第一部分：基础概念与基本公式
1. 概率论基础
概率论是数学的一个分支，主要研究随机现象及其规律性。以下是几个基本概念：
- 随机试验：指进行一次试验，结果不可预知，且至少有两个可能结果。
- 样本空间：指所有可能结果的集合，记作 \(\Omega\)。
- 事件：样本空间 \(\Omega\) 的子集。
- 概率：事件发生的可能性大小，用 \(P(A)\) 表示，其中 \(A\) 是事件。
例题1： 抛掷一枚公平的硬币，求正面朝上的概率。
解答： 样本空间 \(\Omega = \{正，反\}\)，事件 \(A\)：正面朝上。由于硬币公平，每个结果出现的概率相等，因此 \(P(A) = \frac{1}{2}\)。
2. 条件概率与独立事件
- 条件概率：在事件 \(B\) 已经发生的条件下，事件 \(A\) 发生的概率，记作 \(P(A|B)\)。
- 独立事件：两个事件 \(A\) 和 \(B\) 同时发生的概率等于它们各自发生的概率的乘积，即 \(P(AB) = P(A)P(B)\)。
例题2： 同时掷两枚公平的骰子，求点数之和为 7 的概率。
解答： 样本空间 \(\Omega\) 由 \(36\) 个基本事件组成。事件 \(A\)：点数之和为 7，包括 \((1,6)\)，\((2,5)\)，\((3,4)\)，\((4,3)\)，\((5,2)\)，\((6,1)\) 共 \(6\) 个基本事件。因此 \(P(A) = \frac{6}{36} = \frac{1}{6}\)。
3. 全概率公式与贝叶斯公式
- 全概率公式：对于具有有限个互斥且完备的事件组 \(\{A_1, A_2, \dots, A_n\}\)，任意事件 \(B\) 发生的概率可以表示为： $\( P(B) = P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + \dots + P(B|A_n)P(A_n) \)$
- 贝叶斯公式：在已知 \(B\) 发生的条件下，根据已知的概率 \(P(A_1), P(A_2), \dots, P(A_n)\) 和条件概率 \(P(B|A_1), P(B|A_2), \dots, P(B|A_n)\) 来求事件 \(A_i\) 发生的概率，即： $\( P(A_i|B) = \frac{P(B|A_i)P(A_i)}{P(B)} \)$
例题3： 设有三个箱子，分别编号为 1、2、3，其中 1 号箱子里有 2 个红球、1 个白球；2 号箱子里有 3 个红球、1 个白球；3 号箱子里有 1 个红球、3 个白球。现在从其中一个箱子中随机取出一球，结果为红球。求取出的红球来自 1 号箱子的概率。
解答： 设事件 \(A_1\)：取出的红球来自 1 号箱子，\(A_2\)：取出的红球来自 2 号箱子，\(A_3\)：取出的红球来自 3 号箱子；事件 \(B\)：取出的球为红球。根据题意，我们有 \(P(A_1) = \frac{1}{3}\)，\(P(A_2) = \frac{1}{3}\)，\(P(A_3) = \frac{1}{3}\)；\(P(B|A_1) = \frac{2}{3}\)，\(P(B|A_2) = \frac{3}{4}\)，\(P(B|A_3) = \frac{1}{4}\)。利用全概率公式计算 \(P(B)\)： $\( P(B) = P(B|A_1)P(A_1) + P(B|A_2)P(A_2) + P(B|A_3)P(A_3) = \frac{1}{3} \times \frac{2}{3} + \frac{1}{3} \times \frac{3}{4} + \frac{1}{3} \times \frac{1}{4} = \frac{7}{12} \)\( 利用贝叶斯公式计算 \)P(A_1|B)\(： \)\( P(A_1|B) = \frac{P(B|A_1)P(A_1)}{P(B)} = \frac{\frac{2}{3} \times \frac{1}{3}}{\frac{7}{12}} = \frac{8}{21} \)$
第二部分：随机变量与分布
1. 随机变量
随机变量是一个函数，它将样本空间的每一个元素映射到实数域。根据随机变量的取值特点，可分为离散型随机变量和连续型随机变量。
例题4： 设 \(X\) 为一枚均匀的硬币抛掷的次数，求 \(X\) 的概率分布。
