简介：这份PDF笔记面向正在学习或备考概率论与数理统计的高校学生与自学者，系统梳理课程核心概念、公式与定理，适合课堂同步复习、期末冲刺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、常见离散型与连续型分布、数字特征、大数定律与中心极限定理、点估计与区间估计、假设检验、方差分析与回归分析等知识点，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，大小约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：一张从样本空间铺到假设检验的知识地图
翻开任何一本概率论与数理统计教材，目录几乎都是同一副骨架：随机事件与概率、随机变量及其分布、随机向量、数理统计。四块内容看着像四条平行线，真正学进去才发现它是一条单向依赖链——概率是地基，随机变量是把事件翻译成实数的工具，随机向量把一维推广到多维，数理统计则反过来用样本推断总体。这条链上任何一环松动，后面都会连锁翻车。这份笔记的价值就在于把四块内容压成一张可检索的地图：概念表、分布表、统计量分布表、检验拒绝域表各自归位，复习时不用再翻原书找公式。它适合已经过了一遍教材、正在做期末或考研冲刺的人，也适合刚学完一章想立刻建立全局感的人。下面按这条依赖链逐块拆，重点标出容易记混和容易漏的地方。
2. 随机事件与概率：从样本空间到贝叶斯公式的运算主线
2.1 事件关系与运算：先分清互斥和对立
概率论的第一道坎不是算概率，而是把事件之间的关系说清楚。笔记里把随机现象、随机试验、基本事件、样本空间、随机事件、必然事件、不可能事件这一串概念排成表，核心只有一句：随机事件是样本空间的子集，事件运算完全照搬集合运算。真正需要单独拎出来的是三组关系。
| 关系 | 定义 | 关键区别 |
|---|---|---|
| 互斥事件 | A、B 不可能同时发生，AB=∅ | 可以都不发生 |
| 对立事件 | A 不发生的事件，记作 Ā | 必有一个发生，A∪Ā=Ω |
| 独立事件 | 一个发生对另一个发生的概率无影响，P(AB)=P(A)P(B) | 是概率关系，不是集合关系 |
最容易错的是把互斥当独立。互斥事件在 P(A)>0、P(B)>0 时一定不独立，因为一个发生直接排除了另一个。反过来，独立事件一般可以同时发生。笔记里还提到完备事件组：若 A₁ 到 Aₙ 是样本空间的一个划分，每次试验必发生且仅发生其中一个，这就是后面全概率公式和贝叶斯公式的前提条件。复习时建议把「互斥、对立、独立、完备事件组」四个词写在一张卡片上，每个词旁边只写一句判定条件，比背定义有效。
2.2 概率的性质与五大公式：加法、乘法、全概率、贝叶斯
概率的公理化定义只有三条：非负性、规范性 P(Ω)=1、可列可加性。笔记从这三条推出了一串性质，其中考试高频的是这几条：P(∅)=0；P(A−B)=P(A)−P(AB)；P(Ā)=1−P(A)；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 P(AB)=P(A)P(B|A)，链式推广到 n 个事件。
全概率公式和贝叶斯公式是这一章的分水岭。全概率公式解决「由因推果」：A₁ 到 Aₙ 是完备事件组，P(B)=ΣP(Aᵢ)P(B|Aᵢ)。贝叶斯公式解决「由果溯因」：P(Aₖ|B)=P(Aₖ)P(B|Aₖ)/ΣP(Aᵢ)P(B|Aᵢ)。两者分子分母结构一样，区别只在问的是哪一个条件概率。做题时先判断题目给的是「各原因下的结果概率」还是「结果已发生反推原因」，前者用全概率，后者用贝叶斯，判断错方向公式就套反。
