mobile wallpaper 1mobile wallpaper 2mobile wallpaper 3mobile wallpaper 4mobile wallpaper 5mobile wallpaper 6
Profile Image of the Author
黎明
公告
欢迎来到黎明的小站。本站用于堆叠平时的技术痕迹，记录一些值得留存的想法。
标签
3757 字
10 分钟
假设检验
2026-06-24 02:25:00
概率论
概率论
/
数理统计
/
假设检验
/
显著性水平
/
拒绝域
/
P值

本文主要梳理数理统计中的假设检验。假设检验与前面的参数估计并称为数理统计的两大核心内容。

它们之间的区别和联系可以简单概括为：

  • 参数估计：
利用样本数据去推断总体中的未知参数具体是多少\boxed{\text{利用样本数据去推断总体中的未知参数具体是多少}}
  • 假设检验：
利用样本数据去推断关于总体参数的某一种说法是否可信\boxed{\text{利用样本数据去推断关于总体参数的某一种说法是否可信}}

1. 假设检验的基本思想#

假设检验的核心理论依据是概率论中的小概率事件原理：

如果在原假设成立的前提下，一个极小概率的事件居然在一次抽样试验中发生了，那么我们就有充分的理由怀疑该原假设是不成立的。

典型简例#

某零件工厂声称其生产的产品平均寿命为：

μ=1000 小时\mu = 1000 \text{ 小时}

现进行随机抽样检测，测得样本的平均寿命明显小于 1000 小时。如果在“总体均值 μ=1000\mu = 1000 成立”的前提下，抽样得到如此之小的样本均值是一件几乎不可能发生的小概率事件，那么我们就有理由推翻厂家的宣传，倾向于拒绝该厂家的说法。

2. 原假设与备择假设#

在假设检验中，我们需要对立地提出两个假设。

原假设#

原假设（也称虚无假设）记作：

H0H_0

通常代表：

  • 状态没有差异或没有变化；
  • 维持原状，或厂家宣称的指标成立；
  • 未知参数等于某个给定的标准值。

例如：

H0:μ=1000H_0: \mu = 1000

备择假设#

备择假设记作：

H1H_1

通常代表我们所倾向于寻找、证实或检验的另一种可能性。

例如：

H1:μ≠1000或H1:μ>1000或H1:μ<1000H_1: \mu \ne 1000 \quad \text{或} \quad H_1: \mu > 1000 \quad \text{或} \quad H_1: \mu < 1000

3. 双侧检验与单侧检验#

根据备择假设 H1H_1 的方向不同，假设检验可以细分为双侧检验与单侧检验。

双侧检验#

如果备择假设是：

H1:μ≠μ0H_1: \mu \ne \mu_0

则称为双侧检验。这代表只要样本数据算得的总体均值显着地大于 μ0\mu_0 或者显着地小于 μ0\mu_0，均会被判定为异常，从而拒绝原假设。

例如：

H0:μ=1000,H1:μ≠1000H_0: \mu = 1000, \quad H_1: \mu \ne 1000

右侧检验#

如果备择假设是：

H1:μ>μ0H_1: \mu > \mu_0

则称为右侧检验。例如，我们需要检验某种新改进的教学法是否显著提高了学生的平均成绩：

H0:μ=80,H1:μ>80H_0: \mu = 80, \quad H_1: \mu > 80

左侧检验#

如果备择假设是：

H1:μ<μ0H_1: \mu < \mu_0

则称为左侧检验。例如，我们需要检验某种新设备零件的寿命是否低于标准寿命要求：

H0:μ=1000,H1:μ<1000H_0: \mu = 1000, \quad H_1: \mu < 1000

4. 显著性水平#

显著性水平记作：

α\alpha

它代表在进行假设检验时，我们所能允许的犯第一类错误（即原假设本是真实的却被错误地拒绝）的最大概率限度。

常见的取值有 0.05 或 0.01。例如，当设定 α=0.05\alpha = 0.05 时，意味着有至多 5%5\% 的概率会将一个真实成立的原假设 H0H_0 错误地予以拒绝。

