概率论与数理统计教材速查（浙大第五版）——从随机事件到假设检验

适用教材：盛骤、谢式千、潘承毅主编，《概率论与数理统计》（第五版），高等教育出版社。这是考研数学一指定参考书，与同济高数、同济线代组成”考研数学三件套”。本文按八章速查，配关键几何图解和手算例子。

一、概率论的基本概念

概念理解

概率论回答一个根本问题：在不确定中，我们能知道什么？

抛一枚硬币，你不知道下一次是正面还是反面——但你知道抛1000次，大约500次正面。概率论就是把这种”大约”精确化的语言。

核心定义

样本空间 $\Omega$ ：随机试验所有可能结果的集合。

事件： $\Omega$ 的子集。事件 $A$ 发生 = 试验结果落在 $A$ 中。

概率的公理化定义（柯尔莫哥洛夫，1933）：

非负性： $P(A) \ge 0$
规范性： $P(\Omega) = 1$
可列可加性：互不相容事件的概率 = 各自概率之和

关键性质

条件概率：已知 $B$ 发生的条件下， $A$ 发生的概率

P(A|B) = \frac{P(AB)}{P(B)}

乘法公式： $P(AB) = P(B)P(A|B) = P(A)P(B|A)$

全概率公式：若 $B_1,\ldots,B_n$ 构成完备事件组（互不相容且并集为 $\Omega$ ），则

P(A) = \sum_{i=1}^{n} P(B_i)P(A|B_i)

全概率公式的本质：把复杂事件拆成”路径”——所有路径概率之和就是总概率。

贝叶斯公式（本文的核心——从结果反推原因）：

P(B_i|A) = \frac{P(B_i)P(A|B_i)}{\sum_{j=1}^{n}P(B_j)P(A|B_j)}

$P(B_i)$ = 先验概率（在看到数据前的信念）
$P(A|B_i)$ = 似然（在假设 $B_i$ 下观测到 $A$ 的可能性）
$P(B_i|A)$ = 后验概率（结合数据后的更新信念）

贝叶斯公式示意图

独立性： $P(AB) = P(A)P(B)$ 。直观：知道 $A$ 发生与否，不影响 $B$ 的概率。

手算例子

箱子 A 有 3 红球 2 白球，箱子 B 有 1 红球 4 白球。随机选一个箱子，抽到红球的概率？

全概率： $P(\text{红}) = P(A)P(\text{红}|A) + P(B)P(\text{红}|B) = \frac{1}{2} \cdot \frac{3}{5} + \frac{1}{2} \cdot \frac{1}{5} = \frac{2}{5}$

假如抽到了红球，这球来自箱子 A 的概率？

贝叶斯： $P(A|\text{红}) = \dfrac{P(A)P(\text{红}|A)}{P(\text{红})} = \dfrac{\frac{1}{2}\cdot\frac{3}{5}}{\frac{2}{5}} = \frac{3}{4}$

工程应用

卡尔曼滤波：先验（运动模型）→ 似然（传感器观测）→ 后验（状态估计），就是贝叶斯递归
垃圾邮件分类： $P(\text{垃圾}|\text{包含"赚钱"}) = \frac{P(\text{垃圾})P(\text{包含"赚钱"}|\text{垃圾})}{P(\text{包含"赚钱"})}$

二、随机变量及其分布

概念理解

随机变量就是把随机结果映射成数字。它有两个核心角色：

分布函数（CDF） $F(x) = P(X \le x)$ ：描述”X 不超过 x”的概率
概率密度（PDF） $f(x)$ ：连续型随机变量的”概率浓度”——不是某点的概率，而是宽度趋近零时的比例

PDF与CDF关系

核心定义

类型	概率质量/密度	分布函数
离散型	$P(X = x_k) = p_k$	$F(x) = \sum_{x_k \le x} p_k$
连续型	密度 $f(x) \ge 0$ ， $\int_{-\infty}^{+\infty}f(x)dx = 1$	$F(x) = \int_{-\infty}^{x} f(t)dt$

重要关系： $f(x) = F'(x)$ （几乎处处）。CDF 的斜率就是 PDF。

六大必知分布公式

1. 二项分布 $B(n, p)$ ——n 次独立试验，每次成功概率 p

P(X=k) = C_n^k p^k (1-p)^{n-k}, \quad k=0,1,\ldots,n

EX = np, \quad DX = np(1-p)

