自考概率论与数理统计公式最全总结
概率论与数理统计公式大全
概率论与数理统计公式大全一、概率基本公式1.事件的概率：对于事件A，在随机试验中发生的次数记为n(A)，则事件A的概率为P(A)=n(A)/n，其中n为试验总次数。
2.互斥事件的概率：对于互斥事件A和B，有P(A∪B)=P(A)+P(B)。
3.事件的余事件概率：设事件A为必然事件，全集的概率为P(S)=1，事件A的余事件为A'，则有P(A')=1-P(A)。
4.条件概率：对于两个事件A和B，假设事件B已经发生，事件A发生的概率记为P(A，B)，则P(A，B)=P(A∩B)/P(B)。
二、随机变量及其概率分布1.离散型随机变量：设X是一个离散型随机变量，其概率函数为P(X=k)，其中k为X的取值，概率函数满足P(X=k)≥0，且∑P(X=k)=12. 连续型随机变量：设X是一个连续型随机变量，其概率密度函数为f(x)，概率密度函数满足f(x)≥0，且∫f(x)dx = 13. 随机变量的数学期望：对于离散型随机变量X，其数学期望为E(X) = ∑k*P(X=k)；对于连续型随机变量X，其数学期望为E(X)=∫xf(x)dx。
4. 随机变量的方差：对于离散型随机变量X，其方差为Var(X) =E(X^2) - [E(X)]^2；对于连续型随机变量X，其方差为Var(X) = E(X^2) - [E(X)]^2三、常见的概率分布1.伯努利分布：表示一次实验成败的概率分布，概率函数为P(X=k)=p^k(1-p)^(1-k)，其中0≤p≤12.二项分布：表示n次独立重复的伯努利试验中成功次数的概率分布，概率函数为P(X=k)=C(n,k)*p^k(1-p)^(n-k)，其中C(n,k)为组合数。
3. 泊松分布：表示单位时间或单位面积内发生事件次数的概率分布，概率函数为P(X=k) = (lambda^k)/(k!)*e^(-lambda)，其中lambda为平均发生率。
4.均匀分布：表示在一个区间内取值相等的概率分布，概率密度函数为f(x)=1/(b-a)，其中[a,b]为区间。
概率论与数理统计超全公式总结
Cov(aX , bY ) = abCo若v(UX~,Yχ)2(n1),
F 分布 正态总体条件下 样本均值的分布：
V ~ χ 2 (n2 ),
则 U / n1 V / n2
~
F (n1, n2 )
σ2 X ~ N(µ, )
n
X − µ ~ N (0,1) σ/ n
样本方差的分布：
(n −1)S 2 σ2
k =1
第二章
二项分布（Bernoulli 分布）——X~B(n,p)
F (x, y) = P{X ≤ x,Y ≤ y} 联合密度与边缘密度
+∞
∫ fX (x) = −∞ f (x, y)dy
+∞
∫ fY (y) = −∞ f (x, y)dx
P(X =k)=Cnkpk(1−p)n−k，(k=0,1,...n, )
泊松分布——X~P(λ)
P( X = k) = λk e−λ， (k = 0,1,...) k!
概率密度函数
+∞
∫ f (x)dx = 1 −∞
怎样计算概率 P(a ≤ X ≤ b)
b
P(a ≤ X ≤ b) = ∫a f (x)dx
均匀分布 X~U(a,b)
1
f (x) =
(a ≤ x ≤ b)
b−a
n — 样本容量(大样本要求n > 50) zα /2 — 正态分布的分位点
⎜⎛ x ± zα / 2 ⎝
σ ⎟⎞ n⎠
(3) H0 : µ ≤ µ0 H1 : µ > µ0 右边检验
单正态总体均值的 Z 检验
小样本、正态总体、标 准差σ已知
（大样本情形σ未知时用SZ代=替X）− µ 0 σ/ n
概率论与数理统计公式整理
概率论与数理统计公式整理在现代数学中，概率论与数理统计是两个重要的分支。
其中概率论是研究随机事件发生的可能性或概率的科学。
而数理统计则是利用概率论的方法，对已经发生的随机事件进行统计分析和推断。
本文将整理概率论与数理统计中常用的公式。
一、基本概率公式1.概率：$P(A)=\frac{n(A)}{n(S)}$其中，$P(A)$表示事件$A$发生的概率，$n(A)$表示事件$A$所包含的基本事件的个数，$n(S)$表示所有基本事件的个数。
2.加法原理：$P(A\cup B)=P(A)+P(B)-P(A\cap B)$其中，$A$和$B$是两个事件，$A\cup B$表示事件$A$和事件$B$中至少有一个发生的概率，$A\cap B$表示两个事件同时发生的概率。
3.条件概率：$P(B|A)=\frac{P(A\cap B)}{P(A)}$其中，$P(B|A)$表示在事件$A$发生的条件下，事件$B$发生的概率。
4.乘法定理：$P(A\cap B)=P(A)P(B|A)$其中，$P(A\cap B)$表示两个事件同时发生的概率，$P(B|A)$表示在事件$A$发生的条件下，事件$B$发生的概率。
二、概率分布1.离散随机变量的概率分布律：$\sum\limits_{i=1}^{+\infty}{p(x_i)}=1$其中，$p(x_i)$表示离散随机变量取值为$x_i$的概率。
2.连续随机变量的概率密度函数：$\int_{-\infty}^{+\infty}{f(x)}\mathrm{d}x=1$其中，$f(x)$表示连续随机变量在$x$处的概率密度。
