概率论与数理统计期末考试复习

1、第1章随机事件及其概率（1）排 列组合 公式cmm!(m n)! m! n!(m n)!从m个人中挑出n个人进行排列的可能数。从m个人中挑出n个人进行组合的可能数。加 法和乘 法原理一 些常见 排列（4）随 机试验 和随机 事件基 本事 件、样 本空间 和事件（6）事 件的关 系与运 算加法原理（两种方法均能完成此事）：m+n某件事由两种方法来完成，第一种方法可由m#方法完成，第二种方 法可由n种方法来完成，则这件事可由m+n种方法来完成。乘法原理（两个步骤分别不能完成这件事）：mK n某件事由两个步骤来完成，第一个步骤可由rn#方法完成，第二个步 骤可由n种方法来完成，则这件事可由mx n种

2、方法来完成。重复排列和非重复排列（有序）对立事件（至少有一个）顺序问题如果一个试验在相同条件下可以重复进行，而每次试验的可能结果不 止一个，但在进行一次试验之前却不能断言它出现哪个结果，则称这 种试验为随机试验。试验的可能结果称为随机事件。在一个试验下，不管事件有多少个，总可以从其中找出这样一组事件, 它具有如下性质：每进行一次试验，必须发生且只能发生这一组中的一个事件；任何事件，都是由这一组中的部分事件组成的。这样一组事件中的每一个事件称为基本事件，用 来表示。基本事件的全体，称为试验的样本空间，用 表示。一个事件就是由 中的部分点（基本事件）组成的集合。通常用大写字母A, B, C,表示事

3、件，它们是的子集。为必然事件，功不可能事件。不可能事件（?）的概率为零，而概率为零的事件不一定是不可能事件; 同理，必然事件（Q）的概率为1,而概率为1的事件也不一定是必然 事件。关系：如果事件A的组成部分也是事件B的组成部分，（A发生必有事件B发生）：A B如果同时有A B, B A,则称事件A与事件B等价，或称A等于B: A=BA B中至少有一个发生的事件：A B,或者A+R属于A而不属于B的部今所构成的事件，称为A与B的差，记为A-B, 也可表示为A-A域者aB,它表示A发生而B不发生的事件。A B同时发生：A B,或者AB A B2 则表示A与B不可能同时发 生，称事件A与事件B互不相

4、容或者互斥。基本事件是互不相容的。-A称为事件A的逆事件，或称A的对立事件，记为它表示A不 发生的事件。互斥未必对立。运算：结合率：A（BC）=（AB）C AJ （BUC）=（AU B）UC分配率：(AB)UC=(AJ C)A (BUC) (AUB)AC=(AC)J(BC)德摩根率： AiAiABAB，ABABi 1i 1概 率的公 理化定 义设 为样本空间，A为事件，对每一个事件A都有一个实数P(A), 若满足卜列三个条件：10WP(A)W,2 P( Q) =13 对于两两互不相容的事以1, A2,有常称为可列(完全)可加性。则称P(A)为事件A的概率。(8)古 典概型11 , 2n ,一1

5、2 P( 1) P( 2)P( n)-0n设任一事件A，它是由1, 2m组成的，则有P(A)=( 1) ( 2)( m) =P( 1) P( 2)P( m)几 何概型若随机试验的结果为无限不可数并且每个结果出现的可能性均匀，同 时样本空间中的每一个基本事件可以使用一个有界区域来描述，则称 此随机试验为几何概型。对任一事件A,P(A) 罟其中L为几何度量(长度、面积、体积)b(10)加法公 式P(A+B)=P(A)+P(B)-P(AB)当 P(AB)= 0时,P(A+B)=P(A)+P(B)(11) 减法公 式P(A-B)=P(A)-P(AB)当 B A时,P(A-B)=P(A)-P(B)当 A

6、近日P(b)=1- P(B)(12)条件概 率定义设A、B是两个事件，且P(A)>0,则称:个)为事件A发生条件 P(A)下，事件B发生的条件概率，记为P(B/A)P(A) o条件概率是概率的一种，所有概率的性质都适合于条件概率。例如 P(Q/B)=1 P(B/A)=1-P(B/A)(13)乘法公 式乘法公式：P(AB) P(A)P(B/A)更一般地，对事件A, A A 若P(AAr-A-1)>0,则有P(A1A2 An) P(A1)P(A2| A1)P(A3| A1A2)P(An | A1A2- An 1)。(14)独立性两个事件的独立性设事件A、B满足P(AB) P(A)P(B

