概率论公式总结
概率论公式总结
第一章P(A+B)=P(A)+P(B)- P(AB) 特别地，当A 、B 互斥时，P(A+B)=P(A)+P(B) 条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章)()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==nk k k B A P B P A P 1)|()()(∑==nk kki i k B A P B P B A P B P A B P 1)|()()|()()|(∑≤==≤=xk k X P x X P x F )()()(1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=二项分布（Bernoulli 分布）——X~B(n,p)泊松分布——X~P(λ)概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp (θ)),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤badx x f b X a P )()()0(1)(/≥=-x e x f x θ)(1)(b x a ab x f ≤≤-=分布函数 对离散型随机变量对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布 分布规律的描述方法联合密度函数 联合分布函数联合密度与边缘密度⎰∞-=≤=xdt t f x X P x F )()()(⎰∞-=≤=xdt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f ⎰+∞∞-=dy y x f x f X ),()()()('x f x F =离散型随机变量的独立性连续型随机变量的独立性第三章 数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数 ● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望⎰+∞∞-=dx y x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k kkP xX E )(⎰+∞∞-⋅=dxx f x X E )()(∑=kkk p x g X g E )())((常用公式方差 定义式常用计算式∑∑=ijiji p x X E )(dxdy y x xf X E ⎰⎰=),()()()()(Y E X E Y X E +=+∑∑=ijijj i p y x XY E )(dxdy y x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dx x f X E x X D )()()(2[]22)()()(X E X E X D -=常用公式当X 、Y 相互独立时：方差的性质D(a)=0，其中a 为常数D(a+bX)=b2D(X)，其中a 、b 为常数 当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 协方差与相关系数协方差的性质))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()()(),(Y E X E XY E Y X Cov -=)()(),(Y D X D Y X Cov XY=ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =独立与相关 独立必定不相关 相关必定不独立 不相关不一定独立 第四章 正态分布标准正态分布的概率计算 标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P 一般正态分布的概率计算),(),(),(Z Y Cov Z X Cov Z Y X Cov +=+),(~2σμN X 222)(21)(σμσπ--=x e x f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔一般正态分布的概率计算公式第五章卡方分布t 分布F 分布 )()()(σμ-Φ=<=≤a a X P a X P )(1)()(σμ-Φ-=>=≥a a X P a X P )()()(σμσμ-Φ--Φ=≤≤a b b X a P )(~)1,0(~212n X N X ni i χ∑=，则若())(~1),,(~21222n Y N Y ni iχμσσμ∑=-则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ则若),(~),1,0(~2n Y N X χ)(~/n t nY X正态总体条件下 样本均值的分布：样本方差的分布：两个正态总体的方差之比第六章点估计：参数的估计值为一个常数 矩估计 最大似然估计似然函数均值的区间估计——大样本结果),(~2nN X σμ)1,0(~/N nX σμ-)1(~)1(222--n S n χσ)1(~/--n t ns X μ)1,1(~//2122212221--n n F S S σσ);(1θi ni x f L ∏==);(1θi ni x p L ∏==⎪⎫⎛z x σα/—正态总体方差的区间估计⎪⎪⎭⎫ ⎝⎛-±n p p z p )1(2/α正态分布的分位点—大样本要求样本容量—样本比例—2/)50(αz n np >已知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛±n z x σα2/未知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛-±n s n t x )1(2/α分布的分位点的自由度为—t n n t 1)1(2/--α()22)1()1(--Sn Sn 样本方差—22S两个正态总体均值差的置信区间大样本或正态小样本且方差已知两个正态总体方差比的置信区间第七章假设检验的步骤① 根据具体问题提出原假设H0和备择假设H1② 根据假设选择检验统计量，并计算检验统计值③ 看检验统计值是否落在拒绝域，若落在拒绝域则拒绝原假设，否则就不拒绝原假设。
(整理)概率论公式大全
第一章随机事件和概率（1）排列组合公式从m个人中挑出n个人进行排列的可能数。
从m个人中挑出n个人进行组合的可能数。
（2）加法和乘法原理加法原理（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。
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。
（3）一些常见排列重复排列和非重复排列（有序）对立事件（至少有一个）顺序问题（4）随机试验和随机事件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。
（5）基本事件、样本空间和事件在一个试验下，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。
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。
（6）事件的关系与运算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，，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，它表示A发生而B不发生的事件。
大学概率论必背公式
，使对任意实数 x，都有
F ( x)＝P( X x)＝x f (u)du
则称 X 为连续型随机变量，f (x)为 X 的概率密度函数，简称概率密度或密度函数。 记为 X～ f (x) , (- < x <+)
2. 密度函数的性质
(3)
若
x是
f(x )
f (x)的连续点，
dF(x dx
)
.