2. 泊松分布 $\Pi(\lambda)$ ——描述单位时间内随机事件发生次数

P(X=k) = \frac{\lambda^k}{k!}e^{-\lambda}, \quad k=0,1,2,\ldots

EX = \lambda, \quad DX = \lambda

泊松定理： $n$ 很大、 $p$ 很小时，二项分布近似泊松分布（ $\lambda = np$ ）。

3. 指数分布 $E(\lambda)$ ——描述等待时间（无记忆性）

f(x) = \lambda e^{-\lambda x}, \quad x \ge 0

F(x) = 1 - e^{-\lambda x}, \quad EX = \frac{1}{\lambda}, \quad DX = \frac{1}{\lambda^2}

4. 均匀分布 $U(a, b)$

f(x) = \frac{1}{b-a}, \quad a \le x \le b

EX = \frac{a+b}{2}, \quad DX = \frac{(b-a)^2}{12}

5. 正态分布 $N(\mu, \sigma^2)$ ——整个统计学的基石

f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}

EX = \mu, \quad DX = \sigma^2

标准化： $Z = \frac{X-\mu}{\sigma} \sim N(0,1)$

$3\sigma$ 原则：

$P(|X-\mu| < \sigma) \approx 68.3\%$
$P(|X-\mu| < 2\sigma) \approx 95.4\%$
$P(|X-\mu| < 3\sigma) \approx 99.7\%$

这就是工程上”±3σ 几乎包含所有数据点”的数学依据。

6. $\chi^2$ 分布—— $k$ 个独立标准正态变量的平方和

Y = Z_1^2 + Z_2^2 + \cdots + Z_k^2 \sim \chi^2(k)

k

叫自由度。

E[\chi^2(k)] = k

，

D[\chi^2(k)] = 2k

。

手算例子

某工厂产品寿命服从 $\lambda = 0.001$ 的指数分布。求寿命超过 1000 小时的概率。

$P(X > 1000) = 1 - F(1000) = 1 - (1 - e^{-0.001 \times 1000}) = e^{-1} \approx 0.368$

工程应用

二项分布 → 投篮命中率、次品率检验
泊松分布 → 客服电话呼入量、粒子放射性衰变、目标出现计数
指数分布 → 电子元件寿命建模、无人机故障间隔时间（MTBF）
正态分布 → 测量误差、传感器噪声、3DGS 相机姿态不确定性
对数正态 → 雷达散射截面（RCS）建模

三、多维随机变量及其分布

概念理解

现实中很少有独立的量。无人机的位置和速度高度耦合——位置的变化依赖于速度，速度的变化依赖于加速度。多维随机变量描述的就是这种联合不确定性。

核心定义

联合分布函数： $F(x, y) = P(X \le x, Y \le y)$

联合密度： $f(x, y)$ ，满足

F(x, y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f(u, v) \, du \, dv

P((X,Y) \in D) = \iint_D f(x, y) \, dx \, dy

边缘分布：单独看 $X$ 或 $Y$

f_X(x) = \int_{-\infty}^{+\infty} f(x, y) \, dy

f_Y(y) = \int_{-\infty}^{+\infty} f(x, y) \, dx

条件分布：已知 $Y=y$ 时 $X$ 的分布

f_{X|Y}(x|y) = \frac{f(x, y)}{f_Y(y)}

关键性质

协方差：度量两个变量”同方向变化”的程度

\text{Cov}(X, Y) = E[(X-EX)(Y-EY)] = E(XY) - E(X)E(Y)

正 → X 大时 Y 也偏大
负 → X 大时 Y 偏小
零 → 不相关（但不一定独立！）

相关系数：标准化后的协方差

\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}, \quad |\rho| \le 1

手算例子

设 $(X,Y)$ 在单位圆 $x^2+y^2 \le 1$ 上均匀分布，求边缘密度。

联合密度： $f(x,y) = \frac{1}{\pi}$ （面积= $1/\pi \cdot \pi = 1$ ✓）

边缘密度： $f_X(x) = \int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}} \frac{1}{\pi} dy = \frac{2}{\pi}\sqrt{1-x^2}, \quad |x| \le 1$

注意：边缘不是均匀的——虽然联合是均匀的！

工程应用

卡尔曼滤波的协方差矩阵 $P$ 就是多维协方差的对角/非对角块
独立成分分析（ICA）：从混合信号中分离独立成分，基于非高斯性和独立性
目标跟踪：位置和速度的联合分布决定关联门的大小

四、随机变量的数字特征

概念理解

分布（PDF/CDF）是完全信息，但通常太复杂。数字特征是用一两个数概括整体分布——就像用平均分概括全班成绩。

核心定义

数学期望：加权平均（”概率加权”）

离散： $E(X) = \sum_k x_k p_k$

连续： $E(X) = \int_{-\infty}^{+\infty} x f(x) dx$

方差：偏离均值的”平均平方”

