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人群，系统梳理课程核心概念、公式与定理，适合课堂同步复习、期末突击与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、回归分析等统计方法，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，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。
1. 概率论与数理统计笔记：从“抛硬币”到“猜未来”的那本小册子
你有没有过这种体验：翻开一本概率论教材，满眼都是“样本空间”“分布函数”“极大似然”，每个字都认识，连起来却像天书。其实这门学科干的事特别朴素——它教你在信息不全的情况下，怎么做出靠谱的判断。抛一枚硬币猜正反，是概率论；根据一百个人的身高推测全国平均水平，是数理统计。前者从模型推结果，后者从结果反推模型，方向正好相反。搞懂这条主线，再看那些密密麻麻的公式，就不再是一团乱麻，而是一张有路标的地图。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，适合想快速建立整体认知的人。
2. 概率论到底在算什么：先有模型，再谈可能性
概率论的核心动作只有一个：已知规则，推算结果出现的可能性。就像你知道骰子有六面、每面朝上的机会均等，然后去算“掷出偶数”的概率是二分之一。整个前半部分的内容，都是围绕“怎么把规则说清楚”和“怎么把可能性算出来”展开的。
2.1 随机事件：把“可能发生的事”变成可以计算的集合
先从一个最基础的问题说起：什么叫随机现象？通俗地讲，就是结果不确定、但所有可能结果事先都清楚的现象。掷骰子之前你不知道会出几点，但你明确知道只可能是1到6。这种“结果已知、具体哪个未知”的试验，笔记里叫随机试验，它要满足可重复、结果已知、每次只出一个、无法预测这四个条件。
把一次试验的所有可能结果打包在一起，就是样本空间，记作 Ω。样本空间里的每一个结果叫基本事件或样本点。而随机事件，就是样本空间的一个子集——换句话说，事件就是“若干种可能结果的集合”。比如掷骰子，“掷出偶数”这个事件，就是 {2, 4, 6} 这个子集。
这个“事件即集合”的视角非常关键，因为它意味着事件之间的关系和运算，完全可以照搬集合论：A 和 B 同时发生就是交集，至少一个发生就是并集，A 不发生就是补集。笔记里特意点明“完全符合集合间的运算，因此不再赘述”，说的就是这个道理。两个事件不可能同时发生叫互斥，A 不发生叫 A 的对立事件，一个事件发生与否不影响另一个叫独立。这几个词后面会反复出现，先把它们和集合图像对上号，后面就不容易乱。
2.2 概率与条件概率：给“可能性”定一个可计算的刻度
有了事件，下一步是给每个事件配一个 0 到 1 之间的数，表示它发生的可能性大小，这就是概率。笔记里给概率下了三条硬性要求：非负性、规范性（必然事件概率为1）、可列可加性（互斥事件之并的概率等于各自概率之和）。这三条是整个概率论的地基，后面所有公式都是从它们推出来的。
由这三条能长出一串实用公式：P(∅)=0、P(A−B)=P(A)−P(AB)、P(Ā)=1−P(A)，以及最常用的加法公式P(A+B)=P(A)+P(B)−P(AB)——两个事件至少一个发生的概率，等于各自概率相加再减去重复计算的同时发生部分。多个事件时按容斥原理展开即可。
真正让概率论“活”起来的是条件概率：在 B 已经发生的条件下，A 发生的概率，记作 P(A|B)=P(AB)/P(B)。打个比方，已知今天下雨，出门带伞的人比例是多少——分母从“所有人”换成了“下雨天出门的人”，样本空间被压缩了。围绕条件概率，笔记给出了两个重量级公式：全概率公式把复杂事件按完备事件组拆成若干互斥情形分别计算再求和；贝叶斯公式则反过来，已知结果去反推原因的概率。这两个公式是后面数理统计里很多推断思路的源头，值得多停留一会儿。
2.3 古典概型与几何概型：两种“等可能”的算法模板
算概率最省事的情形，是所有基本结果等可能。笔记把它分成两类。古典概型要求样本空间有限且每个基本事件等可能，此时 P(A)=A包含的样本点数/样本点总数，本质就是数数。几何概型则把“数个数”换成“量面积”：样本空间对应一个可度量的几何区域 S，事件 A 对应其中子区域 D，且概率只与 D 的度量成正比、与形状位置无关，于是 P(A)=D的度量/S的度量。
两者的共同点是“等可能”，区别在于一个是有限离散、一个是无限连续。这个区别在后面会以另一种形式重现：离散型随机变量用分布律，连续型随机变量用概率密度。现在先把这对“离散—连续”的对照记在心里，它是贯穿全篇的一条暗线。