条件概率本身也常被忽略：P(A|B)=P(AB)/P(B) 要求 P(B)>0，它同样满足非负性、规范性、可列可加性，所以条件概率是一个新的概率，不是普通比值。很多人算 P(A|B) 时直接拿 P(A) 改一改，翻车就翻在这里。
2.3 古典概型与几何概型：有限等可能与无限可度量
古典概型两个条件：样本空间有限、每个基本事件等可能，概率等于有利样本点数除以样本点总数。几何概型把「有限」换成「可度量」：样本空间对应一个度量有限的几何区域 S，基本事件与 S 中的点一一对应，事件 A 对应子区域 D，P(A) 只与 D 的度量成正比，与形状和位置无关。
两类概型的共同点是「等可能」，区别在计数方式：古典概型数个数，几何概型量长度、面积、体积。几何概型最容易错在把「度量」选错，比如一维问题用了面积，或者区域边界处理不清。笔记里把两类概型的定义和公式并列，复习时对照看一遍，比单独背更稳。
3. 随机变量及其分布：分布函数、数字特征与常见分布对照
3.1 分布函数与两类随机变量：右连续是硬条件
随机变量是把样本点映射成实数的单值实函数，分布函数 F(x)=P(X≤x) 是描述它的统一工具。笔记列出的充要条件有四条：0≤F(x)≤1、单调不减、右连续、F(−∞)=0 且 F(+∞)=1。其中右连续最容易被跳过，但它决定了 F(x) 在跳跃点取哪一侧的值，离散型分布函数的台阶形状全靠它。
离散型随机变量的分布律 pᵢ=P(X=xᵢ) 满足 pᵢ≥0、Σpᵢ=1；连续型随机变量存在非负可积的密度 f(x)，使 F(x)=∫f(t)dt，且 f(x) 在连续点处等于 F′(x)。这里有个反直觉结论：连续型随机变量在任意一点取值的概率为 0，所以 P(a<X≤b)=P(a≤X≤b)=F(b)−F(a)，端点开闭不影响结果。离散型则完全相反，单点概率可以不为零。两类随机变量在「单点概率」上的差异，是后面做区间概率题时反复用到的判断依据。
3.2 数字特征：期望、方差、协方差与相关系数
数字特征这一块笔记给得比较密，核心是期望和方差两条主线，外加协方差和相关系数描述两个变量之间的关系。
| 特征 | 离散型 | 连续型 | 关键性质 |
|---|---|---|---|
| 期望 EX | Σxᵢpᵢ，绝对收敛才存在 | ∫xf(x)dx，绝对收敛才存在 | 线性：E(aX+bY)=aEX+bEY |
| 方差 DX | Σ(xᵢ−EX)²pᵢ | ∫(x−EX)²f(x)dx | DX=E(X²)−(EX)² |
| 协方差 | E[(X−EX)(Y−EY)] | 同左 | cov(X,Y)=E(XY)−EX·EY |
| 相关系数 | cov(X,Y)/(σXσY) | 同左 |
几个高频易错点：独立一定不相关，但不相关不一定独立，相关系数为 0 只排除线性关系；D(X+Y)=DX+DY+2cov(X,Y)，只有独立时协方差项才消失；切比雪夫不等式 P(|X−EX|≥ε)≤DX/ε² 不要求分布已知，是估计概率上界的兜底工具。笔记还提到 k 阶原点矩和 k 阶中心矩，方差是二阶中心矩，三阶中心矩衡量偏度，四阶衡量陡峭程度，这部分知道定义和用途即可，不必深挖。
3.3 常见分布速查：离散四种、连续三种
常见分布是这一章必须背熟的部分，笔记用两张表分别整理离散型和连续型，这里压缩成一张对照表，重点看期望、方差和适用模型。
| 分布 | 参数 | 期望 | 方差 | 典型场景 |
|---|---|---|---|---|
| 0-1 分布 | p | p | p(1−p) | 只有两种结果的单次试验 |
| 二项分布 B(n,p) | n,p | np | np(1−p) | n 重伯努利试验的成功次数 |
| 泊松分布 P(λ) | λ | λ | λ | 稀有事件在单位时间内的发生次数 |
