（已完结）概统笔记

顺便用作$LATEX$练习.

成绩分布

卷面成绩：50%

平时成绩：50%

• 平时作业
• 期中+小测
• 非标
• 随堂表现

特点

• 理解性、记忆性

• 微积分功底

• 题型固定

概率部分

概率论基础

用$A,B,C$等表示事件

$\bar{A}$表示A的对立事件（对立是互斥的充分条件）

$AB=A\cap B$

$A-B=A\bar{B}=A-AB$

$\overline{A\cap B}=\bar{A}\cup \bar{B}$

$\overline{A\cup B}=\bar{A}\cap \bar{B}$

发生B后再发生A的概率$P(A|B)=\frac{P(AB)}{P(B)}$，其中$P(B)>0$

全概率公式：设$B_1,...,B_m$为完备事件组，则$P(A)=\sum _{i=1}^{m}P(A|B_i)P(B_i)$

贝叶斯公式：设$B_1,B_2...B_m$为完备事件组，则$P(B_i|A)=\frac{P(B_{i}A)}{P(A)}=\frac{P(B_i)P(A|B_i)}{\sum _{i=1}^{m}P(A|B_i)P(B_i)}$，即贝叶斯公式是乘法公式与全概率公式的组合。

若$P(AB)=P(A)P(B)$，则$A,B$独立，同时$A,\bar{B}$、$\bar{A},\bar{B}$、$\bar{A},B$也独立。

二项分布概率：$P(k)={\mathrm{C}}_n^k{p}^k(1-p{)}^{n-k}$

多项分布：某随机实验如果有$k$种可能的结果$C_1\sim C_k$，它们出现的概率是$p_1\sim p_k$。在N随机试验的结果中，分别将$C_1\sim C_k$的出现次数记为随机变量$x_1\sim x_k$，那么$C_1$出现$x_1$次、$C_2$出现$x_2$次……$C_k$出现$x_k$次这种事件发生的概率是

$\frac{N!}{x_1!x_2!...x_k!}{p}_1^{x_1}{p}_2^{x_2}...p_k^{x_k}，\mathrm{其}\mathrm{中}\sum _{i=1}^k{x}_i=N,\sum _{i=1}^k{p}_i=1$

随机变量及其分布（背）

随机变量$X(\omega )$是一个函数，其中$\omega$是样本空间，$X$是样本空间到实数的映射。

分布函数$F(x)=P(X\le x)$，其定义域为$\mathbb{R}$，非严格单增（左极限为0，右极限为1），右连续。

密度函数$f(x)$ 满足 $F(x)={\int }_{-\mathrm{\infty }}^{x}f(x)\mathrm{d}x$

当$f(x)$连续时，可简化为$F^{\prime }(x)=f(x)$。有$f(x)\ge 0$且${\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}f(x)\mathrm{d}x=1$.

求概率的问题可以转化为概率密度函数的积分：$P(X\in G)={\int }_{G}f(x)\mathrm{d}x$.

非连续分布

几何分布与超几何分布略去.

二项分布:$X\sim \mathrm{B}(n,p)$,$P(X=k)={\mathrm{C}}_n^k{p}^k(1-p{)}^{n-k}$

二项分布的图像是单峰的,由于

$\frac{P\{X=k\}}{P\{X=k-1\}}=1+\frac{(n+1)p-k}{kq}$,故$k$最靠近$(n+1)p$时易得最值.

泊松分布:$X\sim \mathrm{P}(\lambda )$,$P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$

泊松分布相当于对$e^x$的泰勒展开各项之和归一化.