7、),则称事件A、B是相互独立 的。若事件A、B相互独立，且P(A) 0,则有若事件A、B相互独立，则可得到A与B、庆与、庆与飞也都相 互独立。必然事件和不可能事件?与任何事件都相互独立。?与任何事件都互斥。多个事件的独立性设AB0三个事件，如果满足两两独立的条件，P(AB)=P(A)P(B) P(BC尸P(B)P(C) P(CA)=P(C)P(A) 并且同时满足P(ABC尸P(A)P(B)P(C)那么A、B、C相互独立。对于n个事件类似。设事件B1,B2, ,Bn满足(15)全概公 式(16)贝叶斯 公式(17)伯努利 概型B1, B2, Bn 两两互不相容，P(Bi)0(i1,2, ,n),

8、则有P(A)P(B1)P(A|B1)P(B2)P(A|B2)P(Bn)P(A| Bn)。设事件B1，B2,，Bn及a满足B1P(Bi/A)B2 ,，Bn两两互不相容，P(Bi)>0, i nBi , P(A) 0 ,i 1P(Bi)P(A/ Bi)n, i=1 , 2, - noP(Bj)P(A/Bj)j 1此公式即为贝叶斯公式。P(B), (i 1, 2,，n),通常叫先验概率。P(B"A) n),通常称为后验概率。贝叶斯公式反映了 “因果” 作出了 “由果朔因”的推断。1, 2,，n ,(i 1 , 2，的概率规律，?我们作了 n次试验，且满足每次试验只有两种可能结果，a发

9、生或A不发生；n次试验是重复进行的，即A发生的概率每次均一样；每次试验是独立的，即每次试验A发生与否与其他次试验A发 生与否是互不影响的。这种试验称为伯努利概型，或称沙重伯努利试验。用p表示每次试验A发生的概率，则又发生的概率为1 p q,用Pn(k) 表示n重伯努利试验中A出现k(0 k n)次的概率，(1)离 散型随 机变量 的分布 律设离散型随机变量X的可能取值为Xk(k=1,2,)且取各个值 的概率，即事件(X=X)的概率为P(X=x)=pk, k=1,2，则称上式为离散型随机变量X的概率分布或分布律。有时也 用分布列的形式给出：X x1,x2, ,xk,、，、|°P(X x

10、k) p1, p2, , pk,显然分布律应满足卜列条件：(1) pk 0, k 1,2,pk 1。k 1Pnkpkqnk, k 0,1,2, ,n。第二章随机变量及其分布连 续型随 机变量 的分布 密度设F(x)是随机变量X的分布函数，若存在非负函数f(x),对任意 实数x,有xF (x)f (x)dx ,则称X为连续型随机变量。f(x)称为X的概率密度函数或密度函 数，简称概率密度。密度函数具有卜面4个性质：A °_1 f (x) 0。2 f (x)dx 1。离 散与连 续型随 机变量 的关系积分兀f(x)dx在连续型随机变量理论中所起的作用与P(X xk) pk在离散型随机变量

11、理论中所起的作用相类似。分 布函数设X为随机变量，x是任意实数，则函数称为随机变量X的分布函数，本质上是一个累积函数。P(a X b) F(b) F(a)可以得到X落入区间(a,b的概率。分布函数F(x)表示随机变量落入区间(-s, x内的概率。 分布函数具有如下性质：1 0 F(x) 1,x;2 F(x)是单调不减的函数，即x1 x2时，有F(x1) F(x2);3 F( ) lim F(x) 0,F( ) lim F(x) 1 .4 F(x 0) F(x),即F(x)是右连续的；5 P(X x) F(x) F(x 0)。对于离散型随机变量，F(x) Pk ； xk x x对于连续型随机变量

12、，F(x) f(x)dx。八 大分布0-1分布P(X=1)=p, P(X=0)=q二项分布在n重贝努里试验中，设事件A发生的概率为P。事 件A发生的次数是随机变量，设为X,则X可能取 值为 0,1,2, ,n。P(X k) Pn(k) Ckpkqnk, 其中 q 1 p,0 p 1, k 0,1,2, ,n, 则称随机变量x服从参数为n, p的二项分布。记为 X B(n,p)。当 n 1 时，P(X k) pkq1k, k 0.1,这就是(0-1) 分布，所以(0-1)分布是二项分布的特例。泊松分布设随机变量X的分布律为kP(X k) e ,0, k 0,1,2,k!则称随机变量X服从参数为的