5. 两类错误#

在做出检验决策时，受样本随机性的局限，我们可能会犯以下两类错误：

决策结果 \ H0H_0 的真实状态H0H_0 为真H0H_0 为假
接受 H0H_0决策正确犯第二类错误（概率为 β\beta）
拒绝 H0H_0犯第一类错误（概率为 α\alpha）决策正确
  • 第一类错误：原假设 H0H_0 真实成立，但我们根据样本决策却拒绝了它。其概率上限即为显著性水平 α\alpha。
  • 第二类错误：原假设 H0H_0 不成立，但由于样本特征不明显，我们决策未能拒绝它。其发生概率通常记作 β\beta。

在考题与实际应用中，主要控制和考查的是第一类错误概率 α\alpha。

6. 检验统计量#

为进行检验，我们需要构造一个基于样本的统计量，称为检验统计量。

该统计量需要具备以下核心性质：

当原假设 H0 成立时，该检验统计量的概率分布类型是完全已知的\boxed{\text{当原假设 } H_0 \text{ 成立时，该检验统计量的概率分布类型是完全已知的}}

例如在正态总体均值的检验中，若已知总体方差 σ2\sigma^2，我们构造检验统计量为：

Z=X‾−μ0σ/nZ = \frac{\overline{X} - \mu_0}{\sigma / \sqrt{n}}

一旦假定 H0:μ=μ0H_0: \mu = \mu_0 成立，该统计量必服从标准正态分布：

Z∼N(0,1)Z \sim N(0, 1)

我们可以通过观察样本实际算出的 ZZ 是否落入其分布的极端区域，来判断该事件是否发生。

7. 拒绝域#

如果样本算得的检验统计量数值落入了某个概率极低的极端取值区域，说明在原假设成立的前提下发生了一件小概率事件，据此我们将拒绝原假设。这个极端的区域称为拒绝域。

以检验统计量 Z∼N(0,1)Z \sim N(0, 1) 为例：

双侧检验#

H0:μ=μ0,H1:μ≠μ0H_0: \mu = \mu_0, \quad H_1: \mu \ne \mu_0

拒绝域公式为：

∣Z∣>zα/2\boxed{|Z| > z_{\alpha/2}}

其中分位数满足 P(Z>zα/2)=α2P(Z > z_{\alpha/2}) = \dfrac{\alpha}{2}。

右侧检验#

H1:μ>μ0H_1: \mu > \mu_0

拒绝域公式为：

Z>zα\boxed{Z > z_\alpha}

左侧检验#

H1:μ<μ0H_1: \mu < \mu_0

拒绝域公式为：

Z<−zα\boxed{Z < -z_\alpha}

8. 假设检验的一般决策步骤#

进行假设检验题时，标准的步骤可以分为五步：

第一步：提出原假设与备择假设#

明确写出 H0H_0 与 H1H_1 的具体参数表达形式。

第二步：选择显著性水平 α\alpha#

根据题干要求，一般取 α=0.05\alpha = 0.05 或 α=0.01\alpha = 0.01。

第三步：确定检验统计量#

结合总体背景条件（如正态总体中方差已知或未知），选择 ZZ、TT、χ2\chi^2 或 FF 统计量。

第四步：确定拒绝域边界临界值#

根据检验的双侧或单侧方向，以及显著性水平查表确定临界值，写出拒绝域表达式。

第五步：代入数据计算并得出决策结论#

如果计算值落入拒绝域，则：

拒绝原假设 H0\boxed{\text{拒绝原假设 } H_0}

如果计算值没有落入拒绝域，则：

不拒绝原假设 H0\boxed{\text{不拒绝原假设 } H_0}
  • 注意：学术上通常表述为“不拒绝 H0H_0”而避免直接写“接受 H0H_0”，因为样本只能说明没有充足的证据拒绝它，并不等同于从数学上证明了它绝对正确。