（4）
P(a X b)＝ b f (u)du a
P{X xk } pk ,k 1,2,
数学期望 E(X)是一个常数,而非变量．它是一种以概率为权的加权平均值 （1）X ~（0—1）分布
（2）X~B（n，p）二项分布 （3）X~（或）Poisson 分布
2. 连续型随机变量的数学期望
（1）X~U(a，b)均匀分布 其概率密度函数为：
f(x )
5. 边缘分布 6. 二维连续型随机变量及其密度函数 联合密度 f (x , y )的性质
7. 边缘密度函数
8. 条件密度函数
1）fX|Y (x
y)
f (x, y) 称为Y fY ( y)
y下, X的条件密度函数
2）fY|X ( y
x)
f (x, y) 称为X fX (x)
x下,Y的条件密度函数
8、相关系数： 若 r.v. X，Y 的方差和协方差均存在, 且 D(X )> 0, D(Y )> 0，则
称为 X 与 Y 的相关系数. X 与 Y 不相关 Cov(X, Y )=0 E(XY )= E(X )E (Y )。
8、矩 （1）k 阶原点矩 E(X k ), k=1, 2, … 而 E(|X|k)称为 X 的 k 阶绝对原点矩； （2）k 阶中心矩 E[XE(X )]k, k=1, 2, … 而 E|X-E(X )|k 称为 X 的 k 阶绝对中心矩；
(完整版)概率论公式总结
第一章P(A+B)=P(A)+P(B)- P(AB)特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B) 条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章 二项分布（Bernoulli 分布）——X~B(n,p)泊松分布——X~P(λ))()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==n k k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ∑≤==≤=xk k X P x X P x F )()()(概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp ()对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布分布规律的描述方法联合密度函数联合分布函数1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤b adx x f b X a P )()(⎰∞-=≤=xdtt f x X P x F )()()(⎰∞-=≤=xdt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f )(1)(b x a a b x f ≤≤-=联合密度与边缘密度离散型随机变量的独立性连续型随机变量的独立性第三章数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望常用公式⎰+∞∞-=dyy x f x f X ),()(⎰+∞∞-=dx y x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k k k P x X E )(⎰+∞∞-⋅=dx x f x X E )()(∑=kk k p x g X g E )())((方差定义式 常用计算式常用公式 当X 、Y 相互独立时： 方差的性质D(a)=0，其中a 为常数D(a+bX)= abD(X)，其中a 、b 为常数当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y)协方差与相关系数协方差的性质∑∑=i j iji p x X E )(dxdy y x xf X E ⎰⎰=),()()()()(Y E X E Y X E +=+∑∑=i j ij j i p y x XY E )(dxdy y x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dx x f X E x X D )()()(2[]22)()()(X E X E X D -=))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()(),(Y D X D Y X Cov XY =ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =独立与相关独立必定不相关、相关必定不独立、不相关不一定独立第四章正态分布标准正态分布的概率计算标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P一般正态分布的概率计算一般正态分布的概率计算公式),(~2σμN X 222)(21)(σμσπ--=x e x f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔()()(σμ-Φ=<=≤a a X P a X P (1)()(σμ-Φ-=>=≥a a X P a X P )()()(σμσμ-Φ--Φ=≤≤a b b X a P。
概率论的公式大全
