概率论与数理统计公式整理(超全免费版)

第1章 随机事件及其概率 nPmm! 从m个人中挑出n个人进行排列的可能数。 (mn)!m! 从m个人中挑出n个人进行组合的可能数。 n!(mn)!（1）排列组合公式 nCm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种方法完成，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。 （2）加法和乘法原理 乘法原理（两个步骤分别不能完成这件事）：m×n 某件事由两个步骤来完成，第一个步骤可由m种方法完成，第二个步骤可由n 种方法来完成，则这件事可由m×n 种方法来完成。 重复排列和非重复排列（有序） 对立事件（至少有一个） （3）一些常见排列 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（4）随机试验和随机事件 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： ①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； ②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。 （5）基本事件、样本空间和事件 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，…表示事件，它们是的子集。 为必然事件，Ø为不可能事件。 不可能事件（Ø）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（Ω）的概率为1，而概率为1的事件也不一定是必然事件。 ①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）：如果同时有AB AB，BA，则称事件A与事件B等价，或称A等于B：A=B。 A、B中至少有一个发生的事件：AB，或者A+B。 属于A而不属于B的部分所构成的事件，称为A与B的差，记为A-B，也可表示为A-AB或者（6）事件的关系与运算 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B=Ø，则表示A与B不可能同时发生，称事件A与事件B互不相容或者互斥。基本事件是互不相容的。 AB，它-A称为事件A的逆事件，或称A的对立事件，记为A。它表示A不发生的事件。互斥未必对立。 ②运算： 结合率：A(BC)=(AB)C A∪(B∪C)=(A∪B)∪C 分配率：(AB)∪C=(A∪C)∩(B∪C) (A∪B)∩C=(AC)∪(BC) 德摩根率：i1AiAii1 ABAB，ABAB 设为样本空间，1° 0≤P(A)≤1， 2° P(Ω) =1 A为事件，对每一个事件A都有一个实数P(A)，若满足下列三个条件： 3° 对于两两互不相容的事件（7）概率的公理化定义 A1，A2，…有 PAiP(Ai)i1i1 常称为可列（完全）可加性。 则称P(A)为事件1° 2° A的概率。 1。 n1,2n， P(1)P(2)P(n)设任一事件（8）古典概型 P(A)=A，它是由1,2m组成的，则有 (m) =P(1)P(2)P(m) (1)(2)mA所包含的基本事件数n基本事件总数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（9）几何概型 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)L(A)。其中L为几何度量（长度、面积、体积）。 L()（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) P(A-B)=P(A)-P(AB) （11）减法公式 当BA时，P(A-B)=P(A)-P(B) 当A=Ω时，P(B)=1- P(B) 定义 设A、B是两个事件，且P(A)>0，则称P(AB)为事件A发生条件下，事件B发生的条件概率，记为P(A)P(B/A)P(AB)。 （12）条件概率 P(A)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(Ω/B)=1P(B/A)=1-P(B/A) 乘法公式：P(AB)（13）乘法公式 P(A)P(B/A) 更一般地，对事件A1，A2，…An，若P(A1A2…An-1)>0，则有 P(A1A2…An)P(A1)P(A2|A1)P(A3|A1A2)……P(An|A1A2…An1)。 （14）独立性 ①两个事件的独立性 A、B满足P(AB)P(A)P(B)，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 设事件P(B|A)若事件P(AB)P(A)P(B)P(B)P(A)P(A) A、B相互独立，则可得到A与B、A与B、A与B也都相互独立。 必然事件和不可能事件Ø与任何事件都相互独立。 