泊松定理:二项分布以泊松分布为极限分布.具体而言, 对于$X\sim \mathrm{B}(n,p)$,当n足够大时(>=100),我们可以近似把它看作$X\sim \mathrm{P}(\lambda )$,其中$\lambda =np$

连续分布

均匀分布(uniform distribution)

$$f(x)=\{\begin{array}{}\frac{1}{b-a}& & x\in [a,b]\\ 0& & others\end{array},x\sim U(a,b)$$

指数分布(exponential)

$$f(x)=\{\begin{array}{}\lambda e^{-\lambda x}& & x>0\\ 0& & others\end{array},x\sim e(\lambda )$$

伽马分布(gamma distribution)

$$f(x)=\{\begin{array}{}\frac{{\beta }^{\alpha }}{\mathrm{\Gamma }(\alpha )}{x}^{\alpha -1}{\mathrm{e}}^{-\beta x}& & x>0\\ 0& & others\end{array},x\sim \mathrm{\Gamma }(\alpha ,\beta )$$

$\mathrm{\Gamma }(x)={\int }_0^{\mathrm{\infty }}{t}^{x-1}{\mathrm{e}}^{-t}\mathrm{d}t$

随机变量函数的分布Y=f(X)型题目的做法

以求密度函数$f(x)$为例:

• 求出$Y$对应的值域
• 将$X$用$Y$解出,把$F(X)$替换成$F(Y)$
• 对$F(Y)$求导得到$f(y)$

对于某些需要分类讨论的题目:

• 求出$Y$对应的值域,并找到分段点
• 在该区间内解不等式,解得$X\in g(Y)$,解$F(Y)={\int }_{x\in g(Y)}f(x)\mathrm{d}x$
• 对$F(Y)$求导得到$f(y)$,汇总结果

注意求积分$+C$时需要注意一下分布函数的连续性.

多（二）维随机变量及其分布

二维离散型随机变量分布

就是一个所有项和为1的表，没啥说的，求概率就是把对应位置的概率加起来就行。

边缘分布：

• $p_{i\bullet }=\sum _j{p}_{ij}$

• $p_{\bullet j}=\sum _i{p}_{ij}$

条件分布律：

• $P(Y=y_j|X=x_i)=\frac{p_{ij}}{p_{i\bullet }}$

• $P(X=x_i|Y=y_j)=\frac{p_{ij}}{p_{\bullet j}}$

二维连续型随机变量分布

相当于求二重积分，需要注意积分的定义域。

通常会利用定义域内积分和为1的性质求参数，然后重新求指定区域的二重积分来求概率。

二维分布函数与密度函数：$F(x,y)=P(X\le x,Y\le y)={\int }_{-\mathrm{\infty }}^x{\int }_{-\mathrm{\infty }}^{y}f(u,v)\mathrm{d}u\mathrm{d}v$

$$P(x_1<X\le x_2,y_1<Y\le y_2)=F(x_2,y_2)-F(x_1,y_2)-F(x_2,y_1)+F(x_1,y_1)$$

边缘密度：

• $f_X(x)=f(x,+\mathrm{\infty })={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}f(x,y)\mathrm{d}y$
• $f_Y(y)=f(+\mathrm{\infty },y)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}f(x,y)\mathrm{d}x$

条件分布函数：

• $F_{X|Y}(x|y)={\int }_{-\mathrm{\infty }}^x\frac{f(u,y)}{f_Y(y)}\mathrm{d}u$（另一半懒得写了）

• $f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)},f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$

常见题型：

一个密度、两个条件、两个边缘

• 已知一个密度，求剩下四个。
• 已知一个条件与对应的边缘，求剩下三个。

已知二维密度函数$f(x,y)$，$Z=g(X,Y)$，求$Z$的密度函数$f_Z(z)$

• 确定$f(x,y)$的有效区间$R$
• 计算$F_Z(z)={\iint }_{(x,y)\in R}f(x,y)\mathrm{d}x\mathrm{d}y$，注意分类讨论
• 对$z$求导得到密度函数$f_Z(z)$

卷积再见

若$Z=max(X,Y)$且$X,Y$独立，则$F_Z(z)=F_X(z)F_Y(z)$

若$Z=min(X,Y)$且$X,Y$独立，则$F_Z(z)=1-(1-F_X(z))(1-F_Y(z))$

数学期望

数学期望的定义

离散变量的期望：$E(X)={\mathrm{\Sigma }}_{k=1}^{\mathrm{\infty }}{x}_k{P}_k$

连续变量的期望：$E(X)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}xf(x)\mathrm{d}x$

当级数的和（或积分）绝对收敛时，数学期望存在。

对于二维的情况，还可以这样算:

$E(X)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}x{f}_X(x)\mathrm{d}x$

$E(Y)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}y{f}_Y(y)\mathrm{d}y$

随机变量函数的期望

$E(g(x))={\mathrm{\Sigma }}_{k=1}^{\mathrm{\infty }}g(x_k)P_k={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}g(x)f(x)\mathrm{d}x$

$E(g(x,y))=\mathrm{\Sigma }\mathrm{\Sigma }g(x_i,y_j)P_{ij}={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}{\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}g(x,y)f(x,y)\mathrm{d}x\mathrm{d}y$

数学期望的性质

$E(C)=C$

$E(C_{1}X+C_{2}Y)=C_{1}E(X)+C_{2}E(Y)$

若$X$与$Y$独立，则$E(XY)=E(X)E(Y)$

方差

方差的定义

$D(X)=E(X-E(X){)}^2=E(X^2)-E(X{)}^2$

设$E(X)=c$，

$=E(X-c{)}^2=E(X^2-2cX+c^2)$

$=E(X^2)-2cE(x)+c^2$

$=E(X^2)-c^2=E(X^2)-E(X{)}^2$

标准差为$\sqrt{D(X)}$

方差的性质

$D(C)=0$

$D(aX)=a^{2}D(X)$

当$X,Y$独立时，$D(X\pm Y)=D(X)+D(Y)$

当$X,Y$独立时，$D({\mathrm{\Sigma }}_{i=1}^n{c}_i{X}_i)={\mathrm{\Sigma }}_{i=1}^n{c}_i^{2}D(X_i)$

$D(X)=0⟺\mathrm{\exists }c,P(X=c)=1$，但这不意味着$X=c$（同：概率为1的事件不一定是必然事件）

变异系数：$C_v=\frac{\sqrt{D(X)}}{|E(X)|}$

常见分布的期望与方差（背）

$E(\mathrm{\Gamma }(\alpha ,\beta ))=\frac{\alpha }{\beta },D(\mathrm{\Gamma }(\alpha ,\beta ))=\frac{\alpha }{{\beta }^2}$

原点矩与中心矩

$m_k=E(X^k)$

${\mu }_k=E(X-E(X){)}^k$

因此方差是二阶中心矩。

协方差与相关系数

协方差的定义

$\mathrm{Cov}(X,Y)=E((X-EX)(Y-EY))=E(XY)-E(X)E(Y)$

证明与方差类似，此略

协方差的性质

$\mathrm{Cov}(X,X)=D(X)$

$\mathrm{Cov}(X,Y)=\mathrm{Cov}(Y,X)$

$\mathrm{Cov}(X,a)=0$

$\mathrm{Cov}(aX,bY)=ab\mathrm{Cov}(X,Y)$

$\mathrm{Cov}(X+Y,Z)=\mathrm{Cov}(X,Z)+\mathrm{Cov}(Y,Z)$

$D(X\pm Y)=D(X)+D(Y)\pm 2\mathrm{Cov}(X,Y)$

若$X$与$Y$独立，则$\mathrm{Cov}(X,Y)=0$

证明：显然由期望的性质可得。

由此可证若$X$与$Y$独立，$D(X\pm Y)=D(X)+D(Y)$

随机变量的标准化

$X^{\ast }=\frac{X-E(X)}{\sqrt{D(X)}}$

其期望为0，方差为1，没有量纲。

相关系数的定义（背）

相关系数$(X,Y)=\mathrm{Cov}(X^{\ast },Y^{\ast })=\frac{1}{\sqrt{D(X)}}\frac{1}{\sqrt{D(Y)}}\mathrm{Cov}(X,Y)$

