课程总结
本课程先研究随机事件与概率的基本规律（样本空间、概率定义、条件概率与独立性），再引入随机变量及其数字特征（期望、方差、协方差），随后用大数定律与中心极限定理揭示”大量随机现象背后的确定性”，最后进入数理统计的两大推断方法——参数估计与假设检验。回顾整个课程，主线是：从个别随机事件的概率，到随机变量的整体数字特征，再到”大样本下趋于确定”的极限定理，最终落地为用样本对总体作估计与检验。
一、课程知识体系
| 板块 | 核心内容 | 关键方法 |
|---|---|---|
| 随机事件和概率 | 样本空间与事件、概率的定义、条件概率、事件独立性 | 加法公式、乘法公式、全概率公式、贝叶斯公式 |
| 随机变量及其分布 | 离散型与连续型随机变量、分布律与概率密度、分布函数 | 求分布律、密度函数，积分求概率区间 |
| 数字特征 | 数学期望、方差与标准差、常见分布的期望方差、协方差与相关系数 | 按定义或公式计算；用性质简化（） |
| 大数定律与中心极限定理 | 切比雪夫不等式、大数定律、中心极限定理 | 切比雪夫估计概率上界；独立同分布标准化后近似正态 |
| 参数估计 | 点估计、矩估计法、最大似然估计、区间估计与置信区间 | 矩估计用样本矩替换总体矩；似然函数求导取最大值 |
| 假设检验 | 显著性检验思想、两类错误、单个与两个正态总体的检验 | 提出假设 → 选统计量 → 算临界值 → 下结论 |
二、大数定律与中心极限定理
极限定理是连接”随机现象”与”统计推断”的桥梁，务必记牢条件与结论：
| 定理 | 核心结论 | 使用要点 |
|---|---|---|
| 切比雪夫不等式 | 只需知道期望与方差即可估计事件概率的上界 | |
| 大数定律 | 独立重复试验下，样本均值 依概率收敛于期望 | 频率稳定于概率；为参数估计提供理论依据 |
| 中心极限定理 | 大量独立同分布（方差有限）随机变量之和，标准化后近似服从标准正态 | 不管原分布如何，大样本下和（或均值）近似正态，是统计推断的基石 |
| 期望 | （离散）或 （连续）， | 期望是”加权平均”，线性性可拆可加 |
| 方差 | ， | 度量偏离期望的程度；独立时方差可加 |
| 协方差与相关系数 | ， | ； 称不相关，独立必不相关 |
记忆要点：切比雪夫不等式”用方差给概率划界”；大数定律说”样本均值会稳定到期望”；中心极限定理说”大量独立随机变量之和近似正态”——后者是参数估计与假设检验能使用正态分布的根本原因。
三、做题方法总览
遇到概率论与数理统计问题，可按以下路径选择方法：
- 概率题先画样本空间、判独立性：涉及条件概率就用乘法公式与全概率公式，“由结果反推原因”用贝叶斯公式。
- 求数字特征按定义与性质走：期望、方差先写定义式，再用线性性与独立性简化；协方差先算 再减 。
- 极限定理先认场景：只要题目出现”估计概率上界”用切比雪夫不等式；出现”大量独立同分布、求总和或均值落在某区间的概率”用中心极限定理标准化后查正态表。
- 参数估计分清点估计与区间估计：点估计用矩估计或最大似然估计（似然函数取对数再求导）；区间估计先选枢轴量，再套置信区间公式。
- 假设检验按四步走：提出原假设与备择假设 → 选取合适统计量并定显著性水平 → 计算样本统计量与临界值 → 落在拒绝域则拒绝原假设，同时注意两类错误。