考研必备最新概率论与数理统计公式大全
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。
考研概率论与数理统计公式大全
考研概率论与数理统计公式大全1.概率公式：-概率的加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)-概率的乘法公式：P(A∩B)=P(A)P(B，A)=P(B)P(A，B)-全概率公式：P(B)=P(A1)P(B，A1)+P(A2)P(B，A2)+...+P(An)P(B，An)-贝叶斯公式：P(Ai，B)=P(B，Ai)P(Ai)/(P(B，A1)P(A1)+P(B，A2)P(A2)+...+P(B，An)P(An))2.随机变量与分布：- 期望：E(X) = ∑(xP(X=x))或E(X) = ∫(xf(x)dx)- 方差：Var(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2- 协方差：Cov(X, Y) = E[(X - E(X))(Y - E(Y))]- 标准差：SD(X) = sqrt(Var(X))-二项分布：P(X=k)=C(n,k)p^k(1-p)^(n-k)- 泊松分布：P(X = k) = (lambda^k)e^(-lambda) / k!- 正态分布：P(X = x) = (1 / (sqrt(2*pi)*sigma)) * e^(-(x-mu)^2 / (2*sigma^2))3.估计与检验：-极大似然估计：L(θ)=∏(f(x_i;θ))-似然比检验：λ=L(θ)/L(θ0)- 估计的无偏性：E(θ_hat) = θ- 估计的有效性：Var(θ_hat) ≤ Var(θ)- 中心极限定理：对于均值为μ、方差为σ^2的随机变量X，若样本容量n趋于无穷大，则样本均值X_bar的极限分布服从正态分布4.相关与回归：- 相关系数：r = Cov(X, Y) / (SD(X) * SD(Y))-简单线性回归方程：Y=β0+β1X+ε- 最小二乘估计：β1 = Cov(X, Y) / Var(X)- 线性回归预测：Y_hat = β0 + β1X5.抽样分布：- 样本均值分布：X_bar ~ N(μ, σ^2 / n)- 样本比例分布：p_hat ~ N(p, p(1-p) / n)-卡方分布：X^2~χ^2(k)-t分布：T~t(n)-F分布：F~F(m,n)以上是一些概率论与数理统计中常见的公式，希望对你的学习有所帮助。
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( )。
考研数学概率论与数理统计常用公式
第3页共5页
9. 二维随机变量的条件分布
f (x, y) f X (x) fY X ( y x) f X (x) 0
fY (y) fX Y (x y)
fY (y) 0
fX (x)
f (x, y)dy
f X Y (x y) fY ( y)dy
fY (y)
f (x, y)dx
简单整理了一下，中心极限定理及数理统计部分多概念少公式故未详细列 出。
第5页共5页
7.多维随机变量及其分布
二维随机变量( X ,Y )的分布函数
F(x, y)
x
y
f (u, v)dvdu
边缘分布函数与边缘密度函数
FX (x)
x
f (u, v)dvdu
fX (x)
f (x, v)dv
FY ( y)
y
f (u, v)dudv
fY ( y)
f (u, y)du
E(X ) xf (x)dx
随机变量函数的数学期望
X 的 k 阶原点矩 E( X k )
X 的 k 阶绝对原点矩 E(| X |k )
X 的 k 阶中心矩 E(( X E( X ))k )
X 的 方差 E(( X E( X ))2 ) D( X )
X ,Y 的 k + l 阶混合原点矩 E( X kY l )
XY
X 的方差
D (X ) = E ((X - E(X))2)
D(X ) E(X 2) E2(X )
协方差
cov(X ,Y ) E (X E(X ))(Y E(Y ))
E( XY ) E( X )E(Y )
1 D(X Y ) D(X ) D(Y )
概率论与数理统计公式整理
概率论与数理统计公式整理概率论和数理统计是数学中重要的分支，广泛应用于科学、工程、经济、金融等领域。
本文将对概率论和数理统计中常用的公式进行整理，以帮助读者更好地理解和应用这些概念和方法。
一、概率论公式1. 基本概率公式：P(A) = 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的样本空间，n(S)表示样本空间中所有可能结果的个数。
2. 概率的加法公式：P(A ∪ B) = P(A) + P(B) - P(A ∩ B)其中P(A ∪ B)表示事件A或B发生的概率，P(A ∩ B)表示事件A和B同时发生的概率。
3. 条件概率公式：P(A | B) = P(A ∩ B) / P(B)其中P(A | B)表示在事件B已经发生的条件下，事件A发生的概率。
4. 乘法公式：P(A ∩ B) = P(B) * P(A | B) = P(A) * P(B | A)其中P(A ∩ B)表示事件A和B同时发生的概率。
5. 全概率公式：P(A) = ∑[P(Bi) * P(A | Bi)]其中{Bi}为样本空间S的一个划分，P(Bi)表示事件Bi发生的概率。