9. 单个正态总体均值 μ\mu 的检验#

这是考试中出现频率最高的一类检验。

情况一：总体方差 σ2\sigma^2 已知#

设总体 X∼N(μ,σ2)X \sim N(\mu, \sigma^2)，其中 σ2\sigma^2 已知。我们需要检验 H0:μ=μ0H_0: \mu = \mu_0。

选择统计量：

Z=X‾−μ0σ/n\boxed{Z = \frac{\overline{X} - \mu_0}{\sigma / \sqrt{n}}}

当原假设 H0H_0 成立时，此统计量满足 Z∼N(0,1)Z \sim N(0, 1)。

根据备择假设的方向，其拒绝域为：

  • 双侧检验 (H1:μ≠μ0H_1: \mu \ne \mu_0)：
∣Z∣>zα/2\boxed{|Z| > z_{\alpha/2}}
  • 右侧检验 (H1:μ>μ0H_1: \mu > \mu_0)：
Z>zα\boxed{Z > z_\alpha}
  • 左侧检验 (H1:μ<μ0H_1: \mu < \mu_0)：
Z<−zα\boxed{Z < -z_\alpha}

情况二：总体方差 σ2\sigma^2 未知#

设总体 X∼N(μ,σ2)X \sim N(\mu, \sigma^2)，其中 σ2\sigma^2 未知。我们需要检验 H0:μ=μ0H_0: \mu = \mu_0。

此时需要使用样本无偏标准差 SS 来替换未知的总体标准差 σ\sigma，构造的统计量变为 tt 统计量：

T=X‾−μ0S/n\boxed{T = \frac{\overline{X} - \mu_0}{S / \sqrt{n}}}

当原假设 H0H_0 成立时，此统计量满足 T∼t(n−1)T \sim t(n - 1)。

其对应的拒绝域为：

  • 双侧检验 (H1:μ≠μ0H_1: \mu \ne \mu_0)：
∣T∣>tα/2(n−1)\boxed{|T| > t_{\alpha/2}(n - 1)}
  • 右侧检验 (H1:μ>μ0H_1: \mu > \mu_0)：
T>tα(n−1)\boxed{T > t_\alpha(n - 1)}
  • 左侧检验 (H1:μ<μ0H_1: \mu < \mu_0)：
T<−tα(n−1)\boxed{T < -t_\alpha(n - 1)}

10. 单个正态总体方差 σ2\sigma^2 的检验#

设总体服从正态分布 X∼N(μ,σ2)X \sim N(\mu, \sigma^2)，我们需要检验总体方差是否等于特定值 σ02\sigma_0^2：

H0:σ2=σ02H_0: \sigma^2 = \sigma_0^2

构造检验统计量为：

χ2=(n−1)S2σ02\boxed{\chi^2 = \frac{(n-1)S^2}{\sigma_0^2}}

当原假设 H0H_0 成立时，此统计量满足 χ2∼χ2(n−1)\chi^2 \sim \chi^2(n - 1)。

根据卡方临界值规定（定义 χα2\chi^2_\alpha 表示卡方右侧尾部面积为 α\alpha 的分位数），其拒绝域为：

  • 双侧检验 (H1:σ2≠σ02H_1: \sigma^2 \ne \sigma_0^2)：
χ2<χ1−α/22(n−1)或χ2>χα/22(n−1)\boxed{\chi^2 < \chi^2_{1-\alpha/2}(n-1) \quad \text{或} \quad \chi^2 > \chi^2_{\alpha/2}(n-1)}
  • 右侧检验 (H1:σ2>σ02H_1: \sigma^2 > \sigma_0^2)：
χ2>χα2(n−1)\boxed{\chi^2 > \chi^2_{\alpha}(n-1)}
  • 左侧检验 (H1:σ2<σ02H_1: \sigma^2 < \sigma_0^2)：
χ2<χ1−α2(n−1)\boxed{\chi^2 < \chi^2_{1-\alpha}(n-1)}