概率论的公式大全1.基本概率公式：对于一个随机事件A，它发生的概率（记作P(A)）等于A包含的元素数目除以样本空间中元素的总数目。
P(A)=个数(A)/个数(样本空间)2.条件概率公式：对于两个事件A和B，如果B已经发生，则A发生的概率记作P(A，B)。
P(A，B)=P(A交B)/P(B)3.全概率公式：对于一系列互不相容的事件B1，B2，...，Bn，它们的并集等于样本空间，那么对于另一个事件A，可以用条件概率公式表示为：P(A)=Σ(P(A，Bi)*P(Bi))，i=1到n4.贝叶斯定理：对于一系列互不相容的事件B1，B2，...，Bn，它们的并集等于样本空间，那么对于另一个事件A，可以用条件概率公式表示为：P(Bi，A)=(P(A，Bi)*P(Bi))/Σ(P(A，Bj)*P(Bj))，j=1到n5.独立事件公式：对于两个事件A和B，如果它们相互独立（即A的发生与B的发生没有任何关系），则它们的联合概率等于它们的乘积。
P(A交B)=P(A)*P(B)6.乘法公式：对于一系列独立事件A1，A2，...，An，它们的概率等于各个事件发生的概率的乘积。
P(A1交A2交...交An)=P(A1)*P(A2)*...*P(An)7.加法公式：对于两个事件A和B，它们的并集的概率等于各个事件发生的概率之和减去它们的交集的概率。
P(A并B)=P(A)+P(B)-P(A交B)8.期望值公式：对于一个随机变量X和它的概率分布P(X)，它的期望值可以表示为：E(X)=Σ(Xi*P(Xi))9.方差公式：对于一个随机变量X和它的期望值E(X)，它的方差可以表示为：Var(X) = Σ((Xi - E(X))^2 * P(Xi))，i为X的取值范围内的索引10.协方差公式：对于两个随机变量X和Y，它们的协方差可以表示为：Cov(X, Y) = E((X - E(X)) * (Y - E(Y)))11.相关系数公式：对于两个随机变量X和Y，它们的相关系数可以表示为：Corr(X, Y) = Cov(X, Y) / (σ(X) * σ(Y))，其中σ(X)和σ(Y)分别是X和Y的标准差12.大数定律：对于独立同分布的随机变量序列X1，X2，...，Xn，当n趋向于无穷大时，它们的算术平均值逐渐接近它们的期望值。
概率论公式总结
第一章P(A+B)=P(A)+P(B)- P(AB) 特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B)条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章)()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==nk k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(∑≤==≤=x k k X P x X P x F )()()(1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=泊松分布——X~P(λ)概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp (θ)),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤ba dx x fb X a P )()()0(1)(/≥=-x e x f x θθ)(1)(b x a a b x f ≤≤-=分布函数对离散型随机变量对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布分布规律的描述方法联合密度函数 联合分布函数联合密度与边缘密度⎰∞-=≤=xdt t f x X P x F )()()(⎰∞-=≤=x dt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f ⎰+∞∞-=dy y x f x f X ),()(离散型随机变量的独立性连续型随机变量的独立性第三章数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望常用公式}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k k k P x X E )(⎰+∞∞-⋅=dx x f x X E )()(∑=k k k p x g X g E )())((∑∑=i j iji p x X E )(dxdy y x xf X E ⎰⎰=),()(方差定义式常用计算式常用公式当X 、Y 相互独立时：)()()(Y E X E Y X E +=+∑∑=i j ijj i p y x XY E )(dxdy y x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dx x f X E x X D )()()(2[]22)()()(X E X E X D -=))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+方差的性质D(a)=0，其中a 为常数D(a+bX)=b2D(X)，其中a 、b 为常数当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 