Ø与任何事件都互斥。 ②多个事件的独立性 设ABC是三个事件，如果满足两两独立的条件， P(AB)=P(A)P(B)；P(BC)=P(B)P(C)；P(CA)=P(C)P(A) 并且同时满足P(ABC)=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,1°B1,B2,（15）全概公式 2°,Bn满足 ,Bn两两互不相容，P(Bi)0(i1,2,,n)， ， 则有 ABii1nP(A)P(B1)P(A|B1)P(B2)P(A|B2)P(Bn)P(A|Bn)。 设事件B1，B2，…，Bn及1° 2° A满足 B1，B2，…，Bn两两互不相容，P(Bi)>0，i1，2，…，n， ABii1n，P(A)n0， 则 ，i=1，2，…n。 jP(Bi/A)（16）贝叶斯公式 P(Bi)P(A/Bi)P(B)P(A/B)jj1此公式即为贝叶斯公式。 P(Bi)，（i1，2，…，n），通常叫先验概率。P(Bi/A)，（i1，2，…，n），通常称为后验概率。贝叶斯公式反映了“因果”的概率规律，并作出了“由果朔因”的推断。 我们作了n次试验，且满足 每次试验只有两种可能结果，A发生或A不发生； A发生与否与其他次试验A发生与否是互不影响的。 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，即每次试验这种试验称为伯努利概型，或称为n重伯努利试验。 （17）伯努利概型 用p表示每次试验A发生的概率，则A发生的概率为1pq，用Pn(k)表示n重伯努利试验中Akn)次的概率， k出现k(0Pn(k)Cnpkqnk，k0,1,2,,n。 第二章 随机变量及其分布

（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=Xk)的概率为 P(X=xk)=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： Xx1,x2,,xk,|P(Xxk)p1,p2,,pk,显然分布律应满足下列条件： 。 （1）（2）连续型随机变量的分布密度 pk0，k1,2,， （2）k1pk1。 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 F(x)则称xf(x)dx， 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。 密度函数具有下面4个性质： 1° f(x)0。 2° （3）离散与连续型随机变量的关系 f(x)dx1。 P(Xx)P(xXxdx)f(x)dx 积分元似。 f(x)dx在连续型随机变量理论中所起的作用与P(Xxk)pk在离散型随机变量理论中所起的作用相类（4）分布函数 设X为随机变量，x是任意实数，则函数 F(x)P(Xx) 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（– ∞，x]内的概率。 分布函数具有如下性质： 1° 2° 3° 0F(x)1, x； F(x)是单调不减的函数，即x1x2时，有 F(x1)F(x2)； F()limF(x)0， F()limF(x)1； xx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)pxkxxk； 对于连续型随机变量，F(x)f(x)dx 。 （5）八大分0-1分布 P(X=1)=p, P(X=0)=q 布 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。 kP(Xk)Pn(k)Cnpkqnk， 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)。 k1kP(Xk)pq，k0.1，这就是（0-1）分布，所以（0-1）分布当n1时，是二项分布的特例。 泊松分布 设随机变量X的分布律为 P(Xk)则称随机变量kk!e，0，k0,1,2， X服从参数为的泊松分布，记为X~()或者P()。 泊松分布为二项分布的极限分布（np=λ，n→∞）。 超几何分布 knkk0,1,2,lCM•CNMP(Xk), nlmin(M,n)CN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,设随机变量 ，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 X的值只落在[a，b]内，其密度函数f(x)在[a，b]上为常数1，即 ba1,a≤x≤b f(x)ba 其他， 0,则称随机变量分布函数为 xa , ba a≤x≤b X在[a，b]上服从均匀分布，记为X~U(a，b)。 0， xb。 