D(X) = E[(X-EX)^2] = E(X^2) - (EX)^2

标准差 $\sigma = \sqrt{D(X)}$ ，和原始量纲相同。

切比雪夫不等式：不管分布长什么样，”偏离的极限”是确定的

P(|X-\mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}

这是大数定律的数学基础。

矩：一般化的数字特征

$k$ 阶原点矩： $E(X^k)$ （期望 = 一阶原点矩）
$k$ 阶中心矩： $E[(X-EX)^k]$ （方差 = 二阶中心矩）
偏度 = 三阶中心矩 / $\sigma^3$ ：分布的不对称性
峰度 = 四阶中心矩 / $\sigma^4 - 3$ ：尾部厚度

关键性质

期望的线性性： $E(aX + bY) = aE(X) + bE(Y)$ （永远成立，不管是否独立）

独立时： $E(XY) = E(X)E(Y)$ ， $D(X+Y) = D(X) + D(Y)$

卷积公式：独立随机变量和的密度 = 各自密度的卷积

f_{X+Y}(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x) \, dx

手算例子

X \sim U(0,1)

，求期望和方差。

$E(X) = \int_0^1 x \cdot 1 \, dx = \frac{1}{2}$ $E(X^2) = \int_0^1 x^2 \cdot 1 \, dx = \frac{1}{3}$ $D(X) = E(X^2) - [E(X)]^2 = \frac{1}{3} - \frac{1}{4} = \frac{1}{12}$

工程应用

协方差矩阵 → 卡尔曼滤波的状态不确定性表征
期望 → 蒙特卡洛积分、强化学习的值函数
方差 → 仿真结果的置信度评估、投资组合风险

五、大数定律与中心极限定理

概念理解

这两条定理是整个统计推断的基石：

大数定律：样本均值收敛到总体均值（你猜得够多，就会猜对）
中心极限定理：独立随机变量之和近似正态分布（不管原始分布长什么样）

核心定义

辛钦大数定律（弱大数）： $X_1,\ldots,X_n$ 独立同分布且期望 $\mu$ 存在，则

\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i \stackrel{P}{\longrightarrow} \mu

符号 $\stackrel{P}{\longrightarrow}$ 表示”依概率收敛”——随着 $n$ 增大，偏离的概率趋于零。

Lindeberg-Lévy 中心极限定理：独立同分布的 $X_i$ ，期望 $\mu$ ，方差 $\sigma^2 > 0$ ，则

\frac{\sum_{i=1}^n X_i - n\mu}{\sqrt{n}\sigma} \stackrel{d}{\longrightarrow} N(0, 1)

等价形式：

\bar{X}_n \stackrel{\text{近似}}{\sim} N\left(\mu, \frac{\sigma^2}{n}\right)

关键洞察：样本均值的方差是总体方差的 $1/n$ ——这就是为什么样本量翻倍，精度提高 $\sqrt{2}$ 倍而非 2 倍。

手算例子

抛硬币 60 次，正面概率 0.5。求正面次数在 25~35 之间的概率。

$X \sim B(60, 0.5)$ ，用正态近似（中心极限）： $\mu = np = 30$ ， $\sigma^2 = np(1-p) = 15$ $P(25 \le X \le 35) \approx \Phi\left(\frac{35.5 - 30}{\sqrt{15}}\right) - \Phi\left(\frac{24.5 - 30}{\sqrt{15}}\right)$ $\approx \Phi(1.42) - \Phi(-1.42) \approx 0.922 - 0.078 = 0.844$

工程应用

蒙特卡洛仿真： $n$ 次试验，精度 $\propto 1/\sqrt{n}$ ——这就是为什么从100次到10000次只提高10倍精度
A/B 测试：均值差异的显著性检验，底层是中心极限定理
传感器融合：多个独立传感器的平均，精度随传感器数量增加而提高

六、样本及抽样分布

概念理解

前面五章是概率论——已知分布，预测结果。从第六章起是数理统计——已知结果，推断分布。概率论和数理统计互为逆问题：

概率论：分布 → 数据

数理统计：数据 → 分布

核心定义

总体：研究对象的全体。样本：从总体中抽出的部分个体。

统计量：样本的函数（不含未知参数），比如样本均值 $\bar{X}$ 、样本方差 $S^2$ 。

三大抽样分布——假设检验和置信区间的计算都依赖它们：

（1） $\chi^2$ 分布： $X_1,\ldots,X_n \sim N(0,1)$ 独立，则

\sum_{i=1}^n X_i^2 \sim \chi^2(n)