协方差与相关系数协方差的性质独立与相关独立必定不相关相关必定不独立)()()(),(Y E X E XY E Y X Cov -=)()(),(Y D X D Y X Cov XY =ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =),(),(),(Z Y Cov Z X Cov Z Y X Cov +=+第四章正态分布标准正态分布的概率计算标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤ )(1)()(a a Z P a Z P Φ-=>=≥ )()()(a b b Z a P Φ-Φ=≤≤ 1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P 一般正态分布的概率计算一般正态分布的概率计算公式),(~2σμN X 222)(21)(σμσπ--=x e x f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔()()(σμ-Φ=<=≤a a X P a X P )(1)()(σμ-Φ-=>=≥a a X P a X P第五章卡方分布t 分布F 分布 正态总体条件下样本均值的分布：样本方差的分布：)()()(σμσμ-Φ--Φ=≤≤a b b X a P )(~)1,0(~212n X N X n i i χ∑=，则若())(~1),,(~21222n Y N Y n i i χμσσμ∑=-则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ),(~2n N X σμ)1,0(~/N n Xσμ-)1(~)1(222--n S n χσ)1(~/--n t n s X μ则若),(~),1,0(~2n Y N X χ)(~/n t n Y X两个正态总体的方差之比第六章点估计：参数的估计值为一个常数 矩估计最大似然估计似然函数均值的区间估计——大样本结果)1,1(~//2122212221--n n F S S σσ);(1θi n i x f L ∏==);(1θi n i x p L ∏==⎪⎭⎫ ⎝⎛±n z x σα2/正态分布的分位点—大样本要求样本容量—代替准差通常未知，可用样本标标准差—样本均值—2/)50()(ασz n n s x >⎪⎪⎭⎫ ⎝⎛-±n p p z p )1(2/α正态分布的分位点—大样本要求样本容量—样本比例—2/)50(αz n n p>正态总体方差的区间估计 两个正态总体均值差的置信区间 大样本或正态小样本且方差已知两个正态总体方差比的置信区间已知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛±n z x σα2/未知准差小样本、正态总体、标σ⎪⎭⎫ ⎝⎛-±n s n t x )1(2/α分布的分位点的自由度为—t n n t 1)1(2/--α()22/1222/2)1()1(,ααχχ---S n S n 卡方分布的分位点—样本方差—22/2αχS ()⎪⎪⎭⎫ ⎝⎛+±-2221212/21n n z x x σσα⎪⎪⎭⎫ ⎝⎛----)1,1(/,)1,1(/212/2221212/2221n n F S S n n F S S αα假设检验的步骤① 根据具体问题提出原假设H0和备择假设H1② 根据假设选择检验统计量，并计算检验统计值③ 看检验统计值是否落在拒绝域，若落在拒绝域则拒绝原假设，否则就不拒绝原假设。
概率论公式大全
。
（6）分位数
下分位表：；
上分位表：。
（7）函数分布
离散型
已知的分布列为
，
的分布列（互不相等）如下：
，
若有某些相等，则应将对应的相加作为的概率。
连续型
先利用X的概率密度fX(x)写出Y的分布函数FY(y)＝P(g(X)≤y)，再利用变上下限积分的求导公式求出fY(y)。
第三章二维随机变量及其分布
其中是5个参数，则称（X，Y）服从二维正态分布，
记为（X，Y）～N（
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（
但是若X～N（，(X，Y)未必是二维正态分布。
（10）函数分布
Z=X+Y
根据定义计算：
对于连续型，fZ(z)＝
两个独立的正态分布的和仍为正态分布（）。
n个相互独立的正态分布的线性组合，仍服从正态分布。
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。
（6）事件的关系与运算
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）：
Y的边缘分布密度为
（6）条件分布
离散型
在已知X=xi的条件下，Y取值的条件分布为
在已知Y=yj的条件下，X取值的条件分布为
连续型
在已知Y=y的条件下，X的条件分布密度为
；
在已知X=x的条件下，Y的条件分布密度为
（7）独立性
概率论公式
n
注：如果有 n 个变量服从同一个 0-1 分布， Xi ~ b(1, p) ，则其和 X Xi 服从二项 i
分布 X ~ b(n, p)
11. Poisson 分布
X ~ P() P( X k) k e , k 0,1,...