二、数理统计公式1. 期望：E(X) = ∑[x * P(X = x)]其中X表示随机变量，x表示X可能取到的值，P(X = x)表示X取到x的概率。
2. 方差：Var(X) = E[(X - E(X))^2]其中E(X)表示随机变量X的期望。
3. 标准差：σ(X) = √(Var(X))其中Var(X)表示随机变量X的方差。
4. 协方差：Cov(X, Y) = E[(X - E(X)) * (Y - E(Y))]其中X和Y分别表示两个随机变量。
5. 相关系数：ρ(X, Y) = Cov(X, Y) / (σ(X) * σ(Y))其中Cov(X, Y)表示X和Y的协方差，σ(X)和σ(Y)分别表示X和Y的标准差。
三、概率分布公式1. 二项分布：P(X = k) = C(n, k) * p^k * (1 - p)^(n-k)其中X服从二项分布，n表示试验次数，k表示成功次数，p 表示每次试验成功的概率。
数理统计常用公式整理
数理统计常用公式整理一、概率公式1. 概率的加法公式：P(A∪B) = P(A) + P(B) - P(A∩B)2. 条件概率公式：P(A|B) = P(A∩B) / P(B)3. 乘法公式：P(A∩B) = P(B) × P(A|B) = P(A) × P(B|A)4. 全概率公式：P(B) = ΣP(Ai) × P(B|Ai)，其中Ai为样本空间的划分。
5. 贝叶斯公式：P(Ai|B) = P(Ai) × P(B|Ai) / ΣP(Aj) × P(B|Aj)，其中Ai为样本空间的划分。
二、随机变量公式1. 期望：E(X) = Σx×P(X=x)，其中x为随机变量X的取值，P(X=x)为其概率。
2. 方差：Var(X) = E((X-E(X))^2) = E(X^2) - [E(X)]^23. 协方差：Cov(X,Y) = E((X-E(X))(Y-E(Y)))4. 两个随机变量X和Y的相关系数：ρ(X,Y) = Cov(X,Y) / (σ(X) × σ(Y))，其中σ(X)和σ(Y)分别为X和Y的标准差。
三、常见分布公式1. 二项分布：P(X=k) = C(n,k) × p^k × (1-p)^(n-k)，其中n为试验次数，k为成功次数，p为单次试验成功的概率。
2. 泊松分布：P(X=k) = (λ^k × e^(-λ)) / k!，其中λ为单位时间（或单位面积）内随机事件发生的平均次数。
3. 正态分布：f(x) = (1 / (σ×√(2π))) × e^(-(x-μ)^2 / (2σ^2))，其中μ为均值，σ为标准差。
4. t分布：f(t) = (Γ((v+1)/2) / (√(vπ) × Γ(v/2))) × (1 + t^2/v)^(-((v+1)/2))，其中v为自由度。
(完整版)大学概率论与数理统计公式全集
大学概率论与数理统计公式全集一、随机事件和概率1、随机事件及其概率2、概率的定义及其计算二、随机变量及其分布1、分布函数性质FbF(aba<≤=P-X)(b()()bFX()P=≤)2、离散型随机变量3、连续型随机变量三、多维随机变量及其分布1、离散型二维随机变量边缘分布∑∑======⋅jjijjii i py Y x X P x X P p ),()(∑∑======⋅iiijjij j py Y x X P y Y P p ),()(2、离散型二维随机变量条件分布2,1,)(),()(=========⋅i P p y Y P y Y x X P y Y x X P p jij j j i j i j i2,1,)(),()(=========⋅j P p x X P y Y x X P x X y Y P p i ij i j i i j i j3、连续型二维随机变量( X ,Y )的联合分布函数⎰⎰∞-∞-=xydvdu v u f y x F ),(),( 4、连续型二维随机变量边缘分布函数与边缘密度函数边缘分布函数：⎰⎰∞-+∞∞-=xX dvdu v u f x F ),()( 边缘密度函数：⎰+∞∞-=dv v x f x f X ),()( ⎰⎰∞-+∞∞-=y Y dudv v u f y F ),()( ⎰+∞∞-=du y u f y f Y ),()(5、二维随机变量的条件分布+∞<<-∞=y x f y x f x y f X X Y ,)(),()( +∞<<-∞=x y f y x f y x f Y Y X ,)(),()(四、随机变量的数字特征1、数学期望离散型随机变量：∑+∞==1)(k k k p x X E 连续型随机变量：⎰+∞∞-=dx x xf X E )()(2、数学期望的性质(1)为常数C ,)(C C E = )()]([X E X E E = )()(X CE CX E =(2))()()(Y E X E Y X E ±=± b X aE b aX E ±=±)()( )()()(1111n n n n X E C X E C X C X C E +=+ (3)若XY 相互独立则：)()()(Y E X E XY E = (4))()()]([222Y E X E XY E ≤ 3、方差：)()()(22X E X E X D -= 4、方差的性质(1)0)(=C D 0)]([=X D D )()(2X D a b aX D =± 2)()(C X E X D -<(2)),(2)()()(Y X Cov Y D X D Y X D ±+=± 若XY 相互独立则：)()()(Y D X D Y X D +=± 5、协方差：)()(),(),(Y E X E Y X E Y X Cov -= 若XY 相互独立则：0),(=Y X Cov 6、相关系数：)()(),(),(Y D X D Y X Cov Y X XY==ρρ 若XY 相互独立则：0=XYρ即XY 不相关7、协方差和相关系数的性质 (1))(),(X D X X Cov = ),(),(X Y Cov Y X Cov =(2)),(),(),(2121Y X Cov Y X Cov Y X X Cov +=+ ),(),(Y X abCov d bY c aX Cov =++8、常见数学分布的期望和方差五、大数定律和中心极限定理1、切比雪夫不等式若,)(,)(2σμ==X D X E 对于任意0>ξ有2)(})({ξξX D X E X P ≤≥-或2)(1})({ξξX D X E X P -≥<- 2、大数定律：若n X X 1相互独立且∞→n 时，∑∑==−→−ni iDni i X E nX n 11)(11(1)若n X X 1相互独立，2)(,)(i i i i X D X E σμ==且M i ≤2σ则：∑∑==∞→−→−ni iPni i n X E nX n11)(),(11(2)若n X X 1相互独立同分布，且i i X E μ=)(则当∞→n 时：μ−→−∑=Pn i i X n 11 3、中心极限定理(1)独立同分布的中心极限定理：均值为μ，方差为02>σ的独立同分布时，当n 充分大时有：)1,0(~1N n n XY nk kn −→−-=∑=σμ(2)拉普拉斯定理：随机变量),(~)2,1(p n B n n =η则对任意x 有：⎰∞--+∞→Φ==≤--xt n x x dtex p np np P )(21})1({lim 22πη(3)近似计算：)()()()(11σμσμσμσμσμn n a n n b n n b n n Xn n a P b X a P nk knk k -Φ--Φ≈-≤-≤-=≤≤∑∑==1、总体和样本总体X 的分布函数)(x F 样本),(21n X X X 的联合分布为)(),(121k nk n x F x x x F =∏=2、统计量(1)样本平均值：∑==ni i X n X 11(2)样本方差：∑∑==--=--=ni i ni i X n X n X X n S 122122)(11)(11(3)样本标准差：∑=--=ni i X X n S 12)(11(4)样本k 阶原点距： 2,1,11==∑=kXn A ni ki k(5)样本k 阶中心距：∑==-==ni k ik k k X XnM B 13,2,)(1(6)次序统计量：设样本),(21n X X X 的观察值),(21n x x x ，将n x x x 21,按照由小到大的次序重新排列，得到)()2()1(n x x x ≤≤≤ ，记取值为)(i x 的样本分量为)(i X ，则称)()2()1(n X X X ≤≤≤ 为样本),(21n X X X 的次序统计量。
- 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)。
A 所包含的基本事件数 基本事件总数
（9）几何 概型
若随机试验的结果为无限不可数并且每个结果出现的可能性均匀，同时样本空 间中的每一个基本事件可以使用一个有界区域来描述，则称此随机试验为几何 概型。对任一事件 A，
P( A) L( A) 。其中 L 为几何度量（长度、面积、体积）。 L()
（10）加 法公式
（11）减 法公式
（12）条 件概率
P(A+B)=P(A)+P(B)-P(AB) 当 P(AB)＝0 时，P(A+B)=P(A)+P(B) P(A-B)=P(A)-P(AB)
当 B A 时，P(A-B)=P(A)-P(B)
当 A=Ω 时，P( B )=1- P(B)
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，事 P( A)
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。
2
（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 … 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。
（14）独 立性
（15）全 概公式
（16）贝 叶斯公式
A n Bi
2°
i1 i / A)
P(Bi )P( A / Bi )
n
，i=1，2，…n。
P(B j )P( A / B j )
j1
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
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 。
P( X k) Pn(k) Cnkp kq nk ，
其中
q 1 p,0 p 1, k 0,1,2,, n ， 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) 。