E[\chi^2(n)] = n, \quad D[\chi^2(n)] = 2n

（2） $t$ 分布（学生氏分布）： $X \sim N(0,1)$ ， $Y \sim \chi^2(n)$ 独立，则

T = \frac{X}{\sqrt{Y/n}} \sim t(n)

n

增大时

t

分布趋近标准正态——

n \ge 30

时可用正态近似。

（3） $F$ 分布： $X \sim \chi^2(n_1)$ ， $Y \sim \chi^2(n_2)$ 独立，则

F = \frac{X/n_1}{Y/n_2} \sim F(n_1, n_2)

用于比较两个方差是否相等（方差分析）。

关键事实——正态总体下的结论

设 $X_1,\ldots,X_n$ 是来自 $N(\mu, \sigma^2)$ 的样本，则：

$\bar{X} \sim N(\mu, \frac{\sigma^2}{n})$
$\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$
$\bar{X}$ 与 $S^2$ 独立（正态分布独有的神奇性质）
$\frac{\bar{X} - \mu}{S/\sqrt{n}} \sim t(n-1)$ （ $\sigma$ 未知时用 $S$ 代替 → t 分布）

工程应用

t 检验 → 小样本均值比较（< 30 样本）
F 检验 → 方差分析（多个总体均值比较）、回归显著性
$\chi^2$ 检验 → 拟合优度检验、列联表的独立性检验

七、参数估计

概念理解

已知总体分布的类型（比如知道是正态），但参数 $\theta$ 未知。怎么用样本估计 $\theta$ ？

两个流派：

点估计：给一个数（比如 $\hat{\mu} = \bar{x}$ ）
区间估计：给一个区间和置信度（比如 $\mu$ 的 95% 置信区间）

核心方法

矩估计法：用样本矩替代总体矩，解出参数。

比如 $X \sim U(0, \theta)$ ， $E(X) = \theta/2$ → $\hat{\theta} = 2\bar{X}$ 。

最大似然估计（MLE）——整个统计学的核心方法：

L(\theta) = \prod_{i=1}^n f(x_i; \theta)

\hat{\theta}_{\text{MLE}} = \arg\max_\theta L(\theta)

直觉：选那个”在这些参数下，观测到的数据最可能发生”的 $\theta$ 。

评价标准

无偏性： $E(\hat{\theta}) = \theta$ ——平均来说估计对的
有效性：方差越小越好（达到克拉美-罗下界最优）
相合性：样本越大估计越准（ $\hat{\theta}_n \stackrel{P}{\longrightarrow} \theta$ ）

关键事实： $\bar{X}$ 是 $\mu$ 的无偏估计， $S^2$ 是 $\sigma^2$ 的无偏估计（注意分母是 $n-1$ 而非 $n$ ）。

区间估计

$\sigma^2$ 已知， $\mu$ 的置信区间（ $1-\alpha$ 置信度）：

\bar{X} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

$\sigma^2$ 未知，用 $t$ 分布（这才是绝大多数实际情况）：

\bar{X} \pm t_{\alpha/2}(n-1) \cdot \frac{S}{\sqrt{n}}

手算例子

测某无人机电机功率 5 次：210, 208, 212, 209, 211 W。假定服从正态分布，求平均功率的 95% 置信区间。

$\bar{x} = 210$ ， $s = \sqrt{2.5} \approx 1.581$ ， $n=5$ $t_{0.025}(4) \approx 2.776$
区间： $210 \pm 2.776 \times \frac{1.581}{\sqrt{5}} \approx 210 \pm 1.963 = [208.04, 211.96]$

工程应用

MLE → 深度学习损失函数的设计原理（交叉熵 = 分类的负对数似然）
置信区间 → 仿真预估精度（”落点误差 < 5m 概率 > 95%”）
偏差-方差分解 → 机器学习泛化误差的数学公式

八、假设检验

概念理解

假设检验是反证法：先假设你想推翻的东西为真（原假设 $H_0$ ），然后看数据有多不配合。如果数据在 $H_0$ 下”太离谱”，就拒绝 $H_0$ 。

假设检验拒绝域

核心定义

两类错误：

	接受 $H_0$	拒绝 $H_0$
$H_0$ 为真	✓	第一类错误（ $\alpha$ ）
$H_0$ 为假	第二类错误（ $\beta$ ）	✓

$\alpha$ = 显著性水平（你允许"冤枉好人"的概率上限，通常 0.05）
$1-\beta$ = 检验功效（"抓出坏人"的能力）
$\alpha$ 和 $\beta$ 不能同时减小（样本量固定时），需要 trade-off

p 值：在 $H_0$ 为真的假设下，观测到”当前结果或更极端”的概率。

决策规则：p < $\alpha$ → 拒绝 $H_0$ ；p $\ge$ $\alpha$ → 不拒绝 $H_0$

注意：”不拒绝 $H_0$ “ ≠ “接受了 $H_0$ “！统计结论永远用保守措辞。

常见检验流程

1. 三步走：设 $H_0$ 和 $H_1$ → 选检验统计量和拒绝域 → 计算 p 值，做决策

2. 单正态总体均值的 t 检验（ $\sigma$ 未知，最常用）：

T = \frac{\bar{X} - \mu_0}{S/\sqrt{n}} \sim t(n-1)