3. 随机变量：把试验结果翻译成数字
事件和概率能回答“某件事发生的可能性多大”，但没法直接做加减乘除。随机变量解决的正是这个问题：给每个试验结果贴一个数字标签，从此就能用函数、积分、求期望这些工具来处理不确定性。
3.1 分布函数：一个函数管住所有概率
随机变量的定义很干脆：试验的每个结果 e 都对应一个单值实函数 X=X(e)。掷骰子的点数、一批产品的次品数、某人的身高，都可以看成随机变量。它把“结果”变成了“数”，这是后续一切计算的前提。
描述一个随机变量，最完整的工具是分布函数F(x)=P(X≤x)，意思是“X 落在 x 左边（含 x）的概率”。笔记强调它有三个充要性质：单调不减、右连续、取值在 0 到 1 之间且两端极限分别为 0 和 1。为什么用“≤”而不是“=”？因为对连续型变量来说，取某一个精确值的概率是 0，只有区间才有意义。分布函数的好处是离散、连续通吃，一个 F(x) 就能完整刻画一个随机变量的全部概率信息。
按取值特点，随机变量分两类。离散型的可能取值可数，用分布律P(X=xᵢ)=pᵢ 描述，要求每个 pᵢ≥0 且总和为 1。连续型的取值不可数，用概率密度函数f(x) 描述，满足 f(x)≥0、全轴积分为 1，且 F(x) 是 f 的变上限积分。这里有个容易翻车的点：密度 f(x) 的值不是概率，它可以大于 1，只有它在某区间上的积分才是概率。把密度当成概率来读，是初学者最常见的误解之一。
3.2 数字特征：用几个数概括一个分布
分布函数信息完整但不好用，实际中常需要几个概括性的数字。数学期望EX 是取值的加权平均，反映“平均水平”；方差DX=E(X−EX)² 反映取值相对期望的分散程度，笔记还给了常用变形 DX=EX²−(EX)²。两者都有良好的线性性质：E(aX+bY)=aEX+bEY，D(aX+b)=a²DX。
再往上一层是协方差cov(X,Y)=E[(X−EX)(Y−EY)] 和相关系数ρ，用来刻画两个变量一起变化的趋势。笔记特别提醒了一句很关键的话：不相关只代表没有线性关系，并不等于独立。独立一定不相关，不相关却可能独立不了——比如 Y=X² 这种明显的非线性关系，协方差可能为 0，但两者显然不独立。这个坑在后面数理统计里还会以别的形式出现。
此外笔记还收录了切比雪夫不等式P(|X−EX|≥ε)≤DX/ε²，它不需要知道具体分布，只靠期望和方差就能给概率一个上界，是大数定律的铺垫。
3.3 常见分布：记住“什么场景配什么分布”
笔记把常见分布整理成表，最有价值的不是公式本身，而是“随机试验模型”那一列——它告诉你什么场景该用哪个分布。离散侧：0-1分布对应只有两种结果的试验；二项分布B(n,p) 对应 n 重伯努利试验的成功次数；泊松分布P(λ) 对应大量试验中稀有事件的出现频数，比如单位时间内接到的呼叫数；几何分布G(p) 对应“首次成功所需的试验次数”，具有无记忆性；超几何分布H(n,M,N) 对应不放回抽样中的次品数。笔记还写了泊松定理：n 大 p 小时二项分布可近似为泊松分布。
连续侧：均匀分布U(a,b) 对应区间内随机投点；指数分布E(λ) 对应各种“寿命”，同样具有无记忆性；正态分布N(μ,σ²) 对应大量自然和社会现象，笔记举了身高、工件直径、测量误差。正态分布的地位特殊：它可以通过标准化 Z=(X−μ)/σ 变成标准正态 N(0,1)，从而查表算概率；密度图像是钟形，σ 越小越陡峭。这条“标准化再查表”的路子，是后面区间估计和假设检验反复使用的套路。
3.4 随机变量函数：变量换了，分布怎么跟着变
已知 X 的分布，求 Y=g(X) 的分布，是这一章的收尾技能。离散情形很直接：把 g(xᵢ) 相同的那些 xᵢ 的概率加起来，就是 Y 取该值的概率。连续情形则要先求分布函数 F_Y(y)=P(g(X)≤y)，再对 y 求导得到密度。笔记给出的通式是 f_Y(y)=d/dy ∫_{g(x)≤y} f_X(x)dx。这里的关键是“先分布函数、后求导”这个顺序，直接套公式容易在非单调的 g 上出错。
4. 随机向量与数理统计：从“一个变量”走向“一堆数据”
单个随机变量能描述一件事，现实问题却常常涉及多个量一起变化，比如身高和体重。随机向量把维度扩展开；而数理统计则把方向掉转过来——不再从模型推结果，而是拿着样本反推模型。
4.1 随机向量：联合分布、边缘分布与条件分布
n 维随机向量就是把几个定义在同一样本空间上的随机变量打包。笔记说得很实在：性质可由维度推广，所以研究二维就够了。二维离散型用联合分布律pᵢⱼ=P(X=xᵢ,Y=yⱼ) 描述，可以排成列联表；二维连续型用联合概率密度f(x,y) 描述，满足非负且全平面二重积分为 1。
