简介：这份PDF笔记面向正在学习概率论与数理统计的高校学生与备考者，系统梳理课程核心概念、公式与定理，适合课堂同步复习、期末突击及考研基础阶段查漏补缺。内容按随机事件及其概率、随机变量及其分布、随机向量及其分布、数理统计四大板块展开，涵盖古典概型与几何概型、分布函数与概率密度、常见离散与连续型分布、数字特征、大数定律与中心极限定理，以及点估计、区间估计、假设检验、方差分析和回归分析等考点，并以表格形式归纳概念释义与性质，便于对照记忆。资源包共1个PDF文件，约432KB，轻量便携，手机与电脑均可随时翻阅。目前已有5985人学习下载，适合需要一份条理清晰、覆盖全面的公式定理速查笔记的读者使用。

1. 概率论与数理统计笔记：从“抛硬币”到“用数据说话”的一门学问

抛一枚硬币，正面朝上的可能性有多大？这个问题三岁小孩都能脱口而出“一半一半”。但如果有人告诉你，某批零件的不合格率是 2%，你凭什么信？你抽了 50 个发现坏了 3 个，这算不算“打脸”？再往深一层，如果一家公司说“用户平均停留时长 8 分钟”，这个“平均”到底靠不靠谱，误差能有多大？

这些问题的背后，站着同一门学问：概率论与数理统计。通俗地说，概率论负责“从模型推结果”——已知规则，算可能性；数理统计负责“从结果反推模型”——拿到一堆数据，反过来猜背后的规律。一个正着走，一个倒着走，合起来就是一套完整的“不确定性处理工具”。搞懂它，你才不会把“巧合”当“规律”，也不会被一个孤零零的百分比唬住。这份笔记把随机事件、随机变量、随机向量到数理统计四大块串成一条线，正好适合拿来建立整体认知。

2. 概率论到底在算什么：把“不确定”装进公式里

2.1 随机事件：先学会用集合的语言描述“可能发生什么”

概率论的第一课，不是算概率，而是学会“把话说清楚”。一次随机试验的所有可能结果构成样本空间，记作 Ω；其中每一个可能结果叫样本点；而“我们关心的某件事”就是样本空间的一个子集，叫随机事件。比如掷一颗骰子，样本空间是 {1,2,3,4,5,6}，“掷出偶数”这个事件就是子集 {2,4,6}。

一旦用集合来描述事件，事件之间的关系就完全对应集合运算：A 与 B 同时发生是交集，至少一个发生是并集，A 不发生是补集。两个事件不可能同时发生叫互斥，A 不发生就是 A 的对立事件，一个发生与否不影响另一个叫独立。这里有个初学者最容易翻车的点：互斥和独立不是一回事。互斥说的是“不能同时发生”，独立说的是“发生了也不影响概率”，两个非零概率的事件如果互斥，那它们一定不独立——因为一个发生，另一个就彻底没戏了。

还有一个概念叫完备事件组：把样本空间切成若干互不重叠、又刚好铺满全集的“块”。它本身不难，但它是后面全概率公式和贝叶斯公式的地基，值得单独记一笔。

2.2 概率的三条公理：整个体系只靠三句话撑起来

概率是什么？不是“感觉上有多大可能”，而是一个满足三条规则的集合函数：非负性（任何事件概率不小于 0）、规范性（必然事件概率为 1）、可列可加性（两两互斥的事件，并的概率等于各自概率之和）。就这三条，撑起了整座大厦。

从这三条能推出一串常用性质：不可能事件概率为 0；P(A−B) = P(A) − P(AB)；对立事件概率之和为 1；加法公式 P(A+B) = P(A) + P(B) − P(AB)，多个事件时按容斥原理展开。乘法公式则把条件概率串起来：P(AB) = P(A)P(B|A)，多个事件连乘即可。

真正让概率论“好用”的是两个公式。全概率公式说：如果一件事能通过一组完备的“原因”发生，那就把每种原因下的概率加权求和。贝叶斯公式反过来：已经看到结果了，回头推断是哪个原因导致的。打个比方，全概率是“从原因推结果”，贝叶斯是“从结果倒查原因”，后者在垃圾邮件过滤、疾病筛查里天天用。