| 几何分布 G(p) | p | 1/p | (1−p)/p² | 首次成功所需的试验次数，无记忆性 |
| 均匀分布 U(a,b) | a,b | (a+b)/2 | (b−a)²/12 | 区间内等可能落点 |
| 指数分布 E(λ) | λ | 1/λ | 1/λ² | 寿命类问题，无记忆性 |
| 正态分布 N(μ,σ²) | μ,σ² | μ | σ² | 身高、误差等大量自然现象 |
泊松定理要单独记：n 很大、p 很小、np 趋于 λ 时，二项分布近似泊松分布。正态分布则要记住标准化 Z=(X−μ)/σ∼N(0,1)，一般正态的概率计算全靠标准化后查表。几何分布和指数分布都有无记忆性，但一个离散一个连续，公式形式不同，别混用。
3.4 随机变量函数：离散同像合并，连续用分布函数法
已知 X 的分布求 Y=g(X) 的分布，离散型做法是把 g(xᵢ) 相同的概率相加，得到 Y 的分布律；连续型的通用方法是先写 F_Y(y)=P(g(X)≤y)，再对 y 求导得密度。笔记里给出的连续型密度公式本质就是分布函数法，实际做题时按「解不等式、定积分限、求导」三步走，比直接套公式更不容易错。这里的关键是 g 不单调时要分段，单调时才能用反函数公式，漏掉分段是这一节最常见的失分点。
4. 随机向量：联合、边缘、条件与独立性
4.1 联合分布与边缘分布：列联表相加
二维随机向量的联合分布函数 F(x,y)=P(X≤x,Y≤y)，充要条件比一维多一条：对任意 x₁≤x₂、y₁≤y₂，有 F(x₂,y₂)−F(x₂,y₁)−F(x₁,y₂)+F(x₁,y₁)≥0。离散型的联合分布律可以写成列联表，边缘分布律就是同一行或同一列概率相加；连续型的边缘密度由联合密度对另一个变量积分得到：f_X(x)=∫f(x,y)dy。
独立性判定是这一节的核心：X 与 Y 独立等价于 F(x,y)=F_X(x)F_Y(y)，离散型等价于 pᵢⱼ=pᵢ·p·ⱼ 对所有 i、j 成立，连续型等价于 f(x,y)=f_X(x)f_Y(y)。注意「对所有取值成立」这个限定，只验证一两个点就下结论是典型错误。另外，连续型随机向量各分量都是连续型，但反过来不成立，两个连续型分量拼成的向量未必是连续型，这个细节笔记专门标了出来。
4.2 条件分布与二维常见分布
条件分布在离散型里是 P(Y=yⱼ|X=xᵢ)=pᵢⱼ/pᵢ·，连续型里是 f_{Y|X}(y|x)=f(x,y)/f_X(x)，前提是分母大于零。条件分布的意义是把二维问题降成一维，后面求条件期望 E(X|Y=y) 时直接用它加权求和或积分。
二维常见分布笔记列了多项分布、多元超几何分布、平面均匀分布和二元正态分布。多项分布是二项分布推广到每次试验有多种结果，多元超几何是超几何分布的多维版本，平面均匀分布是数轴均匀分布推广到矩形区域，二元正态分布则多了一个相关系数 ρ 参数。这几个分布知道来源和参数含义即可，考试重点仍在二元正态的独立性与 ρ=0 的等价关系上。
4.3 二维随机向量函数：卷积公式与变量变换
Z=g(X,Y) 的分布，离散型把所有满足 g(xᵢ,yⱼ)=k 的概率相加；连续型先写 F_Z(z)=P(g(X,Y)≤z)，再在区域 g(x,y)≤z 上对联合密度积分，最后对 z 求导。最常用的是 Z=X+Y 的情形，独立时密度为卷积 f_Z(z)=∫f_X(x)f_Y(z−x)dx。做这类题的关键是画积分区域，区域画错，积分限就全错，这是二维部分最容易翻车的地方。
5. 数理统计：从抽样分布到假设检验的推断链条
5.1 总体、样本与统计量：无未知参数是硬门槛
数理统计的基本设定是：总体分布 F(x;θ) 含未知参数 θ，从中抽取简单随机样本 X₁ 到 Xₙ，要求代表性（每个分量与总体同分布）和独立性（分量相互独立）。统计量是样本的函数且不含任何未知参数，这句话是判定统计量的唯一标准——含 θ 的函数再像统计量也不是。
