概率论与数理统计公式整理(大学考试必备)
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-重要公式
概率论与数理统计-重要公式一、随机事件与概率二、随机变量及其分布1、分布函数()()(),()()()()k k x xx P X x F x P X x P a X b F b F a f t dt≤-∞⎧=⎪=≤=<≤=-⎨⎪⎩∑⎰ 概率密度函数计算概率：2、离散型随机变量及其分布3、续型型随机变量及其分布1)(=⎰+∞∞-dx x f ⎰=≤≤badxx f b X a P )()(一般正态分布的概率计算公式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：4、随机变量函数Y=g(X)的分布离散型：()(),1,2,j ii j g x y P Y y p i ====∑，连续型： ①分布函数法，②公式法()(())()(())Y X f y f h y h y x h y '=⋅=单调 h(y)是g(x)的反函数三、多维随机变量及其分布1、离散型二维随机变量及其分布分布律：(,),,1,2,i j ij P X x Y y p i j ==== 联合分布函数(,)i i ijx x y yF X Y p≤≤=∑∑边缘分布律：()i i ij jp P X x p ⋅===∑ ()j j ij ip P Y y p ⋅===∑条件分布律：(),1,2,ij i j jp P X x Y y i p ⋅====，(),1,2,ij j i i p P Y y X x j p ⋅====联合密度函数2、连续型二维随机变量及其分布 ①分布函数及性质 分布函数：⎰⎰∞-∞-=x ydudv v u f y x F ),(),(⎰∞-=≤=x dtt f x X P x F )()()(∑≤==≤=xk k X P x X P x F )()()()()('x f x F =⎰∞-=≤=xdtt f x X P x F )()()(1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=),(y x f 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f )()()(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性质：2(,)(,)1,(,),F x y F f x y x y∂+∞+∞==∂∂((,))(,)GP x y G f x y dxdy ∈=⎰⎰②边缘分布函数与边缘密度函数 分布函数：⎰⎰∞-+∞∞-=x X dvdu v u f x F ),()( 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 ),()(③条件概率密度+∞<<-∞=y x f y x f x y f X X Y ,)(),()(，+∞<<-∞=x y f y x f y x f Y Y X ,)(),()( 3、随机变量的独立性随机变量X 、Y 相互独立(,)()()X Y F x y F x F y ⇔=，连续型：(,)()()X Y f x y f x f y = 离散型：..ij i j p p p = ，4、二维随机变量和函数的分布(卷积公式)离散型：()(,)i j kk i j x y z P Z z P X x Y y +=====∑注意部分可加性连续型：()(,)(,)Z f z f x z x dx f z y y dy +∞+∞-∞-∞=-=-⎰⎰四、随机变量的数字特征1、数学期望①定义：离散型∑+∞==1)(k k k p x X E ，连续型⎰+∞∞-=dxx xf X E )()(②性质：(),E C C = )()]([X E X E E =，)()(X CE CX E =，)()()(Y E X E Y X E ±=±b X aE b aX E ±=±)()( ，当X 、Y 相互独立时：)()()(Y E X E XY E =(正对逆错)随机变量g(X)的数学期望2、方差 ①定义：②性质：0)(=C D ，)()(2X D a b aX D =±，),(2)()()(Y X Cov Y D X D Y X D ±+=± 当X 、Y 相互独立时：)()()(Y D X D Y X D +=±3、协方差与相关系数①协方差：(,)()()()Cov X Y E XY E X E Y =-，当X 、Y 相互独立时：0),(=Y X Cov②相关系数： ()()XY D X D Y ρ=，当X 、Y 相互独立时：0=XY ρ(X,Y 不相关)③协方差和相关系数的性质：)(),(X D X X Cov =，),(),(X Y Cov Y X Cov =),(),(),(2121Y X Cov Y X Cov Y X X Cov +=+，),(),(Y X abCov d bY c aX Cov =++Cov(x,a)=0(a 为常数)，),(2)()()(22Y X abCov Y D b X D a bY aX D ±+=±4、常见随机变量分布的数学期望和方差}{}{},{j Y P i X P j Y i X P =====∑=kkk p x g X g E )())((五、大数定律与中心极限定理1、切比雪夫不等式若,)(,)(2σμ==X D X E 对于任意0>ε有2)(})({εεX D X E X P ≤≥-2、大数定律：①切比雪夫大数定律：若n X X 1相互独立，2)(,)(i ii i X D X E σμ==且C i ≤2σ，则：∑∑==∞→−→−ni iPni i n X E nX n11)(),(11②伯努利大数定律：设n A 是n 次独立试验中事件A 发生的次数，p 是事件A 