提示：条件概率 P(A|B) 的分母是 P(B)，所以 P(B)=0 时条件概率没有定义，别硬算。

2.3 古典概型与几何概型：两种“等可能”的算法模板

古典概型要求两件事：样本空间有限，且每个基本事件等可能。此时概率就是“目标样本点数 ÷ 总样本点数”，数数就行。几何概型把“数个数”换成“量面积/长度/体积”：样本空间是一个可度量的几何区域，事件对应其中子区域，概率等于子区域度量与总度量的比值，只和大小有关，和位置形状无关。

两者的共同灵魂是“等可能”，区别只在有限还是无限。很多人做题时把“有限”当成古典概型的唯一条件，忽略了等可能性——比如掷两枚骰子，把“点数和”当成基本事件就不等可能了，得回到 36 个有序结果去数。

3. 随机变量：给每个结果贴上一个数字标签

3.1 从事件到函数：为什么要引入随机变量

直接研究事件很别扭，因为事件是集合，不好做加减乘除。随机变量的思路是：给样本空间里每个结果配一个实数，把“事件”翻译成“数值满足某条件”。比如掷两枚骰子，与其研究“点数和为 7”这个集合，不如定义 X = 两枚点数之和，然后问 P(X=7)。这一步转换，让概率论从“数集合”升级成“研究函数”。

描述一个随机变量，核心工具是分布函数 F(x) = P(X ≤ x)。它有三条硬性特征：单调不减、右连续、取值在 0 到 1 之间且两端极限分别是 0 和 1。这三条同时也是判断“一个函数能不能当分布函数”的充要条件。

按取值特点，随机变量分两类。离散型的取值可以一个个列出来，用分布律 P(X=xᵢ)=pᵢ 描述，所有 pᵢ 非负且求和为 1。连续型的取值不可数，用概率密度 f(x) 描述，满足非负且全轴积分为 1，而它在任何单点的概率都是 0——这一点常让人困惑：概率为 0 不等于不可能发生，只是“单点”在连续世界里太瘦了，量不出重量。

3.2 期望与方差：两个数字概括一整条分布

一条分布信息量很大，但人脑装不下，于是用几个“数字特征”来概括。期望 EX 是加权平均，反映取值的中心位置；方差 DX 衡量取值相对期望的分散程度，等于 E(X−EX)²，也常写成 EX² − (EX)² 方便计算。标准差就是方差开根号，量纲和原变量一致，解释起来更直观。

期望是线性的：E(aX+bY) = aEX + bEY，无论独不独立都成立。方差没这么好心：D(aX+b) = a²DX，而 D(X+Y) = DX + DY + 2cov(X,Y)，只有独立（或不相关）时协方差项才消失。这个差别是考试和实战里的高频翻车点。

再往上一层是矩：k 阶原点矩 E(Xᵏ)，k 阶中心矩 E(X−EX)ᵏ。期望是一阶原点矩，方差是二阶中心矩；三阶中心矩看分布偏不偏，四阶中心矩看分布陡不陡。协方差 cov(X,Y) = E[(X−EX)(Y−EY)] 衡量两个变量同向波动的程度，相关系数 ρ 则是把它标准化到 [−1,1]，只反映线性相关强弱。

注意：不相关只代表没有线性关系，不代表一定独立。两个变量可能强烈依赖，但相关系数为 0。

3.3 常见分布速查：什么场景配什么分布

离散型里，0-1 分布对应“只有两种结果”的一次试验；二项分布 B(n,p) 是 n 重伯努利试验中成功次数；泊松分布 P(λ) 描述大量试验中稀有事件的频数，比如单位时间内的呼叫数、每页的印刷错误数，当 n 大 p 小时二项分布可近似为泊松。几何分布 G(p) 是“等到首次成功”的试验次数，有无记忆性；超几何分布 H(n,M,N) 是“不放回抽样”数次品，当 N 很大时可近似二项。

