(完整word版)概率论公式总结
概率论的公式大全
概率论的公式大全概率论是数学中的一门重要分支，用于研究随机事件的发生概率和规律性。
下面是概率论中的一些常用公式和定理，供参考：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发生的情况数，n(S)表示样本空间中所有事件发生的情况数。
2.加法定理：P(A∪B)=P(A)+P(B)-P(A∩B)其中，P(A∪B)表示事件A或事件B发生的概率，P(A∩B)表示事件A和事件B发生的概率。
3.乘法定理：P(A∩B)=P(B，A)×P(A)其中，P(B，A)表示在事件A已经发生的条件下，事件B发生的概率。
4.互斥事件的概率：若事件A和事件B互斥（即不能同时发生），则P(A∪B)=P(A)+P(B) 5.条件概率：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。
6.贝叶斯定理：P(A，B)=P(B，A)×P(A)/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；P(B，A)表示在事件A已经发生的条件下，事件B发生的概率。
7.全概率公式：P(A)=∑[P(A∩B_i)]其中，事件B_1,B_2,...,B_n互斥且构成样本空间，P(B_i)不为0，P(A∩B_i)表示事件A和事件B_i同时发生的概率。
8.期望值：E(X)=∑[x_i×P(X=x_i)]其中，X为随机变量，x_i为随机变量X的取值，P(X=x_i)为随机变量X取值为x_i的概率。
9.方差：Var(X) = E[(X - E(X))^2]其中，X为随机变量。
10.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。
11.独立事件的概率：若事件A和事件B独立，即P(A∩B)=P(A)×P(B)12.独立随机变量的期望值：E(XY)=E(X)×E(Y)其中，X和Y为独立随机变量。
(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。
概率论与数理统计公式整理(完整精华版)
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
〔17〕伯努 利概型
“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；
x nex dx n!
0
x 0,
x<0。
设随机变量 X 的密度函数为
f (x)
1
( x )2
e 2 2 ，
x ，
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：
表示为 A-AB 或者 AB ，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。根本领件是互不相容的。
.
精品文档
-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
假设事件 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。
必定事件 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)
如果事件 A 的组成局部也是事件 B 的组成局部，〔A 发生必有事件 B 发生〕：
概率论与数理统计公式整理(超全版)
第［章随机事件及其概率第二章随机变量及其分布第三童二维随机变量及其分布个有序对<x,y),则称g 为离散型随机量。
设纟二(X, Y)的所有可能取值为(m )(ij = 12…)， 且事件{纟=a,儿)}的概率为PH ,,称P{ (X, Y)=(兀，儿)}= “沁 J = 1,2,…)为疔=(X, 丫)的分布律或称为X 和丫的联合分布律。
联合分这里內具有下而两个性质:(1) P&0 (i,j=1,2,-)： (2)工工 P'6i J(1)联合离散型分布如果二维随机向量纟(X, Y)的所有可能取值为至多可列设n 个随机变量…、X.相互独立，且服从标准正态分 布，可以证明它们的平方和的分布密度为“1 S1— -------- H - e 2 u > 0,y (w )= J 2I r I'{2) 0,u < 0.我们称随机变星w 服从自由度为n 的力2分布，记为w 〜 Z 2(n)>英中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。
力2分布满足可加性：设kZ+〃2 +・ • +代）・/-I*分布X ~AW )V ~F S ),可以证明函数T 亠 ylYIn的概率密度为我们称随机变量F 服从第一个自由度为山，第二个自由度为n 2 的F 分布，记为F-f(n b n 2).第四章随机变量的数字特征(1)离散型 连续型t 分布 设X, 丫是两个相互独立的随机变量.且H +I―(-co<r <+oc ).F 分布我们称随机变量T 服从自由度为n 的t 分布，记为T 〜t(n).设X ~力2(/“)丁~力2(心)，且X 与丫独立，可以证明 尸=土仙的概率密度函数为Yin,t 2 + — n第五章大数定律和中心极限定理特姝情形：若X2,…具有相同的数学期望E(X I )=M , 则上式成为设u 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lim;?->x伯努利大数左律说明，当试验次数n 很大时，事件A 发生 的频率与概率有较大判别的可能性很小，即这就以严格的数学形式描述了频率的稳立性。
《概率论公式大全》Word文档
概率论公式1．随机事件及其概率吸收律：AAB A A A A =⋃=∅⋃Ω=Ω⋃)( AB A A A A A =⋃⋂∅=∅⋂=Ω⋂)( )(AB A B A B A -==-反演律：B A B A =⋃ B A AB ⋃=n i i n i i A A 11=== ni in i i A A 11===2．概率的定义及其计算)(1)(A P A P -=若B A ⊂ )()()(A P B P A B P -=-⇒对任意两个事件A , B , 有 )()()(AB P B P A B P -=-加法公式：对任意两个事件A , B , 有)()()()(AB P B P A P B A P -+=⋃)()()(B P A P B A P +≤⋃)()1()()()()(2111111n n n n k j i k j i n j i j i n i i n i i A A A P A A A P A A P A P A P -≤<<≤≤<≤==-+++-=∑∑∑3．条件概率()=A B P)()(A P AB P乘法公式 ())0)(()()(>=A P A B P A P AB P()())0)(()()(12112112121>=--n n n n A A A P A A A A P A A P A P A A A P全概率公式 ∑==n i i AB P A P 1)()( )()(1i ni i B A P B P ⋅=∑=Bayes 公式)(A B P k )()(A P AB P k = ∑==n i i i k k B A P B P B A P B P 1)()()()(4．