3.数学期望：$E(x)=\sum\limits_{i=1}^{+\infty}{x_ip(x_i)}$或$E(x)=\int_{-\infty}^{+\infty}{xf(x)}\mathrm{d}x$其中，$E(x)$表示随机变量$x$的数学期望，$p(x_i)$表示$x_i$这一离散随机变量取到的带权概率。
概率论与数理统计公式
概率论与数理统计公式以下是概率论与数理统计中常见的公式整理：1.基本概率公式：P(A) = n(A) / n(S)，其中A 为事件，n(A) 为事件A 发生的基数，n(S) 为样本空间的基数。
2.条件概率公式：P(A|B) = P(A∩B) / P(B)，其中A 和B 为两个事件，P(A∩B) 表示事件A 和事件B 同时发生的概率，P(B) 表示事件B 发生的概率。
3.全概率公式：P(A) = ΣP(A|Bi) * P(Bi)，其中Bi 为互不相交的事件，P(Bi) 表示事件Bi 发生的概率，P(A|Bi) 表示在事件Bi 发生的条件下，事件A 发生的概率。
4.贝叶斯公式：P(Bi|A) = P(A|Bi) * P(Bi) / ΣP(A|Bj) * P(Bj)，其中Bi 为互不相交的事件，P(Bi) 表示事件Bi 发生的概率，P(A|Bi) 表示在事件Bi 发生的条件下，事件A 发生的概率，P(A|Bj) 表示在事件Bj 发生的条件下，事件A 发生的概率。
5.随机变量的期望值：E(X) = Σxi * P(xi)，其中X 为随机变量，xi 为随机变量X 取的第i 个值，P(xi) 表示X 取xi 的概率。
6.随机变量的方差：Var(X) = E((X - E(X))^2)，其中X 为随机变量，E(X) 表示X 的期望值。
7.正态分布的概率密度函数：f(x) = (1 / (σ* √(2π))) * e^(-((x-μ)^2 / (2σ^2)))，其中μ为正态分布的均值，σ为正态分布的标准差。
8.标准正态分布的概率密度函数：f(x) = (1 / √(2π)) * e^(-x^2 / 2)，其中x 为标准正态分布的随机变量。
9.两个随机变量的协方差：Cov(X,Y) = E((X - E(X)) * (Y - E(Y)))，其中X 和Y 为两个随机变量，E(X) 和E(Y) 分别表示X 和Y 的期望值。
概率论与数理统计核心公式汇总
概率论与数理统计核心公式汇总本文将介绍概率论与数理统计中的核心公式，这些公式在统计学和数据分析中起到至关重要的作用，帮助我们理解和处理各种随机现象和数据集。
通过掌握这些公式，我们可以更好地进行数据分析、推断和预测。
概率论核心公式1. 事件的概率计算公式事件的概率定义为：$P(A)=\\frac{n(A)}{n(S)}$，其中P(A)表示事件A发生的概率，n(A)表示事件A发生的次数，n(S)表示样本空间S中的总次数。
2. 条件概率公式条件概率的计算公式为：$P(A|B)=\\frac{P(A \\cap B)}{P(B)}$，表示事件B发生的条件下事件A发生的概率。
3. 贝叶斯定理贝叶斯定理表示为：$P(A|B)=\\frac{P(B|A)P(A)}{P(B)}$，用于在给定相关事件的条件下计算其余事件的概率。
数理统计核心公式1. 样本均值和总体均值的关系样本均值$\\bar{X}=\\frac{\\sum_{i=1}^{n}X_i}{n}$，总体均值$\\mu=\\frac{\\sum_{i=1}^{N}X_i}{N}$。
当样本容量足够大时，样本均值接近于总体均值。
2. 样本方差和总体方差的关系样本方差$s^2=\\frac{\\sum_{i=1}^{n}(X_i-\\bar{X})^2}{n-1}$，总体方差$\\sigma^2=\\frac{\\sum_{i=1}^{N}(X_i-\\mu)^2}{N}$。
样本方差用于估计总体方差。
3. 中心极限定理中心极限定理表明，样本容量足够大时，样本均值的分布近似服从正态分布，不论总体分布是什么形式。
总结概率论与数理统计中的核心公式为我们提供了处理和分析数据的重要工具。
通过合理运用这些公式，我们可以更准确地理解数据背后的规律并做出有效的决策。
希望本文所介绍的核心公式对您有所帮助。
概率论与数理统计公式整理(完整版)
概率论与数理统计 公式（全）
（13）乘法 公式
例如 P(Ω/B)=1 P( B /A)=1-P(B/A) 乘法公式： P(AB) 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 …
当 a≤x1<x2≤b 时，X 落在区间（ x1 , x2 ）内的概率为
P( x1
X
x2 )
x2 b
x1 a
。
6 / 27
概率论与数理统计 公式（全）
指数分布
f (x)
ex ,
0,
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
正态分布
F(x)
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° 0 F(x) 1, x ；
2° F(x) 是单调不减的函数，即 x1 x2 时，有 F(x1) F (x2) ；
3° F() lim F(x) 0， F() lim F(x) 1；
x
x
4° F(x 0) F(x) ，即 F(x) 是右连续的；
布，所以（0-1）分布是二项分布的特例。