11. 两个独立正态总体均值差 μ1−μ2\mu_1 - \mu_2 的检验#

设有两个独立的总体 X∼N(μ1,σ12)X \sim N(\mu_1, \sigma_1^2) 和 Y∼N(μ2,σ22)Y \sim N(\mu_2, \sigma_2^2)。样本均值分别为 X‾\overline{X} 和 Y‾\overline{Y}。

我们检验原假设：

H0:μ1−μ2=Δ0(当检验均值是否相等时，Δ0=0)H_0: \mu_1 - \mu_2 = \Delta_0 \quad (\text{当检验均值是否相等时，}\Delta_0 = 0)

情况一：两个总体方差已知#

选择检验统计量为：

Z=(X‾−Y‾)−Δ0σ12n1+σ22n2\boxed{Z = \frac{(\overline{X} - \overline{Y}) - \Delta_0}{\sqrt{\dfrac{\sigma_1^2}{n_1} + \dfrac{\sigma_2^2}{n_2}}}}

当原假设 H0H_0 成立时，此统计量满足 Z∼N(0,1)Z \sim N(0, 1)。

情况二：两个总体方差未知但相等#

若两个总体的方差均未知，但满足 σ12=σ22=σ2\sigma_1^2 = \sigma_2^2 = \sigma^2。

我们使用合并样本方差 Sw2S_w^2：

Sw2=(n1−1)S12+(n2−1)S22n1+n2−2S_w^2 = \frac{(n_1 - 1)S_1^2 + (n_2 - 1)S_2^2}{n_1 + n_2 - 2}

选择的检验统计量为：

T=(X‾−Y‾)−Δ0Sw1n1+1n2\boxed{T = \frac{(\overline{X} - \overline{Y}) - \Delta_0}{S_w\sqrt{\dfrac{1}{n_1} + \dfrac{1}{n_2}}}}

当原假设 H0H_0 成立时，此统计量满足 T∼t(n1+n2−2)T \sim t(n_1 + n_2 - 2)。

12. 配对样本（成对数据）均值差的检验#

如果抽样得到的两个样本数据不是独立的，而是存在一一配对的关系，我们应进行配对样本检验。

常见场景有：

  • 同一批被试在参加培训（或接受干预）前后的考试成绩对比；
  • 同一批病人在使用某种治疗药物前后的血压指标对比；
  • 采用不同仪器对同一批工业零件测量所得的误差对比。

对于这类问题，我们的解题方法是先对每组配对数据求差值：

Di=Xi−YiD_i = X_i - Y_i

通过做差，将两样本检验问题完美转化为了单总体均值的假设检验问题：

H0:μD=0H_0: \mu_D = 0

构造检验统计量：

T=D‾−0SD/n\boxed{T = \frac{\overline{D} - 0}{S_D / \sqrt{n}}}

当原假设 H0H_0 成立时，满足 T∼t(n−1)T \sim t(n - 1)，式中 D‾\overline{D} 和 SDS_D 分别是差值序列的样本均值和样本无偏标准差。

核心策略：

配对样本检验：先求差值建立单序列，再套用单总体均值 t 检验\boxed{\text{配对样本检验：先求差值建立单序列，再套用单总体均值 } t \text{ 检验}}

13. 两个独立正态总体方差比 σ12σ22\dfrac{\sigma_1^2}{\sigma_2^2} 的检验#

设有两个独立的总体，我们需要检验它们的方差是否相等：

H0:σ12=σ22H_0: \sigma_1^2 = \sigma_2^2

构造检验统计量为：

F=S12S22\boxed{F = \frac{S_1^2}{S_2^2}}

当原假设 H0H_0 成立时，此统计量满足 F∼F(n1−1,n2−1)F \sim F(n_1 - 1, n_2 - 1)。

  • 若进行右侧检验 (H1:σ12>σ22H_1: \sigma_1^2 > \sigma_2^2)，对应的拒绝域为：
F>Fα(n1−1,n2−1)\boxed{F > F_\alpha(n_1 - 1, n_2 - 1)}