13、泊松分布，记为X ()或者 P()。泊松分布为二项分布的极限分布(np=X , n-8)。超几何分 布随机变量X服从参数为n,N,M的超几何分布，记为H(n,N,M)。几何分布P(X k) qk 1p,k 1,2,3,其中 p>0, q=1-p。随机变量X服从参数为p的几何分布，记为G(p)。均匀分布设随机变量X的值只落在a , b内，其密度函数f (x) 在a, b上为常数二,即b a1aw x< bf(X) b, a，其他，则称随机变量X在a, b上服从均匀分布，记为Xu(a b)。分布函数为?0,x<a, x ax,F(x)f (x)dx 1 b aa<x<

14、 b当awx1<x<b时：X将在区间(x：bx2)内的概率为P(Xi X x2) x21 x1。b a指数分布xe ,x 0f(x) ?0x 0,?其中0 ,则称随机变量X服从参数为的指数分布。X的分布函数为x厂 1 e ,x 0,F(x) 1 0,x<0l?记住积分公式：正态分布设随机变量X的密度函数为 1 (x )2 Lef(x)其中:(x20为常数，则称随机变量x服从参数为、 的正态分布或高斯(GausS分布，记为2X N( , 2)。f(x)具有如下性质：1 f(x)的图形是关于X当x时，f()对称的；一为最大值;XN( , 2),则X的分布函数为1 F(x)2 参数

15、0、(t )2x 2e 2 dt001时的正态分布称为标准正态分布,记为XN(0,1),其密度函数记为(x)分布函数与(x)xt2e 2 dt。1(-x) = 1-0(x)且(0)=一。X如果X N(,),贝UN(0,1)(x)是不可求积函数，其函数值，已编制成表可供 查用。(6)分下分位表：p(x)=；上分位表：p(x)=。函 数分布离散型已知X的二9 X分布列为x1, x2, xn,?P(X xi)Y g(X)BYP1, P2, g&gL(,pn,')yi ,9小、相等)如下：p(y yi)若由某些 的概率。P1,P2, pn,'J(xi)相等，则应将对应的Pi相加

16、作为g(xi)oox1P(x1 X x2)x2连续型 先利用X的概率密度fx(x)写出Y的分布函数F(y)= P(g(X)wy),再利用变上下限积分的求导公式求出f6)。第三章二维随机变量及其分布(1)联合 分布离散型如果二维随机向量(X, Y的所启口能取值为 至多可列个有序对仅,y),则称为离散型随机量。设=(X, Y)的所启可能取值为(为,)。/ 1,2,)，且事件=(为)的概率为Pj,称为=(X, Y的分布律或称为X和Y的联合分布律。 联合分布有时也用卜面的概率分布袋来表示：工小y2yjX1pi1P12P1jX2P21P22P2jXiP1这里Pij具有卜面两个性质： (1)PijA0 (

17、i,j=1,2,)； i j Pij 1.连续型1)对于一维随机向量(X,Y),如果存在非负函数f(x,y)(X,y)，使对任意一个其邻边分别平行于坐标轴的矩形区域D,即D=(X,Y)|a<x<b,c<y<d有则称 为连续型随机向量；并称f(x,y)为=(X, Y的分布密度或称为X和Y的联合分布密度。分布密度f(x,y)具有卜面两个性质：f(x,y) >0;(2)f(x, y)dxdy 1.二维 随机变量 的本质(3)联合 分布函数设(X, Y)为二维随机变量，对于任意实数x,y,二元函数称为二维随机向量(X, Y)的分布函数，或称为随机变量X和Y 的联合分布函数

18、。分布函数是一个以全平面为其定义域，以事件( 1, 2)lX( J x,Y( 2) y的概率为函数值的一个实值函数。分布函数F(x,y)具有以下的基本性质：(1) 0 F(x, y) 1;F (x,y)分别对x和y是非减的，即当 X2>xi时，有 F (x2,y) >F(xi,y);当 y2>y 时,有 F(x,y2)> F(x,y i);(3) F (x,y)分别对x和y是右连续的，即(4) F( ,)F(, y) F(x,) 0,F(,) 1.(5)对于x1 x2，y1 y2，F(x2, y) F(x2,y1)F(x1，y)F(x1，y1)0.(4)离散 型与连续