当a≤x1x1时，有F（x2,y）≥F(x1,y);当y2>y1时，有F(x,y2) ≥F(x,y1); （3）F（x,y）分别对x和y是右连续的，即 F(x,y)F(x0,y),F(x,y)F(x,y0); （4）F(,)（5）对于x1F(,y)F(x,)0,F(,)1. x2，y1y2， F(x2，y2)F(x2，y1)F(x1，y2)F(x1，y1)0. （4）离散型与连续型的关系 P(Xx，Yy)P(xXxdx，yYydy)f(x，y)dxdy （5）边缘分布 离散型 X的边缘分布为 Pi•P(Xxi)pij(i,j1,2,)； jY的边缘分布为 P•jP(Yyj)pij(i,j1,2,)。 i连续型 X的边缘分布密度为 fX(x)f(x,y)dy； Y的边缘分布密度为 fY(y)（6）条件分布 离散型 f(x,y)dx. 在已知X=xi的条件下，Y取值的条件分布为 P(Yyj|Xxi)pijpi• ；在已知Y=yj的条件下，X取值的条件分布为 P(Xxi|Yyj)连续型 pijp•j, 在已知Y=y的条件下，X的条件分布密度为 f(x|y)f(x,y)； fY(y)在已知X=x的条件下，Y的条件分布密度为 f(y|x)（7）独立性 一般型 离散型 f(x,y) fX(x)F(X,Y)=FX(x)FY(y) pijpi•p•j 有零不独立 连续型 f(x,y)=fX(x)fY(y) 直接判断，充要条件： ①可分离变量 ②正概率密度区间为矩形 二维正态分布 f(x,y) 121212ex22(x)(y)y11222122(1)1212,＝0 随机变量的函数 若X1,X2,…Xm,Xm+1,…Xn相互独立， h,g为连续函数，则： h（X1，X2,…Xm）和g（Xm+1,…Xn）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。 （9）二维正态分布 设随机向量（X，Y）的分布密度函数为 f(x,y)其中1,2,1121212ex22(x)(y)y11222122(1)1212, 0,20,||1是5个参数，则称（X，Y）服从二维正态分布， 22,2,). 记为（X，Y）～N（1,2,1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X～N（1,122),Y~N(2,2). 22),Y~N(2,2)，(X，Y)未必是二维正态分布。 但是若X～N（1,1（10）函数分布 Z=X+Y 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2,122）。 n个相互独立的正态分布的线性组合，仍服从正态分布。 Ciii， 2Ci2i2 iZ=max,min(X1,X2,…Xn) 若X1,X2Xn相互独立，其分布函数分别为Fx1(x)，Fx2(x)Fxn(x)，则Z=max,min(X1,X2,…Xn)的分布函数为： Fmax(x)Fx1(x)•Fx2(x)Fxn(x) Fmin(x)1[1Fx1(x)]•[1Fx2(x)][1Fxn(x)] 2分布 设n个随机变量X1,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 WXi2i1的分布密度为 n nu11u2e2nnf(u)2220,u0, u0.我们称随机变量W服从自由度为n的分布，记为W～22(n)，其中 nx20n1x2edx. 所谓自由度是指独立正态随机变量的个数，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 Yi2(ni), 则 ZYi~2(n1n2nk). i1kt分布 设X，Y是两个相互独立的随机变量，且 X~N(0,1),Y~2(n), 可以证明函数 T的概率密度为 XY/n n12t2f(t)1nnn2t1(n)t(n) n12 (t). 我们称随机变量T服从自由度为n的t分布，记为T～t(n)。 F分布 设X~2(n1),Y~2(n2)，且X与Y独立，可以证明FX/n1Y/n2的概率密度函数为 n1n2n12f(y)n1n2n222yn12n112n11ny2n1n22,y0 0,y0我们称随机变量F服从第一个自由度为n1，第二个自由度为n2的F分布，记为F～f(n1, n2). 1F1(n1,n2)F(n2,n1) 第四章 随机变量的数字特征 （1）一维随机变量的数字特征 （要求绝对收敛） 函数的期望 Y=g(X) Y=g(X) 期望 期望就是平均值 离散型 设X是离散型随机变量，其分布律为连续型 P(Xxk)设X是连续型随机变量，其概率密度为f(x)， ＝pk，k=1,2,…,n， E(X)E(X)xkpkk1n xf(x)dx （要求绝对收敛） E(Y)g(xk)pkk1 n E(Y)g(x)f(x)dx 方差 D(X)=E[X-E(X)]2， 标准差 D(X)[xkE(X)]pk2k D(X)[xE(X)]2f(x)dx(X)D(X)， 矩 ①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即 xikpi, k=1,2, νk=E(Xk)= ①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即 i…. νk=E(X)=xkf(x)dx, k=1,2, …. ②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为k，即 k②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为k，即 kE(XE(X)).