F
(x)
0, 1,
x x
c c
E(X ) c
Var( X ) 0
9. 二项分布
X ~ b(n, p)
P( X k) Cnk pk (1 p)nk E(X ) np
Var( X ) np(1 p)
10. 二点分布（0-1 分布）
X ~ b(1, p)
P( X x) px (1 p)1x , x 0,1
p(
x)
2
n 2
1 (
n
)
e
x 2
x
n 2
1
,
x
0
2
0, x 0
E(X ) n
Var( X ) 2n
Gamma 分布变为 2 分布：
当 X ~ Ga(,) ，则 2 X ~ Ga(, 1) 2 (2 ) 2
20. 严格单调函数Y g(X )
pY ( y) px[h(x)] | h '(x) |
21. K 阶原点矩和中心矩
k E(X k ) k E( X E( X ))k
中心矩和原点矩关系：
k
k Cik i (i )ki i0
22. 变异系数
Cv
(
X
)
( E(
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
-3-
—
连续型
先利用 X 的概率密度 fX(x)写出 Y 的分布函数 FY(y)＝P(g(X)≤
y)，再利用变上下限积分的求导公式求出 fY(y)。
第三章 二维随机变量及其分布
对 于 二 维 随 机 向 量 (X,Y) ， 如 果 存 在 非 负 函 数
f (x, y)( x , y ) ，使对任意一个其邻边
若事件 A 、 B 相互独立，且 P( A) 0 ，则有
P(B | A) P( AB) P( A)P(B) P(B)
P( A)
P( A)
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）
f (x)
1
e
(
x )2 2 2
2
其中 、 0 为常数，则称随机变量 X 服从参数为 、 的
正态分布或高斯（Gauss）分布，记为 X ~ N (, 2 ) 。
f (x) 具有如下性质：
1° f (x) 的图形是关于 x 对称的；
2° 当 x 时， f () 1 为最大值；
若
X
~
离散型与 连续型的 关系
边缘分布
（2）
f (x, y)dxdy 1.
P(X x，Y y) P(x X x dx，y Y y dy) f (x，y)dxdy
离散型
X 的边缘分布为
Pi• P(X xi ) pij (i, j 1,2,) ；
j
Y 的边缘分布为
P• j P(Y y j ) pij (i, j 1,2,) 。
E(X ) xf (x)dx
（要求绝对收敛）
Y=g(X)
函数的期望
n
E(Y ) g(xk ) pk k 1
E(Y ) g(x) f (x)dx
方差 D(X)=E[X-E(X)]2， 标准差
D( X ) [xk E( X )]2 pk
k
(X ) D(X ) ，
（2） 期望 的性 质
Z=max,min( X1,X2,…Xn)
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)]
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) 。
①两个事件的独立性
设事件 A 、 B 满足 P( AB) P( A)P(B) ，则称事件 A 、 B 是相互独立的。
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。
期望
方差
0-1 分布 B(1, p)
p
p(1 p)
二项分布 B(n, p)
np
np(1 p)
（4） 常见 分布 的期 望和 方差
“由果朔因”的推断。
第二章 随机变量及其分布
连续型 随机变 量的分 布密度
离散与 连续型 随机变 量的关 系
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
x
F (x) f (x)dx
，
则称 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。
2 分布
设 n 个随机变量 X 1 , X 2 ,, X n 相互独立，且服从标准正态分
布，可以证明它们的平方和
n
W
X
2 i
我们称随机变量
W
服从自由度为
n
的
2
分布记为
i 1
W～ 2 (n)
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
连续型
分别平行于坐标轴的矩形区域 D，即 D={(X,Y)|a<x<b,c<y<d} 有
P{(X ,Y ) D} f (x, y)dxdy, 则称 为连续型随机向量；
D
并称 f(x,y)为 =（X，Y）的分布密度或称为 X 和 Y 的联合分
布密度。分布密度 f(x,y)具有下面两个性质： （1） f(x,y)≥0;
随机变量 X 服从参数为 p 的几何分布，记为 G(p)。
设随机变量 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 ba
当 a≤x1<x2≤b 时，X 落在区间
f
(
x)
b
1
a
,
0,
a≤x≤b 其他
（ x1 , x2 ）内的概率为
P( x1
X
x2 )
x2 b
x1 a
欢迎下载
-2-
—
指数分布
ex ,
x 0,
f (x)
0,
x 0,
其中 0 ，则称随机变量 X 服从参数为 的指数分布。
X 的分布函数为
F(x)
1 ex , 0,
x 0,
x<0。
记住积分公式
x n e x dx n!
