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

发表于2026-05-16|更新于2026-06-02|数学基础

|浏览量:

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.

文章作者: goodisok

文章链接: https://goodisok.github.io/2026/05/16/probability-statistics-textbook/