=k kE(XE(X))k(xiiE(X))pik， k=1,2, …. .= (xE(X))kf(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）=μ，方差D（X）=σ2，则对于任意正数ε，有下列切比雪夫不等式 2P(X)2 切比雪夫不等式给出了在未知X的分布的情况下，对概率 P(X) 的一种估计，它在理论上有重要意义。 （2）期望的性质 （3） （4） （1） E(C)=C （2） E(CX)=CE(X) E(X+Y)=E(X)+E(Y)，E(nnCXii1i)CiE(Xi) i1E(XY)=E(X) E(Y)，充分条件：X和Y独立； 充要条件：X和Y不相关。 （3）方差的性质 （1） D(C)=0；E(C)=C （2） D(aX)=a2D(X)； E(aX)=aE(X) （3） D(aX+b)= a2D(X)； E(aX+b)=aE(X)+b （4） D(X)=E(X2)-E2(X) （5） 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±Y)=D(X)+D(Y) ±2E[(X-E(X))(Y-E(Y))]，无条件成立。 而E(X+Y)=E(X)+E(Y)，无条件成立。 （4）常见分布的期望和 0-1分布B(1,二项分布B(n,期望 方差 p) p) p np p(1p) np(1p) 泊松分布P()   方差 几何分布G(p) 1p 1pp2 超几何分布H(n,M,N) 均匀分布U(a,b) nMN nMMNn1 NNN1ab 21 (ba)212 指数分布e() 正态分布N(,212 )  n 0 2 2n 2分布 t分布 （5）二维随机变量的数字特征 函数的期望 期望 n(n>2) n2E(X)xipi•i1n E(X)xfX(x)dx E(Y)yjp•jj1n E(Y)yfY(y)dy E[G(X,Y)]＝ E[G(X,Y)]＝ jG(x,yiij)pij －－G(x,y)f(x,y)dxdy 方差 D(X)[xiE(X)]2pi•i D(X)[xE(X)]2fX(x)dx D(Y)[xjE(Y)]2p•jjD(Y)[yE(Y)]2fY(y)dy 协方差 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 XY11E[(XE(X))(YE(Y))]. 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 XYD(X)D(Y)为X与Y的相关系数，记作XY（有时可简记为）。 ||≤1，当||=1时，称X与Y完全相关：P(X aYb)1 正相关，当1时(a0)，完全相关 负相关，当1时(a0)，而当0时，称X与Y不相关。 以下五个命题是等价的： ①XY0； ②cov(X,Y)=0; ③E(XY)=E(X)E(Y); ④D(X+Y)=D(X)+D(Y); ⑤D(X-Y)=D(X)+D(Y). 协方差矩阵 XXYXXY YYk混合矩 对于随机变量X与Y，如果有E(X混合中心矩记为： Yl)存在，则称之为X与Y的k+l阶混合原点矩，记为kl；k+l阶uklE[(XE(X))k(YE(Y))l]. （6）协方差的性质 （7）独立和不相关 （ii） 若（X，Y）～N（1,2,122,2,）， (i) (ii) (iii) (iv) （i） cov (X, Y)=cov (Y, X); cov(aX,bY)=ab cov(X,Y); cov(X1+X2, Y)=cov(X1,Y)+cov(X2,Y); cov(X,Y)=E(XY)-E(X)E(Y). 若随机变量X与Y相互独立，则XY0；反之不真。 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 切比雪夫大数定律 设随机变量X1，X2，…相互独立，均具有有限方差，且被同一常数C所界：D（Xi）X与S独立。 2（1）点估计 矩估计 设总体X的分布中包含有未知数1,2,点矩vk,m，则其分布函数可以表成F(x;1,2,,m).它的k阶原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 1nkxini1 (k1,2,,m). 这样，我们按照“当参数等于其估计量时，总体矩等于相应的样本矩”的原则建立方程，即有 1nv1(1,2,,m)nxi,i11n2v2(1,2,,m)xi,ni1 nv(,,,)1xim.m12mni1由上面的m个方程中，解出的m个未知参数(1,2, ,m)即为参数（1,2,,m）的矩估计量。 ˆ)为g()的矩估计。 若为的矩估计，g(x)为连续函数，则g(极大似然估计 当总体X为连续型随机变量时，设其分布密度为数。