多个相互独立随机变量简单函数的分布。 解析： 2008年数一大纲对随机变量的定义进行了一些说法上的修订： 1、这部分定义上的更正，完全是对原先大纲语言表述上的完善，没有增加任何的新的要求和知识点，反而从另一个角度讲，这种规范有利于我们在做题以及理解上的惯性，使我们较快较准地识别各种随机变量的特征，比如一看到马上反映到以为参数的泊松分布，不容易产生混淆。所以我们在解题时也能继承随机变量的这种表示风格，不要随便自我创造，增加混淆度。 四、随机变量的数字特征 考试内客： 随机变量的数学期望(均值)、方差和标准差及其性质随机变量函数的数学期望矩、协方差相关系数及其性质 考试要求： 1、理解随机变量数字特征(数学期望、方差、标准差、矩、协方差、相关系数)的概念，会运用数字特征的基本性质，并掌握常用分布的数字特征 2、会求随机变量函数的数学期望。 五、大数定律和中心极限定理 考试内容： 切比雪夫(Chebyshev)不等式切比雪夫大数定律伯努利(Bernoulli)大数定律辛钦(Khinchine)大数定律棣莫弗-拉普拉斯(De Moivre-laplace)定理 列维-林德伯格(Levy-Lindberg)定理 考试要求： 1、了解切比雪夫不等式。 2、了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律(独立同分布随机变量序列的大数定律) 3、了解棣莫弗-拉普拉斯定理(二项分布以正态分布为极限分布)和列维-林德伯格定理(独立同分布随机变量序列的中心极限定理) 六、数理统计的基本概念 考试内容 总体 个体 简单随机样本 统计量 经验分布函数 样本均值 样本方差和样本矩 分布 分布 分布 分位数 正态总体的常用抽样分布 考试要求 1、理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念。 2、了解产生分布 变量、变量和变量的典型模式；理解标准正态分布、 分布、分布和分布的 分位数，会查相应的数值表。 解析：2008年数一大纲对分位数的计算要求进行了一些修订： 1、这部分更正，没有增加任何的新的要求和知识点，反而降低了要求，因为对于分位数有上侧分位数，还有下侧分位数，这种限制明确了我们的复习范围和要求，不容易产生混淆，我们只需要掌握解题方法，针对提到的几种分布会熟练计算其上侧分位数，保证计算准确度即可。 3、掌握正态总体的抽样分布：样本均值、样本方差、样本矩、样本均值差、样本方差比的抽样分布。 4、理解经验分布函数的概念和性质，会根据样本值求经验分布函数。 七、参数估计 考试内容 点估计的概念 估计量与估计值 矩估计法 似然估计法 估计量的评选标准 区间估计的概念 单个正态总体均值的区间估计 单个正态总体的方差和标准差的区间估计 两个正态总体的均值差和方差比的区间估计 考试要求 1、理解参数的点估计、估计量与估计值的概念；了解估计量的无偏性、有效性(最小方差性)和一致性(相合性)的概念，并会验证估计量的无偏性。 2、掌握矩估计法(一阶、二阶矩)和似然估计法。 3、掌握建立未知参数的(双侧和单侧)置信区间的一般方法；掌握正态总体均值、方差、标准差、矩以及与其相联系的数字特征的置信区间的求法。 4、掌握两个正态总体的均值差和方差比及相关数字特征的置信区间的求法。 八、假设检验 考试内容 显著性检验 假设检验的两类错误 单个及两个正态总体的均值和方差的假设检验 考试要求 1、理解“假设”的概念和基本类型；理解显著性检验的基本思想，掌握假设检验的基本步骤；会构造简单假设的显著性检验。 2、理解假设检验可能产生的两类错误，对于较简单的情形，会计算两类错误的概率。 3、掌握单个及两个正态总体的均值和方差的假设检验。
概率论与数理统计是考研数学重要组成部分.概率论与数理统计非常强调对基本概念、定理、公式的深入理解.重要基本知识要点如下：\x0d一、考点分析\x0d1.随机事件和概率,包括样本空间与随机事件；概率的定义与性质（含...