连续型里，均匀分布 U(a,b) 是“区间内等可能落点”；指数分布 E(λ) 常用来描述寿命，同样有无记忆性——已经用了多久，不影响还能用多久的分布；正态分布 N(μ,σ²) 是最常见的“钟形”，身高、工件直径、测量误差都爱用它。正态分布的计算靠标准化：Z = (X−μ)/σ 服从 N(0,1)，然后查表。σ 越小钟形越陡，σ 越大越扁平。

3.4 随机变量函数：换了层皮，分布怎么跟着变

已知 X 的分布，要求 Y = g(X) 的分布，思路分两种。离散型最直接：把 g 取值相同的那些 x 的概率加起来，就是 Y 取该值的概率。连续型则用分布函数法：先写 F_Y(y) = P(g(X) ≤ y)，把不等式解成 X 的范围，再用 X 的密度积分，最后对 y 求导得密度。如果 g 单调可导，也可以直接用公式 f_Y(y) = f_X(h(y))·|h′(y)|，其中 h 是 g 的反函数。

这里的关键不是背公式，而是理解“概率守恒”：X 落在某个小区间的概率，必须等于 Y 落在对应区间的概率，密度只是把这个概率“摊”到 y 轴上，所以换元时要乘雅可比因子。

4. 随机向量：当一件事由多个变量共同决定

4.1 联合分布、边缘分布与独立性

现实里的随机现象很少只有一个变量。一个人的身高和体重、一次测量的横纵坐标，都是“多个随机变量绑在一起”，这就是随机向量。二维情形最常用，描述工具是联合分布函数 F(x,y) = P(X≤x, Y≤y)，离散型用联合分布律 pᵢⱼ，连续型用联合密度 f(x,y)。

从联合分布能“抽”出单个变量的分布，叫边缘分布：离散型把列联表同一行或同一列的概率相加，连续型对另一个变量积分。反过来不成立——边缘分布一般推不出联合分布，因为丢掉了变量之间的关联信息。

独立性是这里的分水岭：X 与 Y 独立，当且仅当联合分布等于边缘分布之积，离散型是 pᵢⱼ = pᵢ·p·ⱼ，连续型是 f(x,y) = f_X(x)f_Y(y)。判断独立性，最稳的办法就是验证这个乘积关系，别凭感觉。

4.2 条件分布：知道一个，另一个怎么变

给定 X = xᵢ 的条件下，Y 的条件分布律是 pᵢⱼ / pᵢ·，也就是“在 X 取这一值的行里重新归一化”。连续型的条件密度是 f(y|x) = f(x,y) / f_X(x)，前提是边缘密度不为 0。条件分布是贝叶斯思想和回归分析的起点：它回答的是“已知一部分信息，另一部分的分布长什么样”。

二维常见分布里，多项分布是二项分布的推广（每次试验有多种结果），多元超几何是不放回抽样的推广，二元正态则是正态分布的推广，其相关系数 ρ 直接刻画两个分量的线性关联。

4.3 二维随机向量函数与两个“大数”定理

二维函数 Z = g(X,Y) 的分布，思路和一维一致：离散型把满足 g(x,y)=k 的所有联合概率加起来；连续型先写 F_Z(z) = P(g(X,Y) ≤ z)，在区域 g(x,y) ≤ z 上对联合密度积分，再对 z 求导。

再往后是两个撑起“用样本推断总体”的定理。大数定律说：样本量足够大时，样本均值会依概率收敛到总体均值——这就是“多测几次取平均”的理论依据，辛钦大数定律和伯努利大数定律是常用版本。中心极限定理更进一步：不管总体什么分布，只要独立同分布且方差有限，样本均值标准化后就近似服从标准正态——这条定理解释了为什么正态分布在自然界如此普遍，也是后面区间估计和假设检验的底层支撑。