在每次试验中发生的概率，则0ε∀>，有：lim 1A n n P p n ε→∞⎛⎫-<=⎪⎝⎭③辛钦大数定律：若1,,n X X 独立同分布，且μ=)(i X E ，则μ∞→=−→−∑n P ni iXn113、★中心极限定理①列维—林德伯格中心极限定理：独立同分布的随机变量(1,2,)i X i =，均值为μ，方差为02>σ，当n 充分大时有：1((0,1)~nn k k Y X n n N μσ==-−−→∑ ②棣莫弗—拉普拉斯中心极限定理：随机变量),(~p n B X ，则对任意x 有：22lim }()2t x n P x dt x π-→∞≤==Φ⎰③近似计算：1()nk k P a X b n n σσ=≤≤≈Φ-Φ∑ 六、数理统计的基本概念1、总体和样本的分布函数设总体X ～F(x)，则样本的联合分布函数)(),(121k nk n x F x x x F =∏=2、统计量样本均值：∑==ni i X nX 11，样本方差：∑∑==--=--=ni ini i X n X n X X n S 122122)(11)(11 样本标准差：∑=--=ni i X X n S 12)(11 ，样本k 阶原点距： 2,1,11==∑=k X n A ni k i k样本k 阶中心距：11(),1,2,3nk k i i B X X k n ==-=∑3、三大抽样分布(1)2χ分布（卡方分布）：设随机变量X ～B(0,1)(1,2,,)i n =且相互独立，则称统计量222212n X X X ++=χ服从自由度为n 的2χ分布，记为)(~22n χχ 性质：①n n D n n E 2)]([,)]([22==χχ②设)(~),(~22n Y m X χχ且相互独立，则)(~2n m Y X ++χ(2)t分布：设随机变量)(~),1,0(~2n Y N X χ，且X 与Y 独立，则称统计量：nY X T =服从自由度为n 的t 分布，记为)(~n t T 。
概率论与数理统计公式整理(超全免费版)
「 ef(x) w0,其中 0，则称随机变量X 服从参数为X 的分布函数为1xe， xF(x)'0,x<0。
记住积分公式：x ne xdx n!指数分布的指数分布如果二维随机向量(X, Y)的所有可能取值为至多可列个有序对(x,y),则称为离散型随机(1)联合分离散型布设=(X，Y)的所有可能取值为(X i,y j)(i,j 1,2,)，且事件{ =(X i,y j)}的概率为P ij,,称P{(X,Y) (X i,y j)} P j(i,j 1,2,)为=(X，Y)的分布律或称为X和Y的联合分布律。
联合分布有时也用下面的概率分布表来表示：这里P ij具有下面两个性质(1)P ij>0 (i,j=1,2,…)；(2)P j 1.i j(1)大数定律X 切比雪夫大数定律设随机变量冶，X2,…相互独立，均具有有限方差，且被同一常数C所界：D (X i) <C(i=1,2,…),则对于任意的正数£，有limnPLx,丄n i 1 n° E(X i)i 11特殊情形: 若X1，X2，…具有相同的数学期望 E (X)=「则上式成为lim Pn1n X i大数定辛钦大数定律1.设卩是n次独立试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则对于任意的正数£，有limn伯努利大数定律说明，当试验次数小，即limn这就以严格的数学形式描述了频率的稳定性。
很大时，事件1.A发生的频率与概率有较大判别的可能性很0.设X1, X2,…，Xi，…是相互独立同分布的随机变量序列，且 E ( X n) =g，则对于任意的正数£有lim Pn1 nX in i 11.(2)中心极限定理2X N(,)n 格定理设随机变量X1，X2，…相互独立，服从同一分布，且具有相同的数学期望和方差：E(X k) ,D(X k) 0(k 1,2, )，则随机变量的分布函数F n(x)对任意的实数X，Y nnX k nk 1X k nlim F n(x) limn n此定理也称为独立同分布的中心极限定理。
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。
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。
- 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)。
用 表示每次试验 发生的概率，则 发生的概率为 ，用 表示 重伯努利试验中 出现 次的概率，
， 。
第二章 随机变量及其分布
（1）离散型随机变量的分布律
设离散型随机变量 的可能取值为Xk(k=1,2,…)且取各个值的概率，即事件(X=Xk)的概率为
P(X=xk)=pk，k=1,2,…，
几何分布
，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)。
均匀分布
设随机变量 的值只落在[a，b]内，其密度函数 在[a，b]上为常数 ，即
a≤x≤b
其他，
则称随机变量 在[a，b]上服从均匀分布，记为X~U(a，b)。
分布函数为
a≤x≤b
0，x<a，
1，x>b。
当a≤x1<x2≤b时，X落在区间（ ）内的概率为
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。
则称上式为离散型随机变量 的概率分布或分布律。有时也用分布列的形式给出：
。
显然分布律应满足下列条件：
（1） ， ， （2） 。
（2）连续型随机变量的分布密度
设 是随机变量 的分布函数，若存在非负函数 ，对任意实数 ，有
，
则称 为连续型随机变量。 称为 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：
1° 0≤P(A)≤1，
2° P(Ω) =1
