概率统计里有一套非常专门的数学语言和术语，如果你是初学者，很容易被符号和定义绕晕。按常见分类整理一下，方便理解和记忆：
一、基础集合与事件语言
- 样本空间（Sample Space） ：所有可能结果的集合，记作 Ω\OmegaΩ。
- 事件（Event） ：样本空间的子集，常用大写字母 A,B,CA, B, CA,B,C 表示。
- 基本事件（Elementary Event）：只包含一个结果的事件。
- 空事件（Impossible Event） ：记作 ∅\varnothing∅，不可能发生的事件。
- 必然事件（Certain Event） ：记作 Ω\OmegaΩ，一定会发生的事件。
二、概率的基本概念
- 概率（Probability） ：事件发生的可能性大小，记作 P(A)P(A)P(A)，满足 0≤P(A)≤10 \le P(A) \le 10≤P(A)≤1。
- 古典概型（Classical Probability）：所有基本事件等可能发生的概率模型。
- 频率（Frequency）：在多次重复试验中事件出现的次数比例。
- 条件概率（Conditional Probability） ：在已知事件 BBB 发生的条件下，事件 AAA 发生的概率，记作 P(A∣B)P(A|B)P(A∣B)。
- 独立性（Independence） ：若 P(A∩B)=P(A)P(B)P(A \cap B) = P(A)P(B)P(A∩B)=P(A)P(B)，则称事件 AAA 与 BBB 独立。
三、随机变量与分布
- 随机变量（Random Variable） ：把样本空间的结果映射为实数的函数，常用大写字母 X,Y,ZX, Y, ZX,Y,Z 表示。
- 离散型随机变量（Discrete Random Variable）：取值有限或可数的随机变量。
- 连续型随机变量（Continuous Random Variable）：取值充满某个区间的随机变量。
- 概率分布（Probability Distribution）：描述随机变量取值概率规律的函数。
- 离散型：概率质量函数（PMF）
- 连续型：概率密度函数（PDF）
- 分布函数（CDF） ：F(x)=P(X≤x)F(x) = P(X \le x)F(x)=P(X≤x)，表示随机变量小于等于 xxx 的概率。
四、常见分布名称
- 离散分布 ：二项分布 B(n,p)B(n,p)B(n,p)、泊松分布 Poisson(λ)\text{Poisson}(\lambda)Poisson(λ)、几何分布等。
- 连续分布 ：正态分布 N(μ,σ2)N(\mu, \sigma^2)N(μ,σ2)、均匀分布 U(a,b)U(a,b)U(a,b)、指数分布 Exp(λ)\text{Exp}(\lambda)Exp(λ)、伽马分布等。
五、期望、方差与矩
- 期望（Expected Value） ：随机变量的加权平均值，记作 EXEXEX。
- 方差（Variance） ：衡量随机变量取值分散程度，记作 Var(X)\text{Var}(X)Var(X)。
- 标准差（Standard Deviation） ：方差的平方根，记作 σ\sigmaσ。
- 协方差（Covariance） ：衡量两个随机变量的线性关系程度，记作 Cov(X,Y)\text{Cov}(X,Y)Cov(X,Y)。
- 相关系数（Correlation Coefficient） ：标准化的协方差，范围 −1,1-1,1−1,1。
六、统计推断常用术语
- 总体（Population）：研究对象的全体。
- 样本（Sample）：从总体中抽取的部分个体。
- 统计量（Statistic） ：由样本计算出的量，如样本均值 Xˉ\bar{X}Xˉ、样本方差 S2S^2S2。
- 估计（Estimation）：用样本统计量推断总体参数。
- 假设检验（Hypothesis Testing）：对总体参数提出假设并进行检验。
- 置信区间（Confidence Interval）：参数真值可能落入的区间估计。
- 置信区间（Confidence Interval）：参数真值可能落入的区间估计。