3. 双正态总体均值比较的 t 检验（两独立样本）：

T = \frac{\bar{X} - \bar{Y}}{S_w \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}

其中 $S_w^2$ 是合并方差估计。

4. 方差检验（F 检验）：

F = \frac{S_1^2}{S_2^2} \sim F(n_1-1, n_2-1)

手算例子

电池标称寿命 500h。抽 9 块检测，得到 $\bar{x}=490$ ， $s=15$ 。在 $\alpha=0.05$ 水平下，是否认为实际寿命低于标称？

$H_0: \mu = 500$ ， $H_1: \mu < 500$ （单侧） $T = \frac{490 - 500}{15/\sqrt{9}} = -2.0$ $t_{0.05}(8) \approx 1.860$ ，拒绝域为 $T < -1.860$ $-2.0 < -1.860$ → 拒绝 $H_0$ 。有显著证据表明寿命低于标称。

工程应用

A/B 测试 → 两个版本转化率的双样本比例检验
传感器校准 → 检验测量值与真值是否存在系统偏差
产品质量控制 → 检验抽样数据是否符合规格
无人机仿真验证 → 仿真轨迹与实测轨迹的均值差异 t 检验

核心公式速查卡

类别	公式	关键词
条件概率	$P(A\\|B) = P(AB)/P(B)$	缩小样本空间
全概率	$P(A) = \sum P(B_i)P(A\\|B_i)$	路径求和
贝叶斯	$P(B_i\\|A) = \frac{P(B_i)P(A\\|B_i)}{\sum P(B_j)P(A\\|B_j)}$	先验→后验
二项分布	$P(X=k)=C_n^k p^k(1-p)^{n-k}$	$n$ 次试验， $p$ 不变
正态分布	$f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$	统计基石
期望	$E(X)=\sum x_kp_k$ 或 $\int x f(x)dx$	概率加权平均
方差	$D(X)=E(X^2)-(EX)^2$	离散程度
协方差	$\text{Cov}(X,Y)=E(XY)-E(X)E(Y)$	相关方向
大数定律	$\bar{X}_n \stackrel{P}{\to} \mu$	样本均值收敛
中心极限	$\frac{\sum X_i-n\mu}{\sqrt{n}\sigma} \stackrel{d}{\to} N(0,1)$	近似正态
MLE	$\hat{\theta} = \arg\max \prod f(x_i;\theta)$	参数估计核心
置信区间	$\bar{X} \pm t_{\alpha/2}(n-1) \cdot S/\sqrt{n}$	$\sigma$ 未知时
t 检验	$T = \frac{\bar{X}-\mu_0}{S/\sqrt{n}}$	均值假设检验

参考文献

盛骤, 谢式千, 潘承毅. 《概率论与数理统计》(第五版). 高等教育出版社, 2019.
费勒 (Feller). 《概率论及其应用》. 人民邮电出版社. 经典中的经典，适合想深入的人.
Thrun S, Burgard W, Fox D. Probabilistic Robotics. MIT Press, 2005. 卡尔曼滤波和粒子滤波的概率论推导.
MacKay D J C. Information Theory, Inference, and Learning Algorithms. Cambridge, 2003. 贝叶斯方法的经典教材，免费下载.

一、概率论的基本概念

概念理解

核心定义

关键性质

手算例子

工程应用

二、随机变量及其分布

概念理解

核心定义

六大必知分布公式

手算例子

工程应用

三、多维随机变量及其分布

概念理解

核心定义

关键性质

手算例子

工程应用

四、随机变量的数字特征

概念理解

核心定义

关键性质

手算例子

工程应用

五、大数定律与中心极限定理

概念理解

核心定义

手算例子

工程应用

六、样本及抽样分布

概念理解

核心定义

关键事实——正态总体下的结论

工程应用

七、参数估计

概念理解

核心方法

评价标准

区间估计

手算例子

工程应用

八、假设检验

概念理解

核心定义

常见检验流程

手算例子

工程应用

核心公式速查卡

推荐学习路线

延伸学习

参考文献