随机变量
的关系
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。
（4）分布 函数
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(a X b) F (b) F (a) 可以得到 X 落入区间 (a, b] 的概率。分布
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，也可
表示为 A-AB 或者 AB ，它表示 A 发生而 B 不发生的事件。
（6）事件 的关系与 运算
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。 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 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。
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
x1, x2,, xk,
P( X xk) | p1, p2,, pk, 。
显然分布律应满足下列条件：
pk 1
（1） pk 0 ， k 1,2, ， （2） k1
。
（2）连续 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 ，
0，
xa , ba
1，
x<a， a≤x≤b x>b。
当 a≤x1<x2≤b 时，X 落在区间（ x1, x2 ）内的概率为
P(x1 X x2 )
x2 x1 。 ba
6
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
1° B1, B2,, Bn 两两互不相容， P(Bi) 0(i 1,2,, n) ，
A n Bi
2° 则有
i1 ，
P( A) P(B1)P( A | B1) P(B2)P( A | B2) P(Bn)P( A | Bn) 。
设事件 B1 ， B2 ，…， Bn 及 A 满足
1° B1 ， B2 ，…， Bn 两两互不相容， P(Bi) >0， i 1，2，…， n ，
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
1 f (x) b a ,
0,
a≤x≤b 其他，
则称随机变量 X 在[a，b]上服从均匀分布，记为 X~U(a，b)。
分布函数为
F (x) x f (x)dx
A、B 同时发生：A B，或者 AB。A B=Ø，则表示 A 与 B 不可能同时发生，
1
称事件 A 与事件 B 互不相容或者互斥。基本事件是互不相容的。
-A 称为事件 A 的逆事件，或称 A 的对立事件，记为 A 。它表示 A 不发生的
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)
当 n 1 时， P( X k) pk 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。
5
泊松分布
设随机变量 X 的分布律为
k
P( X k ) e ， 0 ， k 0,1,2 ，
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
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 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。
3
这种试验称为伯努利概型，或称为 n 重伯努利试验。 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) 表示
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；
试验的可能结果称为随机事件。 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。
（17）伯 努利概型
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
立。
必然事件 和不可能事件 Ø 与任何事件都相互独立。
者 P( )。
泊松分布为二项分布的极限分布（np=λ，n→∞）。
P( X
k)
k
CM
nk
• CNM CNn
k 0,1,2, l , l min(M , n)
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)。
P( X k ) q k1 p, k 1,2,3, ，其中 p≥0，q=1-p。
Ø 与任何事件都互斥。 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。 对于 n 个事件类似。
设事件 B1, B2,, Bn 满足
（7）概率 的公理化 定义
（8）古典 概型
Ai Ai
德摩根率： i1
i1
AB A B，AB A B
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