5 / 27
概率论与数理统计 公式（全）
泊松分布
设随机变量 X 的分布律为 P( X k) k e ， 0 ， k 0,1,2， k!
则称随机变量 X 服从参数为 的泊松分布，记为 X ~ () 或
超几何分布 几何分布
者 P( )。
概率论与数理统计公式大全
第1章随机事件及其概率第二章随机变量及其分布Ihl ttamitai'l例1.16设某人从一副扑克中(52张)任取13张，设A为 至少有一张红桃”，B 为恰有2张红桃”，张方块”,求条件概率P( B| A), P( B| C) 解 P(A)1 P(A)P(BA)P(AB) P(A)1 c；3CTG ；c3；C 13 C52C52C39—C13一C 13 C 13C 52 C 39—血39P(AB)P(C)C 13C 39 c ；3P(BC)5 26C13C 13C 2652P(B C )P ( BC ) P(C)C13 C 13 C 2613 --------- C 52C 5 C 8C13 C 39C13~ —C 522 6C 13 C 26C 8C39C 为恰有5 C 23C 3113T -某种动物出生后活到20岁的概率为0.7，活到25岁的概率为0.56，求现 年为20岁的这种动物活到25岁的概率.解 设A 表示事件 活到20岁以上”，B 表示 事件活到25岁以上”， P(A) 0.7 P(B) 0.56P(B A)P(AB) P(A)显然P(AB) 0.56 0.7P(B) 0.560.81例 1.21例1.21 某工厂生产的产品以 超过 4件，且具有如下的概率： 一批产品中的次品数 0概率 0.1 0.2现进行抽样检验，从每批中随机抽取 为该批产品不合格。
求一批产品通过检验的概率。
解设B 表示事件 “一批产品通过检验 品”100 1 2 0.4 0.2 件为一批，假定每一批产品中的次品最多不 3 0.1 10件来检验，若发现其中有次品，则认 ”，A (=0,1,234) 表示 ，贝U A 0 ,A 1 , A 2, A 3, A 4组成样本空间的一个划分， C 10C99 C 10C100P(A) 0.1P(B|") 1P(A) 0.2,P (B |A )0.900 P(A)'一批产品含有 0.4,P(B A 2)i 件次P(A 3) 0.2, P(B A 3)c 10崗 0.727 C 100P(A 4)0.1 , P(B A 4)C 10C 96C 10 C0.652C 1098C 101000.8094P ( A k )P ( B |A k ) k 0 顾客买到的一批合格品中，含次品数为0的概率是类似可以计算顾客买到的一 批合格品中，含次品数为 1、2、 3、 4件的概率分别约 为 0.221 、0.398 、0.179 、 0.080贝叶斯公式(Bayes)P(B) P (A 。
概率论与数理统计自学考试公式大全
概率论与数理统计重点公式1、)()()()(AB P B P A P B A P -+=2、若A 、B 独立，则)()()(B P A P AB P ⋅=3、条件概率=)/(A B P )()(A P AB P 4、乘法公式：)/()()(A B P A P AB P = 5、二项分布：),(~p n B X分布律：k n kk n p p C k X P --==)1(}{， 其中n k p ,,2,1,0,10 =<<期望：np 方差：)1(p np - 6、泊松分布：)(~λP X分布律：λλ-==e k k X P k!}{，0>λ， 2,1,0=k期望： λ 方差： λ7、均匀分布：),(~b a U X概率密度：⎪⎩⎪⎨⎧-=,0,1)(ab x f 其他， 期望：2ba + 方差：12)(2a b -8、指数分布：)(~λE X概率密度：⎩⎨⎧≤>=-0,00,)(x x e x f x λλa ≤x ≤b分布函数：⎩⎨⎧≤>-=-0,00,1)(x x e x F x λ期望：λ1 方差：21λ9、正态分布：概率密度：222)(21)(σμσπ--=x ex f ，期望： μ方差： 2σ10、若X 是连续型随机变量，)(x F 是分布函数，则概率运算公式为： （1）)(}{a F a x P =<（2）)()(}{a F b F b x a P -=<< （3）)(1}{a F a x P -=>11、若X 是连续型随机变量，)(x f 是概率密度，则概率运算公式为： （1）dx x f aa x P )(}{⎰∞-=<（2）dx x f a bb x a P )(}{⎰=<< （3）dx x f a dx x f aa x P )()(1}{⎰⎰∞+=∞--=>12、若X 是连续型随机变量，)(x f 是概率密度，则期望运算公式为：dx x xf X E )()(⎰∞-∞+=13、方差的简便计算公式22)]([)()(X E X E X D -=),(~2σμN X +∞<<∞-x14、期望的性质 （1）C C E =)( （2）)()(X kE kX E =（3）)()()(Y E X E Y X E ±=±（4）若X 与Y 独立，则)()()(Y E X E XY E ⋅= 15、方差的性质（1）0)(=C D ，)()(X D C X D =+ （2）)()(2X D k kX D =（3）若X 与Y 独立，则)()()(Y