常用统计量包括样本均值 X̄、样本方差 S²=Σ(Xᵢ−X̄)²/(n−1)、样本 k 阶原点矩和中心矩。这里有个反复考的点：样本方差分母是 n−1 不是 n，因为这样才无偏；样本二阶中心矩分母是 n，它不是样本方差。笔记特意标注「样本方差不是样本二阶中心矩」，这个区分在后面的抽样分布里直接决定用哪个自由度。
5.2 三大抽样分布与正态总体下的统计量分布
χ² 分布、t 分布、F 分布是数理统计的三块基石。χ²(n) 是 n 个独立标准正态变量平方和；t(n) 是一个标准正态变量除以独立的 χ²(n)/n 的平方根；F(n₁,n₂) 是两个独立 χ² 变量各除自由度后的比值。三者的关系要记牢：t(n) 的平方服从 F(1,n)，F 分布有倒数性质 F_{1−α}(n₁,n₂)=1/F_α(n₂,n₁)。
正态总体下的抽样分布是计算区间和检验的弹药库，必须背到条件反射：
| 统计量 | 分布 | 前提 |
|---|---|---|
| (X̄−μ)/(σ/√n) | N(0,1) | σ 已知 |
| (X̄−μ)/(S/√n) | t(n−1) | σ 未知 |
| Σ(Xᵢ−μ)²/σ² | χ²(n) | μ 已知 |
| (n−1)S²/σ² | χ²(n−1) | μ 未知 |
| S₁²/S₂² · σ₂²/σ₁² | F(n₁−1,n₂−1) | 两正态总体 |
这张表是后面点估计、区间估计、假设检验共用的底表，记混一个自由度，后面全错。记忆方法是看「用了几个估计量」：μ 已知时用 n 个偏差，自由度 n；μ 未知用 X̄ 代替，少一个自由度，变 n−1。
5.3 点估计与区间估计：矩估计、最大似然、枢轴变量
点估计两种方法。矩估计用样本矩代替总体矩：先求总体原点矩 μᵢ=gᵢ(θ)，解出 θ=h(μ)，再把 μ 换成样本矩 Aᵢ。最大似然估计先写似然函数 L(θ)=∏f(xᵢ;θ)，取对数后对 θ 求导令其为零，解似然方程，最后确认是最大值点。矩估计简单但有时不唯一，最大似然计算量大但性质好，两者结果不一定相同，题目要求哪种就做哪种。
区间估计的通用方法是枢轴变量法：找一个含待估参数、分布已知且不依赖其他未知参数的样本函数 U，对置信度 1−α 找 a、b 使 P(a<U<b)=1−α，再解不等式得到参数区间。单正态总体下 μ 的区间，σ 已知用 u 分位点，σ 未知用 t 分位点；σ² 的区间用 χ² 分位点。双总体则对应使用 F 分布。这里最容易错的是分位点取哪一侧，笔记里上 α 分位点的定义是 P(X>λ_α)=α，套公式前先确认自己用的表和定义一致。
5.4 假设检验：两类错误与拒绝域
假设检验的通用步骤是：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，确定拒绝域 W，抽样后看统计量观测值是否落入 W。核心逻辑是小概率原理：H₀ 成立时，观测值落入拒绝域是小概率事件，一旦发生就拒绝 H₀。
两类错误必须分清：拒真错误是 H₀ 为真却拒绝，概率为 α；取伪错误是 H₀ 为假却接受，概率记作 β。样本容量固定时两者不能同时减小，通常先控制 α 再尽量压低 β。单正态总体检验中，μ 的检验按 σ 已知未知分别用 u 和 t 统计量，σ² 的检验用 χ² 统计量；双总体比较均值用 t 或 u，比较方差用 F。拒绝域的形式取决于双边还是单边，双边取 |U|≥分位点，单边看备择假设的方向。
拟合优度检验用皮尔逊 χ² 统计量 Σ(nᵢ−npᵢ)²/(npᵢ)，自由度是分组数减 1 再减估计参数个数；独立性检验先画列联表，理论频数用行合计乘列合计除以总数，统计量同样服从 χ²，自由度为 (r−1)(s−1)。这两个检验的统计量形式几乎一样，区别只在理论频数怎么算和自由度怎么定。