显然$X,Y$不能为常数

相关系数需要计算五个期望：$E(X),E(Y),E(X^2),E(Y^2),E(XY)$

即$R(X,Y)=\frac{E(XY)-E(X)E(Y)}{\sqrt{E(X^2)-E(X{)}^2}\sqrt{E(Y^2)-E(Y{)}^2}}$

相关系数的性质

$0\le |R(X,Y)|\le 1$

当$R(X,Y)=1$时，$\mathrm{\exists }{t}_0>0,P(Y=t_{0}X)=1$，即$X,Y$正相关。

当$R(X,Y)=-1$时，$\mathrm{\exists }{t}_0<0,P(Y=t_{0}X)=1$，即$X,Y$负相关。

$R(X,Y)=0$表明$X,Y$不相关，是$X,Y$独立的必要条件。

如果要证明$X,Y$不独立，应选取合适的区间，使$P(X,Y)\ne P(X)P(Y)$

正态分布

标准正态分布

$\mathrm{N}(0,1)=\phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}},x\in \mathbb{R}$

偶函数，钟形曲线。

$\mathrm{\Phi }(x)={\int }_{-\mathrm{\infty }}^x\phi (x)\mathrm{d}x$

$\mathrm{\Phi }(0)=\frac{1}{2}$

$\mathrm{\Phi }(x)+\mathrm{\Phi }(-x)=1$

考试算概率时经常用这两个性质，并且应保留$\mathrm{\Phi }(x)$而不是$\mathrm{\Phi }(-x)$作为答案（或查表）。

正态分布

因$\frac{X-\mu }{\sigma }\sim \mathrm{N}(0,1)$，则$X\sim \mathrm{N}(\mu ,{\sigma }^2)$，故$F(x)=\mathrm{\Phi }(\frac{x-\mu }{\sigma })$

求导可得$\mathrm{N}(\mu ,{\sigma }^2)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x\in \mathbb{R}$

$\mu$关系到图象的左右平移（期望），$\sigma$关系到图象“尖”的程度（标准差）。

多个独立正态分布的线性组合还是正态分布。

特别的，如果它们都是$\mathrm{N}(\mu ,{\sigma }^2)$，其平均值为$\mathrm{N}(\mu ,\frac{{\sigma }^2}{n})$

二维正态分布

特殊情况：

$(X,Y)\sim ({\mu }_1,{\mu }_2;{\sigma }_1^2,{\sigma }_2^2)=\mathrm{N}({\mu }_1,{\sigma }_1^2)\mathrm{N}({\mu }_2,{\sigma }_2^2)$

一般情况（含相关系数）：

$(X,Y)\sim ({\mu }_1,{\mu }_2;{\sigma }_1^2,{\sigma }_2^2;r)$

$=\frac{1}{{\sigma }_1{\sigma }_{2}2\pi \sqrt{1-r^2}}{e}^{-\frac{1}{2(1-r^2)}((\frac{x-{\mu }_1}{{\sigma }_1}{)}^2+(\frac{y-{\mu }_2}{{\sigma }_2}{)}^2-2(\frac{x-{\mu }_1}{{\sigma }_1})(\frac{y-{\mu }_2}{{\sigma }_2})r)}$

对二维正态分布而言，其边缘分布与条件分布是正态分布。同时，不相关与独立性是等价的。

自然指数分布族

$f(x,\theta )=e^{\theta x-\phi (\theta )}h(x)$

常见分布中除了均匀分布均可化成这种形式。

其均值参数（期望$m$）为${\phi }^{\prime }(\theta )$,方差函数为${\phi }^{(2)}(\theta )$

极限定理

切比雪夫不等式

$P(|X-E(X)|\ge \epsilon )\le \frac{D(x)}{{\epsilon }^2}$

$P(|X-E(X)|<\epsilon )\ge 1-\frac{D(x)}{{\epsilon }^2}$

大数律

随机变量序列$\{X_n\}$，考虑均值$\bar{X}$，

若$\bar{X}-E(\bar{X})\stackrel{P}{⟶}0$ ，则$\{X_n\}$服从大数律。

• 切比雪夫大数律：

充要条件是随机变量的方差一致有界，即有常数$C$，使$D(X_k)\le C$ 即可满足符合大数律。

• 独立同分布大数律：

只要$X_k$独立同分布，且$E(X_k)=\mu$，$D(X_k)={\sigma }^2$即可保证符合大数律。

• 伯努利大数律：

$X_k\sim \mathrm{B}(n,p)$，则$\frac{n_A}{n}\stackrel{P}{⟶}p$

中心极限定理

$X_i$独立同分布，则 $Z_n={\mathrm{\Sigma }}_{i=1}^n{X}_i$ 近似服从正态分布。

$E(X_k)=\mu ,D(X_k)={\sigma }^2\to P(\frac{n\bar{X}-nu}{\sigma \sqrt{n}}\le x)=\mathrm{\Phi }(x)$