0
正态分布
函数分 布
离散型
欢迎下载
设随机变量 X 的密度函数为
全概公式
贝叶斯公 式
P(A) P(B1)P(A | B1) P(B2)P(A | B2) P(Bn)P(A | Bn) 。
P(Bi / A)
P(Bi )P( A / Bi )
n
，i=1，2，…n。
P(Bj )P(A/ Bj )
j 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
欢迎下载
-4-
—
函数分布
Z=X+Y
根据定义计算： FZ (z) P(Z z) P(X Y z)
态分布的和仍为正态分布（
1
2
,
2 1
2 2
）。
n 个相互独立的正态分布的线性组合，仍服从正态分布。
Cii ， 2
C
i2
2 i
i
i
若 X1, X2 Xn 相 互 独 立 ， 其 分 布 函 数 分 别 为
已知 X 的分布列为
X
x1, x2, , xn,
，
P( X xi) p1, p2, , pn,
Y g(X ) 的分布列（ yi g(xi ) 互不相等）如下：
Y
g(x1), g(x2), , g(xn),
，
P(Y yi ) p1, p2, , pn,
若有某些 g(xi) 相等，则应将对应的 pi 相加作为 g(xi) 的概率。
密度函数具有下面性质： f (x) 0 。
f (x)dx 1
P(X x) P(x X x dx) f (x)dx 。积分元 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似。
—
0-1 分布
P(X=1)=p, P(X=0)=q
欢迎下载
-5-
—
设 X ~ 2 (n1 ), Y ~ 2 (n2 ) ， 且 X 与 Y 独 立 ， 可 以 证 明
F 分布
F X / n1 我们称随机变量 F 服从第一个自由度为 n1，第二个 Y / n2
自由度为 n2 的 F 分布，记为 F～f(n1, n2).
F1
(n1 , n2 )
k
Z Yi ~ 2 (n1 n2 nk ). i 1
t 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 X 我们称随机变量 T 服从自由度为 n 的 t 分布， Y /n
记为 T～t(n)。 t1 (n) t (n)
N (, 2 ) ，则
X
2
的分布函数为
F(x) 1
e dt x
(t )2 2 2
2
(x) 是不可求积函数，其函数值，已编制成表可供查用。
Φ(-x)＝1-Φ(x)且 Φ(0)＝ 1 。如果 X ~ N (, 2 ) ，则 2
X ~ N (0,1)
P( x1
。
X
x2 )
x2
x1
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在(an重X贝努b里) 试 验F(中b)，设F事(a件) A可发以生得的到概X率落为入p区。间事(a件,bA] 的发概生 率。分布函数 F(x) 表示随的机次变数量是落随入机区变间量（，–设∞为，Xx]，内则的概X 率可。能取值为 0,1,2,, n 。
k!
超几何分布 几何分布 均匀分布
则称随机变量 X 服从参数为 的泊松分布，记为 X ~ () 或
者 P( )。
P( X
k)