6. 易漏点与易错点：五条血泪经验
易漏点一：互斥与独立混为一谈。为什么漏：两个词都描述「两个事件的关系」，定义背得熟但做题时不区分集合关系和概率关系。怎么补：看到「互斥」就想 AB=∅，看到「独立」就写 P(AB)=P(A)P(B)，P(A)、P(B) 都大于零时两者不可能同时成立，用这个反例自检。
易漏点二：连续型单点概率为零，却仍去算 P(X=a)。为什么漏：离散型的分布律思维惯性太强，看到点就想代公式。怎么补：连续型一律转成区间概率，P(a<X≤b)=F(b)−F(a)，端点开闭随意，单点直接写 0。
易漏点三：样本方差与样本二阶中心矩混用。为什么漏：两个式子长得像，只差分母 n 和 n−1。怎么补：记住「无偏用 n−1，抽样分布用 n−1」，凡是涉及 χ²(n−1) 和 t(n−1) 的地方都用 S²，看到分母 n 的统计量先怀疑是不是写错了。
易漏点四：不相关当成独立。为什么漏：ρ=0 的结论太顺口，忘了它只排除线性关系。怎么补：记一个反例——X 服从对称分布、Y=X²，两者不相关但明显不独立；判断题里看到「不相关推出独立」直接判错。
易漏点五：假设检验拒绝域方向搞反。为什么漏：双边和单边的分位点取法不同，备择假设的「大于」「小于」决定尾巴在哪一侧。怎么补：动笔前先把 H₁ 写成不等式，H₁ 是 μ>μ₀ 就取右侧尾，是 μ<μ₀ 就取左侧尾，是 μ≠μ₀ 就两侧各 α/2，写完再代分位点。
7. 复习清单：一张表查完四块内容
复习到后期，最怕的不是不会，而是不知道自己哪里不会。下面这张清单按四块内容列出必查项，每项后面跟一个自检动作，能独立完成就打勾，卡住的立刻回对应章节补。
| 模块 | 必查项 | 自检动作 |
|---|---|---|
| 概率 | 五大公式 | 默写加法、乘法、全概率、贝叶斯，各配一道例题 |
| 概率 | 两类概型 | 各做一道计数题和一道几何度量题 |
| 随机变量 | 分布函数四条件 | 写出右连续的含义并举一个跳跃点例子 |
| 随机变量 | 七大分布 | 默写期望方差表，说出各自适用场景 |
| 随机变量 | 函数分布 | 独立完成一道离散合并、一道连续分布函数法 |
| 随机向量 | 边缘与条件 | 从联合密度求边缘密度和条件密度各一次 |
| 随机向量 | 独立性判定 | 用定义验证一对随机变量是否独立 |
| 数理统计 | 三大分布关系 | 写出 t 与 F、F 倒数性质的推导 |
| 数理统计 | 抽样分布表 | 默写五个统计量及其分布和前提 |
| 数理统计 | 点估计 | 同一题分别做矩估计和最大似然估计 |
| 数理统计 | 区间估计 | 单总体 μ、σ² 各推一遍枢轴变量 |
| 数理统计 | 假设检验 | 写出双边检验完整五步，标出拒绝域 |
查漏补缺的具体做法是「错题归因」而不是「错题重做」。每道错题只问三个问题：错在概念、错在公式、还是错在计算。概念错就回概念表，公式错就回分布表或统计量分布表，计算错就单独练积分和分位点查表。三类错误分开统计，哪类占比高就先补哪类，比从头再刷一遍效率高得多。
还有一个习惯值得坚持：每复习完一章，合上书用一张白纸画出这一章的概念依赖图，只写名词和箭头，不写公式。画不出来的地方就是没真正串起来的地方，比反复看笔记更能暴露漏洞。概率论与数理统计这门课，公式多但结构清楚，真正拉开差距的往往不是谁背得多，而是谁能在做题前先判断出这道题落在哪一块、该调用哪张表。从那以后我每次复习这部分内容，都强制先过一遍这张清单再动笔，错题归因也按概念、公式、计算三类分开记，慢慢就发现翻车的次数明显少了。希望这份梳理能帮到你。
本文还有配套的精品资源，点击获取