可得$Z$近似服从$\mathrm{N}(n\mu ,n{\sigma }^2)$，$\bar{X}$近似服从$N(\mu ,\frac{{\sigma }^2}{n})$

设$X\sim \mathrm{B}(n,p)$，若$Z_n={\mathrm{\Sigma }}_{i=1}^n{X}_i$

$\underset{n\to \mathrm{\infty }}{lim}P(\frac{X_n-np}{\sqrt{npq}}\le x)=\mathrm{\Phi }(x)$

即$Z$近似服从$\mathrm{N}(np,npq)$

统计部分

常见分布

卡方分布——正态平方和

正态分布$X_i\sim \mathrm{N}(0,1)$的平方和。

${\chi }^2={\mathrm{\Sigma }}_{i=1}^n{X}_i^2$服从自由度为$n$的${\chi }^2$分布，即${\chi }^2(n)$

${\chi }^2(n)=\mathrm{\Gamma }(\frac{n}{2},\frac{1}{2})$，故$E({\chi }^2)=n,D({\chi }^2)=2n$

卡方分布满足可加性。

t分布——正态比一个数

$X\sim \mathrm{N}(0,1),Y\sim {\chi }^2(n)$

$t(n)=\frac{X}{\sqrt{\frac{Y}{n}}}$

分布与正态分布相似，但尾巴比正态分布更厚。

F分布——正态平方和相比

$X\sim {\chi }^2(n),Y\sim {\chi }^2(m)$

$F(n,m)=\frac{X/n}{Y/m}$

$\frac{1}{F}=F(m,n)$

常见统计量

样本均值

$\bar{X}=\frac{1}{n}{\mathrm{\Sigma }}_{i=1}^n{X}_i$

样本方差

$S^2=\frac{1}{n-1}{\mathrm{\Sigma }}_{i=1}^n(X_i-\bar{X}{)}^2$（注意是n-1，不是n）

抽样分布定理

其一（已知方差）

样本$X_1,X_2,...,X_n$来自$\mathrm{N}(\mu ,{\sigma }^2)$，则

${\chi }^2=\frac{(n-1)S^2}{{\sigma }^2}=\frac{1}{{\sigma }^2}\mathrm{\Sigma }(X_i-\bar{X}{)}^2\sim {\chi }^2(n-1)$

且$\bar{X}$与${\chi }^2$独立。

其二（已知均值）

样本$X_1,X_2,...,X_n$来自$\mathrm{N}(\mu ,{\sigma }^2)$，则

$t=\frac{\bar{X}-\mu }{S\sqrt{\frac{1}{n}}}\sim t(n-1)$

其三（多个整体）

概统成功变成了文科

若$X\sim \mathrm{N}({\mu }_1,{\sigma }^2),Y\sim \mathrm{N}({\mu }_2,{\sigma }^2)$则，

$\bar{X}-\bar{Y}\sim \mathrm{N}({\mu }_1-{\mu }_2,\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2})$

$\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{{\sigma }^2}={\chi }^2(n_1+n_2-2)$

$\frac{(\bar{X}-\bar{Y})-({\mu }_1-{\mu }_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2)$

其中$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$

若$X\sim \mathrm{N}({\mu }_1,{\sigma }_1^2),Y\sim \mathrm{N}({\mu }_2,{\sigma }_2^2)$则，

$\frac{S_1^2/{\sigma }_1^2}{S_2^2/{\sigma }_2^2}\sim F(n_1-1,n_2-1)$

点估计

矩估计

设样本均值与期望函数（也可以是平方期望）相等，把期望函数的参数$\theta$用期望值$m$表示得到$\theta (m)$，然后将$m$代入$\bar{x}$得到$\hat{\theta }=\theta (\bar{x})$。

极大似然估计

离散型：写出观测事件发生概率关于参数$\theta$的函数（通常是某种离散分布的乘积），假设该函数为函数的最大值。通过求解对数极大似然方程$\frac{\mathrm{d}L(x)}{\mathrm{d}(\theta )}=0$的解得到对应的参数$\hat{\theta }$.