5. 数理统计：拿着数据反过来猜规律

5.1 总体、样本与统计量：先把“数据”定义清楚

数理统计的起点是把研究对象分成总体和个体，从总体中随机抽取的一部分叫样本。合格的简单随机样本要满足两条：代表性（每个分量与总体同分布）和独立性（各分量相互独立）。样本里个体的数量叫样本容量，观测后得到的具体数值叫样本值。

统计量是样本的函数，且不能含任何未知参数——这条限制很关键，含了未知参数就没法算。常用统计量有样本均值、样本方差（分母是 n−1，这样才无偏）、样本 k 阶原点矩和中心矩。注意样本方差不是样本二阶中心矩，后者分母是 n，两者差一个系数，这是高频易混点。

5.2 点估计与区间估计：给参数一个“值”还是一个“范围”

参数估计分两条路。点估计直接给一个数：矩估计法用样本矩替换总体矩，依据是大数定律；最大似然估计法则是选一个参数值，让“当前这批样本出现的可能性最大”，操作上就是写似然函数、取对数、求导令其为零、解方程。

点估计好不好，看三条标准：无偏性（平均来看等于真值）、有效性（均方误差小）、一致性（样本量增大时依概率收敛到真值）。区间估计则给一个范围：在给定置信度 1−α 下，构造置信下限和上限，使得参数落在区间内的概率为 1−α。常用方法是枢轴变量法——找一个含参数但分布已知且不依赖未知参数的样本函数，再解不等式。

单正态总体下，均值 μ 的区间估计分 σ 已知（用 U 统计量）和 σ 未知（用 t 统计量）两种；方差 σ² 的估计用卡方统计量。双总体则涉及两个均值差和两个方差比的估计，分别用正态、t 和 F 统计量。

5.3 假设检验：先假定，再看数据打不打脸

假设检验的逻辑很像“反证法”：先提出原假设 H₀ 和备择假设 H₁，构造检验统计量，给定显著性水平 α（一个小概率），确定拒绝域 W，最后用样本算出的观测值判断落不落在拒绝域里。

这里有两类错误：拒真错误（H₀ 为真却被拒绝）和取伪错误（H₀ 为假却被接受）。两者此消彼长，除非增大样本量，否则没法同时压低，所以通常采用“先控制第一类错误、再尽量减小第二类”的原则。单正态总体下，均值检验同样按 σ 已知/未知分 U 检验和 t 检验；方差检验用卡方；双总体用 F 检验比较方差比。

除了参数检验，还有非参数的皮尔逊拟合优度检验（检验总体是否服从某个已知分布）和独立性检验（用列联表判断两个变量是否独立），两者都基于“实际频数与理论频数偏差平方和”构造卡方统计量。

6. 什么时候该用、什么时候别硬套：一份边界清单

这套工具不是万能的，用错场景比不会用更麻烦。下面按“能用”和“别用”两类说清楚。

举个具体例子。某实验室做一批传感器的寿命测试，抽了 12 个样品，想估计平均寿命并判断是否达到 5000 小时的标称值。这里样本量只有 12，总体分布未知，正确做法是：先看数据有没有明显偏态或异常值；用样本均值和样本标准差做点估计；区间估计和均值检验都走 t 统计量而不是正态 U 统计量；如果数据严重偏离正态，还得考虑对数变换或非参数方法。反过来，如果硬套正态近似，置信区间会偏窄，检验的显著性水平也会失真——这就是典型的“公式对、场景错”。

我自己的习惯是：每次拿到数据，先问三件事——样本是不是随机抽的、量够不够、分布大概长什么样，这三关过了再动公式。有一次帮人看一组只有 8 个样本的测量数据，对方直接上了正态检验，结论看着很漂亮，但把 t 检验一换，显著性就没了。从那以后我每次做估计和检验前，都强制先走一遍“样本量—分布—抽样方式”的检查，宁可多花十分钟，也不让结论建在沙子上。

这份笔记把四大块的概念、公式和适用条件整理在一起，适合放在手边随时对照。需要完整内容的话，下载后按章节过一遍，比零散搜公式更成体系。希望帮到你。

本文还有配套的精品资源，点击获取