又设x1,x2,f(x;1,2,,m)，其中1,2,,m为未知参,xn为总体的一个样本，称 L(1,2,,m)f(xi;1,2,,m) i1n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P{Xx}p(x;1,2,,m)，则称 nL(x1,x2,,xn;1,2,,m)p(xi;1,2,,m) i1为样本的似然函数。 若似然函数L(x1,x2,,xn;1,2,,m)在1,,,m处取到最大值，则称1,,,m22分别为1,2,,m的最大似然估计值，相应的统计量称为最大似然估计量。 lnLni0,i1,2,,m iiˆ)为g()的极大似然估计。 若为的极大似然估计，g(x)为单调函数，则g(（2）估计量的评选标准 有效性 E（无偏性 设(x1,x2,,xn)为未知参数的估计量。若E （）=，则称 为的无偏估计量。 X）=E（X）， E（S2）=D（X） 设11(x1,x,2,,xn)和22(x1,x,2,,xn)是未知参数的两个无偏估计量。若D(1)D(2)，则称1比2有效。 一致性 设n是的一串估计量，如果对于任意的正数，都有 nlimP(|n|)0, 则称n为的一致估计量（或相合估计量）。 ˆ)0(n),则为的一致估计。 若为的无偏估计，且D(只要总体的E(X)和D(X)存在，一切样本矩和样本矩的连续函数都是相应总体的一致估计量。 （3）区间估计 置信区间和置信度 设总体X含有一个待估的未知参数。如果我们从样本x1,x,2,,xn出发，找出两个统计量11(x1,x,2,,xn)与22(x1,x,2,,xn)(12)，使得区间[1,2]以1(01)的概率包含这个待估参数，即 P{12}1, 那么称区间[1,2]为的置信区间，1为该区间的置信度（或置信水平）。 单正态总体的期望和方差的区间估计 间[1,2]。具体步骤如下： （i）选择样本函数； （ii）由置信度1，查表找分位数； （iii）导出置信区间[1,2]。 已知方差，估计均值 （i）选择样本函数 设x1,x,2,,xn为总体X~N(,2)的一个样本，在置信度为1下，我们来确定和2的置信区u(ii) 查表找分位数 x0/n~N(0,1). xP1. 0/n（iii）导出置信区间 00x,x nn未知方差，估计均值 （i）选择样本函数 t (ii)查表找分位数 xS/n~t(n1). x1. PS/n（iii）导出置信区间 SSx,x nn方差的区间估计 （i）选择样本函数 w（ii）查表找分位数 (n1)S22~2(n1). (n1)S2P21. 21（iii）导出的置信区间 n1n1S,S 12第八章 假设检验 基本思想 假设检验的统计思想是，概率很小的事件在一次试验中可以认为基本上是不会发生的，即小概率原理。 为了检验一个假设H0是否成立。我们先假定H0是成立的。如果根据这个假定导致了一个不合理的事件发生，那就表明原来的假定H0是不正确的，我们拒绝接受H0；如果由此没有导出不合理的现象，则不能拒绝接受H0，我们称H0是相容的。与H0相对的假设称为备择假设，用H1表示。 基本步骤 这里所说的小概率事件就是事件{KR}，其概率就是检验水平α，通常我们取α=，有时也取或。 假设检验的基本步骤如下： (i) (ii) (iii) (iv) 提出零假设H0； 选择统计量K； 对于检验水平α查表找分位数λ； 由样本值x1,x2,,xn计算统计量之值K； 将K与进行比较，作出判断：当|K两类错误 第一类错误 |(或K)时否定H0，否则认为H0相容。 当H0为真时，而样本值却落入了否定域，按照我们规定的检验法则，应当否定H0。这时，我们把客观上H0成立判为H0为不成立（即否定了真实的假设），称这种错误为“以真当假”的错误或第一类错误，记为犯此类错误的概率，即 P{否定H0|H0为真}=； 此处的α恰好为检验水平。 第二类错误 当H1为真时，而样本值却落入了相容域，按照我们规定的检验法则，应当接受H0。这时，我们把客观上H0。不成立判为H0成立（即接受了不真实的假设），称这种错误为“以假当真”的错误或第二类错误，记为犯此类错误的概率，即 P{接受H0|H1为真}=。 两类错误的关系 人们当然希望犯两类错误的概率同时都很小。但是，当容量n一定时，变小，则变大；相反地，变小，则变大。取定要想使变小，则必须增加样本容量。 在实际使用时，通常人们只能控制犯第一类错误的概率，即给定显著性水平α。α大小的选取应根据实际情况而定。当我们宁可“以假为真”、而不愿“以真当假”时，则应把α取得很小，如，甚至。反之，则应把α取得大些。

单正态总体均值和方差的假设检验 对应样本 条件 零假设 统计量 函数分布 否定域 H0:0 已知 2|u|uUx0 12 H0:0 H0:0 H0:0 0/nN（0，1） uu1 uu1 |t|tTx0S/n 12(n1) 未知 2H0:0 H0:0 t(n1) tt1(n1) tt1(n1) 2w(n1)或H0:22 未知 22wH0:220 (n1)S202w 212(n1) 2(n1) w12(n1) 2w(n1) 2H0:20