14. 总体比例 pp 的假设检验#

设总体中事件发生的概率为 pp，我们要检验：

H0:p=p0H_0: p = p_0

在样本容量 nn 较大时，利用中心极限定理，样本比例 p^\hat{p} 近似服从正态分布，由此构造检验统计量：

Z=p^−p0p0(1−p0)n\boxed{Z = \frac{\hat{p} - p_0}{\sqrt{\dfrac{p_0(1-p_0)}{n}}}}

当 H0H_0 成立时，其值近似服从标准正态分布，可根据单双侧方向确定拒绝域。

15. P 值检验法#

除了上面基于临界值确定拒绝域的检验决策方法外，还可以直接利用 P 值 开展决策。

P 值（概率值）定义为：

在原假设 H0 成立的前提下，所获得的样本观测值或比其更为极端的事件发生的概率\boxed{\text{在原假设 } H_0 \text{ 成立的前提下，所获得的样本观测值或比其更为极端的事件发生的概率}}

P 值的决策规则为：

P 值≤α  ⟹  拒绝原假设 H0\boxed{P \text{ 值} \le \alpha \implies \text{拒绝原假设 } H_0}P 值>α  ⟹  不拒绝原假设 H0\boxed{P \text{ 值} > \alpha \implies \text{不拒绝原假设 } H_0}

简单记为：

P 值越小，说明样本观测数据对原假设 H0 的支持力度越弱\boxed{P \text{ 值越小，说明样本观测数据对原假设 } H_0 \text{ 的支持力度越弱}}

16. 假设检验与置信区间的内在联系#

对于参数的双侧检验问题：

H0:μ=μ0,H1:μ≠μ0H_0: \mu = \mu_0, \quad H_1: \mu \ne \mu_0

在显著性水平 α\alpha 下执行假设检验决策，与计算该参数置信水平为 1−α1-\alpha 的置信区间是等价的：

  • 若假设的参数点 μ0\mu_0 落在了置信区间内部，说明它是个可信的取值，故不拒绝原假设；
  • 若假设的参数点 μ0\mu_0 未落入置信区间内部，说明它落在置信区间外，故拒绝原假设。

例如，显著性水平为 0.050.05 的双侧均值检验与 95%95\% 的均值置信区间相互对应。

17. 典型例题解析#

某加工厂生产的产品标准寿命为 1000 小时。现在从新批次的产品中随机抽样抽取 16 件进行测试，测得：

x‾=970 小时,s=60 小时\overline{x} = 970 \text{ 小时}, \quad s = 60 \text{ 小时}

假设该产品的寿命分布服从正态分布，在显著性水平 α=0.05\alpha = 0.05 条件下，试检验该批次产品的平均寿命是否低于标准寿命。

第一步：提出假设#

由于是要检验产品的均值“是否低于”标准，属于单侧的左侧检验：

H0:μ=1000H_0: \mu = 1000H1:μ<1000H_1: \mu < 1000

第二步：选择检验统计量#

因为总体为正态分布，且总体方差未知，所以应采用 tt 检验：

T=X‾−μ0S/nT = \frac{\overline{X} - \mu_0}{S / \sqrt{n}}

第三步：代入样本数据计算统计量#

代入数据计算 TT 值：

T=970−100060/16=−3015=−2T = \frac{970 - 1000}{60 / \sqrt{16}} = \frac{-30}{15} = -2

第四步：确定拒绝域#

本题样本容量 n=16n = 16，自由度为 n−1=15n-1 = 15。

在显著性水平 α=0.05\alpha = 0.05 下的左侧检验，其对应的拒绝域形式为：

T<−t0.05(15)T < -t_{0.05}(15)