解答： \(X\) 的取值为 \(0\)，\(1\)，\(2\)，\(\dots\)，因此 \(X\) 为离散型随机变量。其概率分布为： $\( P(X=n) = \begin{cases} \frac{1}{2^n}, & \text{当 } n \geq 0 \\ 0, & \text{其他} \end{cases} \)$
2. 离散型随机变量的分布函数
离散型随机变量的分布函数 \(F(x)\) 表示随机变量 \(X\) 取值小于或等于 \(x\) 的概率，即 \(F(x) = P(X \leq x)\)。
例题5： 设随机变量 \(X\) 服从二项分布，即 \(X \sim B(n, p)\)，求其分布函数 \(F(x)\)。
解答： 根据二项分布的定义，\(F(x) = P(X \leq x) = \sum_{k=0}^{\lfloor x \rfloor} \binom{n}{k} p^k (1-p)^{n-k}\)，其中 \(\lfloor x \rfloor\) 表示不大于 \(x\) 的最大整数。
3. 连续型随机变量的分布函数
连续型随机变量的分布函数 \(F(x)\) 表示随机变量 \(X\) 取值小于或等于 \(x\) 的概率，即 \(F(x) = P(X \leq x)\)。连续型随机变量的概率密度函数 \(f(x)\) 表示在 \(x\) 处的密度。
例题6： 设随机变量 \(X\) 服从均匀分布，即 \(X \sim U(a, b)\)，求其概率密度函数 \(f(x)\)。
解答： \(X\) 的概率密度函数为 \(f(x) = \begin{cases} \frac{1}{b-a}, & \text{当 } a \leq x \leq b \\ 0, & \text{其他} \end{cases}\)。
4. 常见随机变量的分布
以下是几个常见随机变量的分布：
- 二项分布：\(X \sim B(n, p)\)，参数为 \(n\) 和 \(p\)。
- 泊松分布：\(X \sim P(\lambda)\)，参数为 \(\lambda\)。
- 正态分布：\(X \sim N(\mu, \sigma^2)\)，参数为 \(\mu\) 和 \(\sigma^2\)。
- 均匀分布：\(X \sim U(a, b)\)，参数为 \(a\) 和 \(b\)。
例题7： 设随机变量 \(X\) 服从正态分布 \(N(\mu, \sigma^2)\)，求 \(P(X > 2\sigma + \mu)\)。
解答： 利用标准正态分布表，可以得到 \(P(X > 2\sigma + \mu) = P\left(\frac{X - \mu}{\sigma} > \frac{2\sigma + \mu - \mu}{\sigma}\right) = P(Z > 2) \approx 0.0228\)，其中 \(Z\) 为标准正态随机变量。
第三部分：数理统计
1. 总体与样本
在统计学中，研究对象的集合称为总体，从总体中抽取的一部分对象称为样本。
2. 估计与推断
估计与推断是数理统计的两个基本任务：
- 估计：根据样本数据，对总体参数进行估计。
- 推断：根据样本数据，对总体分布进行推断。
例题8： 从某城市抽取 100 名成年人，调查其身高，求该城市成年人平均身高的置信区间（取置信水平为 \(95\%\)）。
解答： 首先，需要求出样本的均值和标准差，然后利用 t 分布求出置信区间。
3. 参数估计方法
以下是几种常见的参数估计方法：
- 矩估计法：利用样本矩估计总体矩。
- 最大似然估计法：利用样本似然函数求出参数的最大似然估计值。
- 区间估计法：根据样本数据，求出总体参数的置信区间。
4. 假设检验
假设检验是数理统计中的另一个基本任务：
- 原假设：\(H_0\)，待检验的假设。
- 备择假设：\(H_1\)，原假设的相反假设。
例题9： 某工厂生产的某产品寿命（单位：小时）服从正态分布，已知标准差为 \(50\)，从该工厂随机抽取 10 个产品进行寿命测试，其样本平均寿命为 \(510\)。假设该工厂生产的产品寿命符合正态分布，进行显著性检验（取显著性水平为 \(0.05\)）。
解答： 假设检验的目的是检验原假设 \(H_0: \mu = 500\) 是否成立。根据样本数据，可以得到样本平均寿命 \(X = 510\)，样本标准差 \(S = 50\)。利用 t 检验可以得到 \(P(T > |t|) = 0.025\)，因此拒绝原假设 \(H_0\)。即，我们有理由认为该工厂生产的产品寿命的平均寿命为 \(510\) 小时。