研究自然界中随机现象统计规律的数学方法,叫做概率统计,又称数理统计方法.数理统计是数学系各专业的一门重要课程.随着研究随机现象规律性的科学—概率论的发展,应用概率论的结果更深入地分析研究统计资料,通过对某些现象的频率的观察来发现该现象的内在规律性,并作出一定精确程度的判断和预测；将这些研究的某些结果加以归纳整理,逐步形成一定的数学概型,这些组成了数理统计的内容.概率论中定理 设实验E的样本空间为S,A为E的事件,B1,B2,...,Bn为S的一个划分,且P(Bi)>0(i=1,2,...,n),则 P(A)=P(A|B1)*P(B1) + P(A|B2)*P(B2) + ...+ P(A|Bn)*P(Bn).上式称为全概率公式
概率论与数理统计是考研数学重要组成部分。概率论与数理统计非常强调对基本概念、定理、公式的深入理解。重要基本知识要点如下： 一、考点分析 1.随机事件和概率，包括样本空间与随机事件；概率的定义与性质（含古典概型、几何概型、加法公式）；条件概率与概率的乘法公式；事件之间的关系与运算（含事件的独立性）；全概公式与贝叶斯公式；伯努利概型。 2.随机变量及其概率分布，包括随机变量的概念及分类；离散型随机变量概率分布及其性质；连续型随机变量概率密度及其性质；随机变量分布函数及其性质；常见分布；随机变量函数的分布。 3.二维随机变量及其概率分布，包括多维随机变量的概念及分类；二维离散型随机变量联合概率分布及其性质；二维连续型随机变量联合概率密度及其性质；二维随机变量联合分布函数及其性质；二维随机变量的边缘分布和条件分布；随机变量的独立性；两个随机变量的简单函数的分布。 4.随机变量的数字特征，随机变量的数字期望的概念与性质；随机变量的方差的概念与性质；常见分布的数字期望与方差；随机变量矩、协方差和相关系数。 5.大数定律和中心极限定理，以及切比雪夫不等式。 6.数理统计基本概念，包括总体与样本；样本函数与统计量；样本分布函数和样本矩。 7.参数估计，包括点估计；估计量的优良性；区间估计。 8.假设检验，包括假设检验的基本概念；单正态总体和双正态总体的均值和方差的假设检验。 二、解题思路 1.如果要求的是若干事件中“至少”有一个发生的概率，则马上联想到概率加法公式；当事件组相互独立时，用对立事件的概率公式。 2.若给出的试验可分解成（0－1）的n重独立重复试验，则马上联想到Bernoulli试验，及其概率计算公式。 3.若某事件是伴随着一个完备事件组的发生而发生，则马上联想到该事件的发生概率是用全概率公式计算。关键：寻找完备事件组。 4.若题设中给出随机变量X~N则马上联想到标准化~N（0，1）来处理有关问题。 5.求二维随机变量（X，Y）的边缘分布密度的问题，应该马上联想到先画出使联合分布密度的区域，然后定出X的变化区间，再在该区间内画一条//y轴的直线，先与区域边界相交的为y的下限，后者为上限，而的求法类似。 6.欲求二维随机变量（X，Y）满足条件Y≥g（X）或（Y≤g（X））的概率，应该马上联想到二重积分的计算，其积分域D是由联合密度的平面区域及满足Y≥g（X）或（Y≤g（X））的区域的公共部分。 7.涉及n次试验某事件发生的次数X的数字特征的问题，马上要联想到对X作（0－1）分解。即令 8.凡求解各概率分布已知的若干个独立随机变量组成的系统满足某种关系的概率（或已知概率求随机变量个数）的问题，马上联想到用中心极限定理处理。
概率论与数理统计复习提纲一，事件的运算 如果A，B，C为三事件，则A+B+C为至少一次发生, ABC为同时发生,AB+BC+AC为至少两次发生, 为恰有两次发生.为恰有一次发生, 等等, 要善于将语言翻译成事件运算公式以及将公式翻译成语言..如果A,B为对立事件, 则 , 因此 ,二, 加法法则如A与B互不相容, 则P(A+B)=P(A)+P(B)而对于任给的A与B有P(A+B)=P(A)+P(B)-P(AB) (1)因此, P(A+B),P(A),P(B),P(AB)这四个概率只要知道三个,剩下一个就能够求出来.