从联合分布能派生出两个东西。边缘分布是把联合分布“压扁”：离散时对行或列求和，连续时对另一个变量积分，得到单个分量的分布。条件分布则是在固定一个变量取值的条件下，另一个变量的分布，离散用 pᵢⱼ/p·ⱼ，连续用 f(x,y)/f_Y(y)。当且仅当联合分布等于边缘分布之积时，两个分量相互独立——这条判据在离散、连续两种情形下形式一致，很好记。
二维情形里最值得留意的是二元正态分布，它是正态分布的直接推广，多了一个相关系数 ρ 作为参数。笔记还提到多项分布是二项分布的推广、多元超几何分布是超几何分布的推广，这种“一维到多维”的对应关系，能帮你把新分布挂到已有知识上，而不是死记。
4.2 数理统计的地基：总体、样本、统计量
从这里开始，方向反过来了。总体是研究对象的全体，个体是其中每个成员，从总体中随机抽取、满足代表性和独立性的个体组成简单随机样本。代表性指每个分量与总体同分布，独立性指各分量相互独立。样本里个体的数量叫样本容量，观测后得到的一组数叫样本值。
统计量是样本的函数，且不含任何未知参数——这个“不含未知参数”是硬性要求，因为统计量是用来估计未知参数的，自己不能依赖未知量。笔记列出的常用统计量包括样本均值 X̄、样本方差 S²（分母是 n−1，具有无偏性）、样本 k 阶原点矩和中心矩。这里有个细节值得强调：样本方差的分母是 n−1 而不是 n，正是为了让它的期望等于总体方差，这就是“无偏性”的直观含义。
4.3 三大抽样分布：正态总体下的“标准零件”
当总体是正态分布时，几个常用统计量服从固定的分布，笔记把它们整理成表。χ²分布由若干个独立标准正态变量的平方和构成，自由度就是相加的个数；t分布是一个标准正态变量除以一个独立的 χ²变量除以其自由度再开根号，图像是偶函数，n 大时趋近标准正态，n=1 时退化为柯西分布；F分布是两个独立 χ²变量各除以其自由度后的比值。这三者构成了正态总体下区间估计和假设检验的“标准零件”，看到它们就该联想到“正态总体 + 样本”。
4.4 参数估计与假设检验：拿数据说话的两套动作
参数估计分两条路。点估计直接给出一个数值，笔记收录了两种方法：矩估计法用样本矩代替总体矩，依据是大数定律；最大似然估计法则选一个参数值，使得“在当前参数下观测到这组样本”的可能性最大，操作上就是对似然函数（或对数似然函数）求导令其为零，解似然方程。区间估计则给出一个带置信度的范围，通用套路是枢轴变量法：找一个分布已知且不依赖未知参数的样本函数，按置信度定出上下界，再反解出参数的区间。
假设检验的逻辑很像“反证法加小概率原理”：先提出原假设 H₀，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，最后看样本观测值是否落进拒绝域。笔记点明了两类错误：拒真错误和取伪错误，二者此消彼长，通常按“先控制第一类错误、再尽量减小第二类”的准则处理。此外还收录了皮尔逊拟合优度检验（检验总体分布是否为某个已知分布）和独立性检验（用列联表判断两个变量是否独立），两者的检验统计量都是“实际频数与理论频数偏差平方和”的形式。
5. 什么时候该翻这本笔记，什么时候别指望它
先说清楚这份笔记的定位：它是一份概念与公式的浓缩索引，把随机事件、随机变量、随机向量、数理统计四大块的定义、性质、公式、常见分布和检验流程整理成表。它的长处是“查得到、对得上”——你做题卡在某个公式上，或者复习时想快速确认某个分布的无记忆性、某个检验的拒绝域长什么样，翻它比翻教材快得多。
它适合的场景很具体：期末复习前把知识框架过一遍；做题时忘了某个公式的确切形式；准备考试时对照检查自己有没有漏掉某类分布或某种检验。笔记里那些“随机试验模型”列尤其有用，它把抽象分布和具体场景绑在一起，比单纯背公式更容易记住该用哪个。
但它也有明确的边界。第一，它不是教材替代品。笔记里大量内容是表格化的结论，推导过程被压缩甚至省略，比如贝叶斯公式怎么来的、最大似然估计为什么要求导、枢轴变量法每一步的逻辑，这些“为什么”它基本不展开。如果你连基本概念都没建立，直接啃这份笔记，很容易变成背公式——而概率统计恰恰是最不能靠背的科目之一。第二，它不适合当练习册。笔记里没有例题和习题，而假设检验、区间估计这类内容，不动手算几遍根本掌握不了拒绝域怎么定、置信区间怎么反解。第三，它不覆盖证明细节，像大数定律的几种形式、中心极限定理的适用条件，笔记只给了结论和简要说明，想深究还得回到教材。
我自己的习惯是：第一遍学的时候老老实实看教材、做推导、算例题，把每个公式的来龙去脉走一遍；等到复习阶段，才把这份笔记当成“检查清单”用——合上教材，先凭记忆把四大块的框架默一遍，再翻开笔记对照，哪里对不上就回去补哪里。这个顺序反过来用，效果会差很多。从那以后我每次复习概率统计，都强制自己先默框架再看笔记，而不是一上来就翻表。希望这个用法对你有帮助，需要这份完整笔记的话，按页面提示获取即可。
本文还有配套的精品资源，点击获取