19、型的关系(5)边缘 分布离散型X的边缘分布为Pi?P(Xxi)Pj(i, j 1.2,).j，Y的边缘分布为P?jP(Y yj)Pj(i, j 1,2, )o连续型X的边缘分布密度为Y的边缘分布密度为(6)条件 分布离散型在已知X=x的条件下，Y取值的条件分布为 在已知Y=y的条件下，X取值的条件分布为连续型在已知Y=y的条件下，X的条件分布密度为 f(x|y) f.fY(y)'在已知X=x的条彳下，Y的条件分布密度为(7)独立 性一般型F(X,Y)=F(x)Fa)攵型有零不独立连续型f(x,y)=f 乂x)f Y(y)直接判断，充要条件：可分离变量正概率密度区间为矩形二维正态 分布=

20、0随机变量 的函数若X,X2，汽Xm+广，相互独立，h,g为连续函数， 则：h (X,用篇)和g (Xm+厂-乂)相互独立。特例：若X与Y独立，则：h (X)和g (Y)独立。例如：若X与Y独立，则：3X+1和5Y-2独立。(8)二维设随机向量(X, Y)的分布密度函数为均匀分布 其中&为区域D的面积，则称(X, Y)服从D上的均匀分布, 记为(X Y)U (D)。例如图3.1、图3.2和图3.3。(10)函 数分布Z=X+YZ=max,mi n(X1,X2, X)(9)二维设随机向量(X, Y)的分布密度函数为正态分布 其中1, 2, i Q 2 0,1 I 1是5个参数，则称(X,

21、 Y)服从二 维正态分布，记为(X Y)N ( 1, 2, 12, 2,).由边缘密度的计算公式，可以推出二维正态分布的两个边缘分布 仍为正态分布，即 XN( 1, ；),YN( 2, 2).但是若XN( 1, 12),YN( 2, ；),(X, Y)未必是二维正态分布。根据定义计算：Fz(z) P(Z z) P(X Y z) 对于连续型，fz(z) = f(x, z x)dx两个独立的正态分布的和仍为正态分布(12,122)。n个相互独立的正态分布的线性组合，仍服从正态 分布。Ci i2Ci2 i2i'i若Xi, X2 Xn相互独立，其分布函数分别为fxi(x), Fx2(x) Fx

22、n(x),贝ij Z=max,min(XX2,乂)的2分布设n个随机变量Xl,X2, ,Xn相互独立，且服从标 准正态分布，可以证明它们的平方和 的分布密度为我们称随机变量WI艮从自由度为n的2分布，记为W 2(n),其中所谓自由度是指独立止态随机变量的个数，它是 随机变量分布中的一个重要参数。2分布满足可加性：设则t分布设X, Y是两个相互独立的随机变量，且可以证明函数的概率密度为我们称随机变量T服从自由度为n的t分布，记为Tt(n)。F分布设X 2(ni),Y 2(n2),且X与Y独立，可以证明F v / 1的概率密度函数为Y / n2我们称随机变量F服从第一个自由度为n1,第二个 自由度

23、为n2的F分布，记为Ff(n1, n 2).第四章 随机变量的数字特征(1) 一维 随机 变量 的数 字特 征离散型连续型期望期望就是平均值设X是离散型随机变量， 其分布律为P(X Xk) =Ps k=1,2,n,(要求绝对收敛)设X是连续型随机变量，其 概率密度为f(x),(要求绝对收敛)函数的期望Y=g(X)Y=g(X)方差D(X)=EX-E(X)2,标准差(X)向X),矩对于正整数k,称随机 变量X的k次哥的数学期 望为X的k阶原点矩，记 为Vk,即,kV k=E(X)= i xi pi ,k=1,2,.对于正整数k,称随机 变量X与E (X)差的k次 哥的数学期望为X的k阶 中心矩，记

24、为k,即k=(XiE(X) pii，k=1,2, .对于正整数k,称随机变 量X的k次哥的数学期望为 X的k阶原点矩，记为Vk, 即Y k=E(X)=xkf(x)dx,k=1,2,.对于正整数k,称随机变 量X与E(X)差的k次哥的 数学期望为X的k阶中心 矩，记为k,即=(x E(X)k f(x)dx,k=1,2,.切比雪夫不等式设随机变量X具有数学期望E (X)=w,方差D (X)= 一，则对于任意正数£ ,后卜列切比雪夫不等式 切比雪夫不等式给出了在未知X的分布的情况下，对概 率的一种估计，它在理论上有重要意义。) 期望)质4)E(C尸CE(CX尸CE(X) nnE(X+Y尸E