3° 对于两两互不相容的事件 ， ，…有
常称为可列（完全）可加性。
则称P(A)为事件 的概率。
（8）古典概型
1° ，
2° 。
设任一事件 ，它是由 组成的，则有
P(A)= =
（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，
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。
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，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。
若事件 、 相互独立，且 ，则有
若事件 、 相互独立，则可得到 与 、 与 、 与 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。
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)
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）：
（2）
连续型
对于二维随机向量 ，如果存在非负函数 ，使对任意一个其邻边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
则称 为连续型随机向量；并称f(x,y)为 =（X，Y）的分布密度或称为X和Y的合分布密度。
分布密度f(x,y)具有下面两个性质：
（1）f(x,y)≥0;
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( /A)=1-P(B/A)
（13）乘法公式
乘法公式：
更一般地，对事件A1，A2，…An，若P(A1A2…An-1)>0，则有
… …… … 。
（14）独立性
①两个事件的独立性
设事件 、 满足 ，则称事件 、 是相互独立的。
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。
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。
（15）全概公式
设事件 满足
1° 两两互不相容， ，
2° ，
则有
。
（16）贝叶斯公式
设事件 ， ，…， 及 满足
1° ， ，…， 两两互不相容， >0， 1，2，…， ，
2° ， ，
则
，i=1，2，…n。
此公式即为贝叶斯公式。
-A称为事件A的逆事件，或称A的对立事件，记为 。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)
德摩根率： ，
（7）概率的公理化定义
设 为样本空间， 为事件，对每一个事件 都有一个实数P(A)，若满足下列三个条件：
若 ，则 的分布函数为
。。
参数 、 时的正态分布称为标准正态分布，记为 ，其密度函数记为
， ，
分布函数为
。
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)＝ 。
如果 ~ ，则 ~ 。
。
（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
（1）联合分布
离散型
如果二维随机向量 （X，Y）的所有可能取值为至多可列个有序对（x,y），则称 为离散型随机量。
分布满足可加性：设
则
t分布
设X，Y是两个相互独立的随机变量，且
可以证明函数
的概率密度为
（2）
（2）二维随机变量的本质
（3）联合分布函数
设（X，Y）为二维随机变量，对于任意实数x,y,二元函数
称为二维随机向量（X，Y）的分布函数，或称为随机变量X和Y的联合分布函数。
分布函数是一个以全平面为其定义域，以事件 的概率为函数值的一个实值函数。分布函数F(x,y)具有以下的基本性质：
（1）
（2）F（x,y）分别对x和y是非减的，即
1° 。
2° 。
（3）离散与连续型随机变量的关系
积分元 在连续型随机变量理论中所起的作用与 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 为随机变量， 是任意实数，则函数
称为随机变量X的分布函数，本质上是一个累积函数。
可以得到X落入区间 的概率。分布函数 表示随机变量落入区间（–∞，x]内的概率。
。其中L为几何度量（长度、面积、体积）。
（10）加法公式
P(A+B)=P(A)+P(B)-P(AB)
当P(AB)＝0时，P(A+B)=P(A)+P(B)
（11）减法公式
P(A-B)=P(A)-P(AB)
当B A时，P(A-B)=P(A)-P(B)
当A=Ω时，P( )=1- P(B)
（12）条件概率
定义设A、B是两个事件，且P(A)>0，则称 为事件A发生条件下，事件B发生的条件概率，记为 。
。
指数分布
,
0, ,
其中 ，则称随机变量X服从参数为 的指数分布。
X的分布函数为
,
x<0。
记住积分公式：
正态分布
设随机变量 的密度函数为
， ，
其中 、 为常数，则称随机变量 服从参数为 、 的正态分布或高斯（Gauss）分布，记为 。
具有如下性质：
1° 的图形是关于 对称的；
2°当 时， 为最大值；
分布函数具有如下性质：
1° ；
2° 是单调不减的函数，即 时，有 ；
3° ， ；
4° ，即 是右连续的；
5° 。
对于离散型随机变量， ；
对于连续型随机变量， 。
（5）八大分布
0-1分布
P(X=1)=p, P(X=0)=q
二项分布
在 重贝努里试验中，设事件 发生的概率为 。事件 发生的次数是随机变量，设为 ，则 可能取值为 。
第1章 随机事件及其概率
（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。