查表得出自由度为 15 时的 tt 分布临界值为 t0.05(15)≈1.753t_{0.05}(15) \approx 1.753。

故拒绝域为：

T<−1.753T < -1.753

第五步：对比并得出最终决策结论#

因为计算得到的统计量结果：

−2<−1.753-2 < -1.753

统计量值落入了拒绝域。

结论为：

拒绝原假设 H0\boxed{\text{拒绝原假设 } H_0}

也就是说，在显著性水平 0.050.05 下，我们可以认为该批次产品的平均寿命显著低于 1000 小时的标准。

18. 常用参数假设检验方法汇总#

检验类型适用条件场景检验统计量公式
单总体均值正态总体，σ\sigma 已知Z=X‾−μ0σ/nZ = \dfrac{\overline X - \mu_0}{\sigma / \sqrt{n}}
单总体均值正态总体，σ\sigma 未知T=X‾−μ0S/nT = \dfrac{\overline X - \mu_0}{S / \sqrt{n}}
单总体方差正态总体，均值未知χ2=(n−1)S2σ02\chi^2 = \dfrac{(n - 1)S^2}{\sigma_0^2}
双总体均值差独立样本，方差已知Z=(X‾−Y‾)−Δ0σ12/n1+σ22/n2Z = \dfrac{(\overline X - \overline Y) - \Delta_0}{\sqrt{\sigma_1^2/n_1 + \sigma_2^2/n_2}}
双总体均值差独立样本，方差未知但相等T=(X‾−Y‾)−Δ0Sw1/n1+1/n2T = \dfrac{(\overline X - \overline Y) - \Delta_0}{S_w\sqrt{1/n_1 + 1/n_2}}
配对均值差成对关联样本T=D‾−0SD/nT = \dfrac{\overline D - 0}{S_D / \sqrt{n}}
双总体方差比独立正态总体F=S12S22F = \dfrac{S_1^2}{S_2^2}
总体比例大样本近似Z=p^−p0p0(1−p0)/nZ = \dfrac{\hat{p} - p_0}{\sqrt{p_0(1-p_0)/n}}

19. 解题时的决策判断路径#

面对具体考题，可以通过以下顺序开展判断：

第一步：明确检验的对象#

确认题目中是要对“均值”、“方差”还是对“比例”指标开展判定；是一样本的检验，还是二样本的差值或比值检验。

第二步：分析总体假定与抽样性质#

理清总体是否正态，方差是否已知；两个样本是相互独立的，还是配对样本。

第三步：根据备择假设确定拒绝域方向#

观察备择假设 H1H_1 中是“不等于”（双侧）、“大于”（右侧）还是“小于”（左侧），以此准确锁定对应的分位数边界。

20. 常见易错陷阱总结#

易错陷阱一：决策结论用语不严密#

不能轻易下结论为“完全接受原假设 H0H_0”。当统计量没落入拒绝域时，正确的结论描述是“在当前的显著性水平下，我们没有充足的证据拒绝原假设 H0H_0，因此不拒绝原假设 H0H_0”。

易错陷阱二：单双侧假设方向与题目对不齐#

如果题目问的是“是否有显著性差异”或“是否发生改变”，应当选用双侧检验；若题目明确倾向性，如检验“是否提高/大于”则选用右侧，检验“是否降低/低于”则选用左侧。

易错陷阱三：统计量中的标准差代错#

要注意如果总体方差未知，用无偏样本标准差 SS 替代 σ\sigma 后，统计量必须使用 tt 临界值；千万不能在使用样本标准差的同时去查标准正态分布 ZZ 分位数表。