因 将B分解为AB与 两个互不相容事件,则 (2)将这两个式子分别代入到(1)式, 可以得因此P(A+B),P(A)及 这三个概率只要知道两个, 剩下那个就能求出来, 同样, P(A+B),P(B)及 只要知道两个,剩下那个就能求出来.例如, 在已知P(A+B),A与B只有一件发生的概率为由(2)式可知因此A与B只有一件发生的概率为三, 全概率公式和贝叶斯公式 设A1,A2,…,构成完备事件组, 则任给事件B有 (全概率公式),及 (贝叶斯公式) 其中, 最常用的完备事件组, 就是一个事件A与它的逆 , 即任给事件A,B有通常是将试验想象为分为两步做, 第一步的结果将导致A或者 之一发生, 而这将影响到第二步的结果的事件B是否发生的概率. 如果是已知第一步的各事件概率及第一步各事件发生条件下第二步事件B发生的概率, 并要求B发生的概率, 就用全概率公式. 而如果是要求在第二步事件B已经发生条件下第一步各事件的概率, 就用贝叶斯公式.四, 随机变量及分布 1. 离散型随机变量 一元: P(ξ=xk)=pk (k=1,2,…),二元: P{ξ=xk, η=yj)=pij (i,j=1,2,…)边缘分布与联合分布的关系:要注意二元随机变量的函数的计算中, 要合并计算后的值有重合的情况.2. 连续型随机变量, , 性质:分布函数为 , 且有如ξ~φ(x), η=f(ξ), 则求η的概率密度函数的办法, 是先求η的分布函数Fη(x),,然后对Fη(x)求导即得η的概率密度函数.五, 随机变量的数字特征 数学期望: 离散型: 连续型: 方差: 离散型: 先计算 , 则 连续型: 先计算 则六, 几种常用的分布 二项分布 ξ~B(n,p)是指 . 它描述了贝努里独立试验概型中, 事件A发生k次的概率. 试验可以同时进行, 也可以依次进行. 均匀分布 ξ服从[a,b]上的均匀分布, 是指 如ξ服从[0,1]上的均匀分布, η=kξ+c, 则η服从[c, k+c]上的均匀分布.七, 无偏估计 对参数 的估计 是无偏估计, 是指 , 一般来讲, 是Eξ的无偏估计, 而S2是Dξ的无偏估计. 但是, 在 是 的无偏估计时, 不能肯定f( )是f( )的无偏估计, 须另作分析.八, 最大似然估计 对于n个样本值x1,x2,…,xn 如总体ξ为连续型随机变量, ξ~φ(x;θ), 则似然函数而如总体ξ为离散型随机变量, P(ξ=xi)=p(xi;θ), 则似然函数 则解似然方程 解得θ的最大似然估计值九, 区间估计 在正态总体下, 即总体ξ~N(μ,σ2)时,如果σ2为已知, 则 , 则在给定检验水平α时, 查正态分布表求uα使 , 则置信度为1-α的置信区间为如果σ2为未知, 则 , 其中S为样本方差的开平方(或者说测得的标准差. 查t-分布表求tα使 , 则置信度为1-α的置信区间为 .十, 假设检验 在正态总体下，即总体ξ~N(μ,σ2)时, 在σ2为已知条件下, 检验假设H0: μ=μ0, 选取统计量 , 则在H0成立的条件下U~N(0,1), 对于给定的检验水平α, 查正态分布表确定临界值uα, 使 , 根据样本观察值计算统计量U的值u与uα比较, 如|u|>uα则否定H0, 否则接收H0. 如σ2为未知, 则选取统计量 , 在H0假设成立时T~t(n-1), 对于给定的检验水平α和样本容量n, 查t-分布表确定临界值tα使P(|T|>tα)=α, 根据样本观察值计算统计量T的值t与tα比较, 如|t|>tα则否定H0, 否则接收H0. 如果是大样本情况下，t-分布接近标准正态分布，因此又可以查正态分布表。这时，认为样式本方差可以作为精确的方差使用。需要重点练习的习题和例题：p5: 例2. p6: 例3. p226: 1,2. p27: 20. p59: 36,37. p99: 1. p28: 27,28,30. p56: 16,19. p57: 22,23. p59: 33,34. p76: 14,15. p164: 2,4. p165: 8,11. p184: 1,2. p235: 58,60.