连续型：取的函数应为$\prod _{i=1}^{n}f(x_i,\theta )$，注意这里把$x_i$按常数看待，以下步骤相同。

极大似然估计值是$x_i$的最大值，极大似然估计量是$X_i$的最大值。

估计量评选标准

无偏估计量：估计值的平均值$E(\hat{\theta })=\theta$，反之为有偏估计量。

渐进无偏估计量：$\underset{n\to \mathrm{\infty }}{lim}E(\hat{\theta })-\theta =0$

有效性标准：若$D({\hat{\theta }}_1)\le D({\hat{\theta }}_2)$则${\hat{\theta }}_1$比${\hat{\theta }}_2$更有效。

一致性标准：${\hat{\theta }}_n\stackrel{P}{⟶}\theta$ 则称为${\hat{\theta }}_n$是$\theta$的一致估计量。

均方误差标准：$E({\hat{\theta }}_1-\theta {)}^2\le E({\hat{\theta }}_2-\theta {)}^2$则${\hat{\theta }}_1$在均方误差下比${\hat{\theta }}_2$更有效。

具体而言，$B_2$在均方误差下比$S^2$更有效。

区间估计（背）

只针对正态分布

双侧置信

估计$\mu$的$(1-\alpha )$的置信区间。

若${\sigma }^2$已知，则为$(\bar{X}-\frac{\sigma }{\sqrt{n}}{u}_{1-\frac{\alpha }{2}},\bar{X}+\frac{\sigma }{\sqrt{n}}{u}_{1-\frac{\alpha }{2}})$

若${\sigma }^2$未知，则为$(\bar{X}-\frac{S}{\sqrt{n}}{t}_{1-\frac{\alpha }{2}}(n-1),\bar{X}+\frac{S}{\sqrt{n}}{u}_{1-\frac{\alpha }{2}}(n-1))$

估计${\sigma }^2$的$(1-\alpha )$的置信区间。

$(\frac{(n-1)s^2}{{\chi }_{1-\frac{\alpha }{2}}^2(n-1)},\frac{(n-1)s^2}{{\chi }_{\frac{\alpha }{2}}^2(n-1)})$

单侧置信

估计$\mu$的$(1-\alpha )$的置信区间。

若${\sigma }^2$已知，则单侧置信下限为$\bar{X}-\frac{\sigma }{\sqrt{n}}{u}_{1-\alpha }$，上限为$\bar{X}+\frac{\sigma }{\sqrt{n}}{u}_{1-\alpha }$

若${\sigma }^2$未知，则单侧置信下限为$\bar{X}-\frac{S}{\sqrt{n}}{t}_{1-\alpha }(n-1)$，上限为$\bar{X}+\frac{S}{\sqrt{n}}{t}_{1-\alpha }(n-1)$

估计${\sigma }^2$的$(1-\alpha )$的置信区间。

单侧置信下限为$\frac{(n-1)s^2}{{\chi }_{1-\alpha }^2(n-1)}$，上限为$\frac{(n-1)s^2}{{\chi }_{\alpha }^2(n-1)}$

假设检验

过程

带有概率性质的反证法

1. 先写出原假设$H_0$和备择假设$H_1$。
2. 在$H_0$成立的前提下，构造样本满足的分布。
3. 通过$\alpha$的值求出对应的拒绝域$W$。
4. 代入观测值$u$，如果$u\in W$，就拒绝原假设。

弃真取伪及概率计算

• 弃真：$H_0$成立时，样本值$u\in W$。
• 取伪：$H_1$成立时，样本值$u\notin W$。

第一类错误的概率$P_1=P(W)$小于等于$\alpha$。

第二类错误的概率为$P_2=P(\bar{W})$。

$P_1$与$P_2$不能同时减小。但可以通过固定其中一个，增加样本量$n$，减小另一个。具体减小哪一个取决于后果的严重程度。