21. 本章核心公式速查表#

知识点检验统计量表达形式
单均值 (σ2\sigma^2 已知)Z=X‾−μ0σ/nZ = \dfrac{\overline X - \mu_0}{\sigma / \sqrt{n}}
单均值 (σ2\sigma^2 未知)T=X‾−μ0S/nT = \dfrac{\overline X - \mu_0}{S / \sqrt{n}}
单方差χ2=(n−1)S2σ02\chi^2 = \dfrac{(n-1)S^2}{\sigma_0^2}
双均值差 (方差已知)Z=(X‾−Y‾)−Δ0σ12/n1+σ22/n2Z = \dfrac{(\overline X - \overline Y) - \Delta_0}{\sqrt{\sigma_1^2/n_1 + \sigma_2^2/n_2}}
双均值差 (方差相等)T=(X‾−Y‾)−Δ0Sw1/n1+1/n2T = \dfrac{(\overline X - \overline Y) - \Delta_0}{S_w\sqrt{1/n_1 + 1/n_2}}
配对差值均值T=D‾−0SD/nT = \dfrac{\overline D - 0}{S_D / \sqrt{n}}
双总体方差比F=S12S22F = \dfrac{S_1^2}{S_2^2}
总体比例Z=p^−p0p0(1−p0)/nZ = \dfrac{\hat{p} - p_0}{\sqrt{p_0(1-p_0)/n}}

22. 一句话掌握假设检验#

假设检验的完整逻辑主线为：

假设原假设成立→寻找并计算检验统计量→判定是否落入低概率拒绝域\boxed{\text{假设原假设成立} \rightarrow \text{寻找并计算检验统计量} \rightarrow \text{判定是否落入低概率拒绝域}}

做题时的标准思考模板为：

列假设→选统计量→定拒绝域→算结果→下结论\boxed{\text{列假设} \rightarrow \text{选统计量} \rightarrow \text{定拒绝域} \rightarrow \text{算结果} \rightarrow \text{下结论}}

23. 框框老师#

Image Image Image

分享

如果这篇文章对你有帮助，欢迎分享给更多人！

假设检验
https://www.bilibili.com/video/BV168411Z7pf?p=10
作者
黎明
发布于
2026-06-24 02:25:00
许可协议
MIT

部分信息可能已经过时

常见概率分布
参数估计
相关文章 智能推荐
1
参数估计
概率论 系统梳理数理统计中的参数估计，包括矩估计法与最大似然估计法两大点估计方法、估计量的无偏性与有效性评价标准，以及正态总体均值与方差的区间估计理论。
2
数理统计基本概念
概率论 系统梳理数理统计中的基本概念，包括总体与个体、简单随机样本、统计量、三大抽样分布以及估计量的无偏性、有效性与相合性等标准。
3
常见概率分布
概率论 系统整理概率论与数理统计中的各类常见概率分布，包括两点分布、二项分布、几何分布、超几何分布与泊松分布五大离散型分布，均匀分布、指数分布与正态分布三大连续型分布，以及卡方、t、F三大抽样分布。
4
大数定律与中心极限定理
概率论 系统梳理概率论与数理统计中的大数定律与中心极限定理，包括独立同分布中心极限定理、棣莫弗-拉普拉斯定理及连续性校正等内容。
5
随机变量的数字特征
概率论 系统梳理随机变量的数学期望、方差、协方差、相关系数以及矩的定义与性质，提供常见分布特征速查、常考题型解析与易错陷阱总结。
随机文章 随机推荐
1
搭建“黎明の鸡窝”：基于 Komari 的轻量级服务器监控接入指南
运维记录 2026-05-24
2
克制的艺术：Claude 设计语言网页拆解
Frontend 2026-02-04
3
常见概率分布
概率论 2026-06-24
4
旅行售货员问题（回溯法与分支限界法）
Algorithm 2026-06-15
5
堆排序
Algorithm 2026-06-09
豫ICP备2026007336号 萌ICP备20266900号
© 2026 黎明. All Rights Reserved. / RSS / Atom / Sitemap
Powered by Astro & Mizuki  Version 9.0

目录