25、(X)+E(Y) E( GXi)GE(Xi 1i 1E(XY)=E(X) E(Y),充分条件：X和Y独立充要条件：X和Y不相3) 方差;) 的性) 质4)5)D(C)=Q E(C)=C _2_D(aX尸aD(X); E(aX)=aE(X) _2_D(aX+b尸 aD(X); E(aX+b)=aE(X)+bD(X)=E(X)-E2(X)D(X± Y)=D(X)+D(Y)充分条件：X和Y独立；充要条件：X和Y不相关。D(X土 Y尸D(X)+D(Y) ±2E(X-E(X)(Y-E(Y),无条件成立。而E(X+Y尸E(X)+E(Y)无条件成立。 常见 分布 的期 望和 . 、 、/

26、、 方差期望方差0-1 分布 B(1, p)P二项分布B(n,p)np泊松分布P()几何分布G(p)超几何分布H(n,M ,N)均匀分布U(a,b)指数分布e()正态分布N( , 2)n2nt分布0nn2(n>2) 二维 随机 变量 的数 字特 征期望函数的期望EG(X,Y)=EG(X,Y)=方差协力差对于随机变量X与Y,称它们的二阶混合中心矩11为X 与Y的协方差或相关矩，记为xy或cov(X,Y),即 与记号xy相对应，X与Y的方差D (X)与D (Y)也可 分别记为XX与YY。相关系数对于随机变量X与Y,如果D (X)>0, D(Y)>0,则称 为X与Y的相关系数，记作

27、xy (有时可简记为)。| | <1,当| |=1时，称X与Y完全相关：P(X aY b) 1人.斗正相关，当 1时(a 0),元王相关 负相关，当1时(a 0),而当 0时，称X与Y不相关。以卜五个命题是等价的： XY0 ； cov(X,Y)=0; E(XY尸E(X)E(Y); D(X+Y尸D(X)+D(Y); D(X-Y尸D(X)+D(Y).协方差矩阵混合矩对于随机变量X与Y,如果有E(XkYl)存在，则称之为 X与Y的k+l阶混合原点矩，记为ki ; k+l阶混合中心 矩记为：6方曲>)1协差性cov (X, Y)=cov (Y, X);cov(aX,bY尸ab cov(X,

28、Y);cov(Xi+X, Y)=cov(X i,Y)+cov(X2,Y);cov(X,Y)=E(XY)-E(X)E(Y). 独立 和不 相关若随机变量X与Y相互独立，则XY 0;反之不真。 若(X, Y)N( 1, 2, 12, 2,),则X与Y相互独立的充要条件是X和Y不相关。第五章 大数定律和中心极限定理(1)大数定律切比 雪夫定律设随机变量X, X 相互独立，均具有有限方差, 且被同一常数C所界：D (X) <C(i=1,2,)，则对 于任意的正数£ ,有特殊情形：若X,汇具有相同的数学期望E (X)一,则上式成为伯努 利大 数定 律设w是n次独立试验中事件A发生的次数,

29、p是 事件A在每次试验中发生的概率，则对于任意的正 数£ ,有伯努利大数定律说明，当试验次数n很大时， 事件A发生的频率与概率有较大判别的可能性很 小，即这就以严格的数学形式描述了频率的稳定性。辛钦定律设X, X ，X,是相互独立同分布的随机变量 序列，且E (Xn) =w,则对于任意的正数e有(2)中心极限 定埋列维 林 德伯 格定 理设随机变量X, X,相互独立，服从同一分布， 且具有相同的数学期望和方差：E(Xk),D(Xk)2 0(k 1,2,),则随机变量的分布函数Fn(x)对任意的实数X,有 此定理也称为独立同分布的中心极限定埋。棣莫 弗 拉普定埋设随机变量Xn为具有参数

30、n, p(0<p<1)的二项分 布，则对于任意实数X,有(3)二项定理若当NW，p(n,k不义)，则N超几何分布的极限分布为二项分布。(4)泊松定理若当n时,np0,则其中k=0, 1, 2,，n,。 二项分布的极限分布为泊松分布。第六章样本及抽样分布(1)数理 统计的基 本概念总体在数理统计中，常把被考察对象的某一个(或多个) 指标的全体称为总体(或母体)。我们总是把总体看 成一个具有分布的随机变量(或随机向量个体总体中的每一个单兀称为样品(或个体)样本我们把从总体中抽取的部分样品X1,X2, ,Xn称为样 本。样本中所含的样品数称为样本容量，一般用n 表示。在一般情况下，总是把