D X D Y X D +=± 16、协方差与相关系数)()()(),(Y E X E XY E Y X Cov ⋅-=)()(),(Y D X D Y X Cov XY ⋅=ρ17、切比雪夫不等式2)(})({εεX D X E X P ≤≥- 2)(1})({εεX D X E X P -≥<-18、大数定律（1）1lim =⎪⎪⎭⎫ ⎝⎛<-∞→εp n m P n （2）11lim 1=⎪⎪⎭⎫⎝⎛<-∑=∞→εμn i i n X n P 19、中心极限定理（1）)(lim 1x x n n X P n i i n Φ=⎪⎪⎭⎪⎪⎬⎫⎪⎪⎩⎪⎪⎨⎧≤-∑=∞→σμ（2）)()1(lim x x p np np Z P n n Φ=⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧≤--∞→ 20、样本均值与样本方差 样本均值∑==ni i x n x 11样本方差∑=--=n i ix x n s 122.)(11 样本标准差.)(1112∑=--=n i ix x n s μ=)(X E ，nX D 2)(σ=，22)(σ=s E21、设n x x x ,,,21 为来自正态总体),(2σμN 的一个样本， 若未知2σ，则)1(~)1()(22222---∑n s n x x iχσσ＝若已知2σ，则)(~)(222n x xiχσ∑-22、矩估计、极大似然估计x =μˆ 22ˆn s =σ，其中∑=-=ni i n x x n s 122.)(123、区间估计已知方差2σ，估计均值μ，区间⎥⎦⎤⎢⎣⎡+-n u x n u x σσαα22,未知方差2σ，估计均值μ，区间⎥⎦⎤⎢⎣⎡-+--n s n t x n s n t x )1(,)1(22αα 估计方差2σ，区间⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----)1()1(,)1()1(2212222n s n n sn ααχχ 24、假设检验两类错误第一类错误 0H 成立，拒绝0H 第二类错误 1H 成立，接受0H 25、u 检验前提：已知2σ，00:μμ=H ，01:μμ≠H 统计量nx u 0σμ-=拒绝域),(),(22+∞--∞=ααu u W26、t 检验前提：未知2σ，00:μμ=H ，01:μμ≠H 统计量ns x t 0μ-=拒绝域)),1(())1(,(22+∞----∞=n t n t Wαα27、2χ检验 前提：2020:σσ=H ，2021:σσ≠H统计量2022)1(σχs n -=拒绝域)),1(())1(,0(22221+∞--=-n n W ααχχ 28、回归方程x y 10ˆˆˆββ+= 其中∑∑∑--==221ˆxn x y x n y x L L ii ixxxy βx y 10ˆˆββ-= 即直线x y 10ˆˆˆββ+=经过点),(y x 29、回归平方和、剩余平方和∑-=ii y ys 2)ˆ(回∑-ii i y y s 2)ˆ(＝剩30、单边检验。
- 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)。
（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。
1
1
自学考试概率论与数理统计
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) q k1 p, k 1,2,3, ，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)。
1
8
自学考试概率论与数理统计
均匀分布
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
（12）条件 概率
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， P( A)
事件 B 发生的条件概率，记为 P(B / A) P( AB) 。 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)
x
对于连续型随机变量， F (x) f (x)dx 。
（5）八大 0-1 分布
P(X=1)=p, P(X=0)=q
分布
1
7
自学考试概率论与数理统计
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 。
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。
密度函数具有下面 4 个性质：
密度
1° f (x) 0 。
f (x)dx 1
1
3
自学考试概率论与数理统计
（13）乘法 公式
乘法公式： P(AB) 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) 。
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）：
A B 如果同时有 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
