此文章用于 Coze 平台智能体制作入门。

假设 检验问题通常叙述成：在显著水平 \(\alpha\) 下，检验假设 \[ H_0: \mu = \mu_0, \quad H_1: \mu \neq \mu_0 \] 也常说成“在显著性水平 \(\alpha\) 下，针对 \(H_1\) 检验 \(H_0\)“，\(H_0\) 称为原假设或零假设，\(H_1\) 称为备择假设，我们要进行的工作是，根据样本，按上述检验方法做出决策在 \(H

点估计 点估计问题一般提法如下：设总体 \(X\) 的分布函数 \(F(x; \theta)\) 的形式为已知；\(\theta\) 是待估参数，\(X_1\)，\(X_2\)，\(\cdots\)，\(X_n\) 是 \(X\) 的一个样本，\(x_1\)，\(x_2\)，\(\cdots\)，\(x_n\) 是相应的一个样本值，点估计问题就是要构造一个适当的统计量 \(\hat{\theta

总体个体容量 在数理统计中，我们往往研究有关对象的某一项数量指标，为此，考虑与这一数量指标相联系的随机试验，对这一数量指标进行试验或观察，我们将试验的全部可能的观察值称为总体，这些值不一定都不相同，数目上也不一定是有限的，每一个可能观察值称为个体，总体中所包含的个体的个数称为总体的容量。 样本和样本值 设 \(X\) 是具有分布函数 \(F\) 的随机变量，若 \(X_1\)，\(X_2\)，\

一 给出下列关系代数操作对应的 SQL 语句 \(\sigma_{p = 233}(r)\) 1SELECT * FROM r WHERE p = '233'; \(\Pi_{A_1, A_2, \cdots, A_m}(r)\) 1SELECT A_1, A_2, \cdots, A_m FROM r; \(\Pi_{A_1, A_2}(\sigma_{p = 114}(

大数定理 依概率收敛 设 \(Y_1\)，\(Y_2\)，\(\cdots\)，\(Y_n\)，\(\cdots\) 是一个随机变量序列，\(a\) 是一个常数，若对于任意正数 \(\varepsilon\)，有 \[ \lim_{n \to \infty} P\{|Y_n - a| < \varepsilon\} = 1 \] 则称序列 \(Y_1\)，\(Y_2\)，\(\cdots\

期望 若级数 \[ \sum_{k = 1}^{\infty} x_{k} p_{k} \] 绝对收敛，则称级数的和为随机变量 \(X\) 的数学期望，记为 \(E(X)\)。 设连续型随机变量 \(X\) 的概率密度为 \(f(x)\)，若积分 \[ \int_{-\infty}^{\infty} xf(x) \text{d}x \] 绝对收敛，则称积分的值为随机变量 \(X\) 的数学期望，

二维随机变量 分布函数的定义 设 \((X, Y)\) 是二维随机变量，对于任意实数 \(x\)，\(y\)，二元函数： \[ F(x, y) = P\{(X \leq x) \cap (Y \leq y)\} = P\{X \leq x, Y \leq y\} \] 称为二维随机变量 \((X, Y)\) 的分布函数，或称为随机变量 \(X\)，\(Y\) 的联合分布函数。 我们称 \(P\

随机变量 设随机试验的样本空间为 \(S = \{e\}\)，\(X = X(e)\) 是定义在样本空间 \(S\) 上的实值单值函数，称 \(X = X(e)\) 为随机变量。 分布律 设离散型随机变量 \(X\) 所有可能的取值为 \(x_{k}(k = 1, 2, 3, \cdots)\)，\(X\) 取各个可能值的概率，即事件 \(\{X = x_{k}\}\) 的概率为 \[ P \{

随机试验 可以在相同条件下重复地进行； 每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果； 进行一次试验前不能确定哪一个结果会出现。 样本空间、随机事件 随机试验 \(E\) 的所有可能结果组成的集合称为 \(E\) 的样本空间，记为 \(S\)。样本空间中的元素，即 \(E\) 的每一个结果，称为样本点。 称试验 \(E\) 的样本空间 \(S\) 的子集为 \(E\) 的随机