31、样本看成是n个相互 独立的且与总体有相同分布的随机变量，这样的样 本称为简单随机样本。在泛指任一次抽取的结果时, X1,X2, ,Xn表示n个随机变量(样本)；在具体的一 次抽取之后，X1,X2, ,Xn表示n个具体的数值(样 本值)。我们称之为样本的两重性。样本函数 和统代设X1,X2, ,Xn为总体的一个样本，称(X1,X2, Xn)为样本函数，其中为一个连续函数。如果中不 包含任何未知参数，则称(X1,X2, ,Xn)为一个 统一常见统计 量及其性 质1 n样本均值X 1Xi.n i 1样本方差1 nS2-(Xi x)2.n 1 i 1样本标准差s LL (Xi x)2.n n 1 i

32、1样本k阶原点矩样本k阶中心矩 2E(X) , D(X), nE(S2)2, E(S*2) = 2,n 1 n_其中s*2 - (Xi X)2 ,为二阶中心矩。n i 1(2)正态 总体下的 四大分布正态分布设x1,x2, ,Xn为来自正态总体N( , 2)的一个样本， 则样本函数t分布设X1,X2, ,Xn为来自正态总体N( , 2)的一个样本， 则样本函数其中t(n-1)表示自由度为n-1的t分布。设X1,X2, ,Xn为来自正态总体N( , 2)的一个样本， 则样本函数其中2(n 1)表示自由度为n-1的2分布。F分布设X1,X2, ,Xn为来自正态总体N( , 12)的一个样本，而y1

33、,y2, ,yn为来自止态总体N(,；)的一个 样本，则样本函数其中F(n1 1,n2 1)表示第一自由度为n1 1,第二自由度 为n 1的F分布。(3)正态 总体下分 布的性质X与s2独立。第七章参数估计(1) 点估 计矩估计设总体X的分布中包含有未知数1, 2, , m,则其分布函 数可以表成F(X； 1, 2, , m).它的k阶原点矩Vk E(Xk)(k 1,2,m)中也包含了未知参数1, 2, , m ,即Vk Vk( 1, 2, , m)。又设X1,X2, ,Xn为总体X的n个样 本值，其样本的k阶原点矩为这样，我们按照“当参数等于其估的时，总体矩等于相 应的样本矩”的原则建立方程

34、，即有由上面的m个方程中,解出的m个未知参数(1, 2, , m)即 为多数(1, 2, , m)的矩估订其。若 为 的矩估计，g(x)为连续函数，则g(?)为g()的矩 估计。极大似 然估计当总体X为连续型随机变量时，设其分布密度为f(X； 1, 2, m),其中1,2, , m为未知参数。又设X1,X2, ,Xn为总体的一个样本,称为样本的似然函数，简记为Ln.当总体X为离型随机变量时，设其分布律为PX X p(x； 1 , 2, m),则称为样本的似然函数。若似然函数 L(X1,X2, ,Xn； i, 2, m)在 12m 处,取到最大值，则称1, 2,田分别为1, 2, , m的最大似

35、 然估计值，相应的统皆称为最大似然估代。若 为 的极大似然估计,g(X)为单调函数，则g(?)为g() 的极大似然估计。 估计 量的 评选 标准无偏性设(X1,X2, ,Xn)为未知参数 的估力量。右E ()=,则称为的无偏估,。E (X) =E (X), E (S2) =D (X)后效性设 11(X1, X,2, ,Xn)和 22(X1,X,2, , Xn ) ZE 未知笠数的两个无偏估”里。右D( 1) D( 2),则称1比2后效。性设n是 的一串估的，如果对于任意的正数，都有 则称n为 的T估,(或相合估的)。若为的无偏估计，且D(?) 0(n)，则为的Tt估计。只要总体的E(X)和D(X)#在，一切样本矩和样本矩的连续 函数都是相应总体的一致估的。 区间 估计置信区 间和置 信度设总体X含有个待估的未知参数。如果我们从样本X1,X,2, ,Xn出发,找出两个统里11(X1, X,2, ,Xn)与22(X1,X,2, ,Xn) (