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)
Ai Ai
德摩根率： i1
i 1
AB AB，AB AB
设 为样本空间， A 为事件，对每一个事件 A 都有一个实数 P(A)，若满
立。
（14）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。
性
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。
f (x)
1
( x )2
2° F(x) 是单调不减的函数，即 x1 x2 时，有 F(x1) F (x2) ；
3° F() lim F(x) 0， F() lim F(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) pk ； xk x
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
“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；
n 种方法来完成，则这件事可由 m×n 种方法立事件（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。
泊松分布 设随机变量 X 的分布律为
P( X k) k e ， 0 ， k 0,1,2， k!
则称随机变量 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
P( X
k)
CMk
•
C nk N M
CNn
k 0,1,2,l , l min(M , n)
对于 n 个事件类似。
（15）全概 公式
设事件 B1, B2,, Bn 满足 1° B1, B2,, Bn 两两互不相容， P(Bi) 0(i 1,2,, n) ，
n
A Bi
2°
i1 ，
则有
P(A) P(B1)P(A | B1) P(B2)P(A | B2) P(Bn)P(A | Bn) 。
P( X
k)
Pn(k )
C
k n
p k q nk
，
q 1 p,0 p 1, k 0,1,2,, n ，
其中
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) 。 当 n 1时， P( X k) p k q1k ， k 0.1，这就是（0-1）分
布，所以（0-1）分布是二项分布的特例。
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：
X P(X
xk )
|
x1, x2,, xk, p1, p2,, pk, 。
显然分布律应满足下列条件：
（1） pk 0 ， k 1,2,，
pk 1
（2） k 1
。
1
5
自学考试概率论与数理统计
（2）连续 型随机变 量的分布
（7）概率 足下列三个条件：
1
2
自学考试概率论与数理统计
的公理化 定义
1° 0≤P(A)≤1， 2° P(Ω) =1
3° 对于两两互不相容的事件 A1， A2 ，…有
P i1 Ai i1 P( Ai)
常称为可列（完全）可加性。
则称 P(A)为事件 A 的概率。
（8）古典 概型
1° 1, 2 n ，
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。 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)
若事件 A 、B 相互独立，则可得到 A 与 B 、 A 与 B 、 A 与 B 也都相互独
自学考试概率论与数理统计
（1）排列
第 1 章 随机事件及其概率
Pmn
m! (m n)!
从 m 个人中挑出 n 个人进行排列的可能数。
组合公式
Cmn
m! n!(m n)!
从 m 个人中挑出 n 个人进行组合的可能数。
加法原理（两种方法均能完成此事）：m+n
（2）加法 和乘法原 理
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 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 A 发生与否与其他次试验 A 发生与
否是互不影响的。 （17）伯努
这种试验称为伯努利概型，或称为 n 重伯努利试验。
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
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° 0 F(x) 1, x ；
2°
。
（3）离散 P(X x) P(x X x dx) f (x)dx
与 连 续 型 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
随 机 变 量 散型随机变量理论中所起的作用相类似。
的关系
1
6
自学考试概率论与数理统计
（4）分布
设 X 为随机变量， x 是任意实数，则函数
设事件 B1， B2 ，…， Bn 及 A 满足
（16）贝叶 斯公式
1° B1， B2 ，…， Bn 两两互不相容， P(Bi) >0， i 1，2，…， n ，