随机变量及其分布分布函数计算)()()()()(a F b F a X P b X P b X a P -=≤-≤=≤<5．离散型随机变量(1) 0 – 1 分布1,0,)1()(1=-==-k p p k X P k k(2) 二项分布 ),(p n B若P ( A ) = pn k p p C k X P k n k k n ,,1,0,)1()( =-==-*Possion 定理0lim >=∞→λn n np 有 ,2,1,0!)1(lim ==---∞→k k e p p C kk n n k n kn n λλ(3) Poisson 分布 )(λP,2,1,0,!)(===-k k e k X P kλλ6．连续型随机变量(1) 均匀分布 ),(b a U⎪⎩⎪⎨⎧<<-=其他,0,1)(b x a ab x f ⎪⎪⎩⎪⎪⎨⎧--=1,,0)(a b a x x F(2) 指数分布 )(λE⎪⎩⎪⎨⎧>=-其他,00,)(x e x f x λλ ⎩⎨⎧≥-<=-0,10,0)(x e x x F x λ(3) 正态分布 N (m , s 2 )+∞<<∞-=--x e x f x 222)(21)(σμσπ⎰∞---=x t t e x F d 21)(222)(σμσπ*N (0,1) — 标准正态分布 +∞<<∞-=-x e x x 2221)(πϕ +∞<<∞-=Φ⎰∞--x t e x xt d 21)(22π7.多维随机变量及其分布二维随机变量( X ,Y )的分布函数⎰⎰∞-∞-=xy dvdu v u f y x F ),(),(边缘分布函数与边缘密度函数⎰⎰∞-+∞∞-=xX dvdu v u f x F ),()( ⎰+∞∞-=dv v x f x f X ),()( ⎰⎰∞-+∞∞-=y Y dudv v u f y F ),()(⎰+∞∞-=du y u f y f Y ),()(8.连续型二维随机变量(1) 区域G 上的均匀分布，U ( G ) ⎪⎩⎪⎨⎧∈=其他,0),(,1),(G y x A y x f(2)二维正态分布+∞<<-∞+∞<<∞-⨯-=⎥⎥⎦⎤⎢⎢⎣⎡-+------y x e y x f y y x x ,121),(2222212121212)())((2)()1(21221σμσσμμρσμρρσπσ9.二维随机变量的 条件分布 0)()()(),(>=x f x y f x f y x f X X Y X 0)()()(>=y f y x f y f Y Y X Y ⎰⎰+∞∞-+∞∞-==dy y f y x f dy y x f x f Y Y X X )()(),()( ⎰⎰+∞∞-+∞∞-==dx x f x y f dx y x f y f X X Y Y )()(),()( )(y x f Y X )(),(y f y x f Y = )()()(y f x f x y f Y X X Y =)(x y f X Y )(),(x f y x f X = )()()(x f y f y x f X Y Y X =10.随机变量的数字特征数学期望 ∑+∞==1)(k k k p x X E⎰+∞∞-=dx x xf X E )()(随机变量函数的数学期望X 的 k 阶原点矩)(k X EX 的 k 阶绝对原点矩)|(|k X EX 的 k 阶中心矩)))(((k X E X E -X 的 方差)()))(((2X D X E X E =-X ,Y 的 k + l 阶混合原点矩)(l k Y X EX ,Y 的 k + l 阶混合中心矩()l k Y E Y X E X E ))(())((--X ,Y 的 二阶混合原点矩)(XY EX ,Y 的二阶混合中心矩 X ,Y 的协方差()))())(((Y E Y X E X E --X ,Y 的相关系数XY Y D X D Y E Y X E X E ρ=⎪⎪⎭⎫ ⎝⎛--)()())())(((X 的方差D (X ) =E ((X - E (X ))2))()()(22X E X E X D -=协方差()))())(((),cov(Y E Y X E X E Y X --=)()()(Y E X E XY E -= ())()()(21Y D X D Y X D --±±= 相关系数)()(),cov(Y D X D Y X XY =ρ（注：素材和资料部分来自网络，供参考。
概率论公式总结
第一章PA+B=PA+PB- PAB 特别地,当A 、B 互斥时, PA+B=PA+PB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~Bn,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~Ua,b指数分布X~Exp θ分布函数对离散型随机变量 )(b X a P ≤≤∑≤==≤=x k k X P x X P x F )()()(1),(0≤≤y x F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Ea=a,其中a 为常数Ea+bX=a+bEX,其中a 、b 为常数EX+Y=EX+EY,X 、Y 为任意随机变量⎰∞-=≤=x dt t f x X P x F )()()(),(y x f ),(y x F ∑+∞-∞=⋅=k kk P x X E )(随机变量gX 的数学期望常用公式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Da=0,其中a 为常数Da+bX=b2DX,其中a 、b 为常数当X 、Y 相互独立时,DX+Y=DX+DY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 []22)()()(X E X E X D -=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一般正态分布的概率计算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 ),(~2σμN X )(~)1,0(~212n X N X n i i χ∑=，则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ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 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; 不可避免的两类错误第1类弃真错误：原假设为真,但拒绝了原假设);(1θi n i x f L ∏==);(1θi ni x p L ∏==()22/1222/2)1()1(,ααχχ---S n S n 卡方分布的分位点—样本方差—22/2αχS第2类取伪错误：原假设为假,但接受了原假设 单个正态总体的显着性检验单正态总体均值的检验大样本情形——Z 检验正态总体小样本、方差已知——Z 检验 正态总体小样本、方差未知—— t 检验 单正态总体方差的检验正态总体、均值未知——卡方检验单正态总体均值的显着性检验统计假设的形式双边检验 左边检验右边检验单正态总体均值的Z 检验拒绝域的代数表示 双边检验 0100::)1(μμμμ≠=H H 2/αZ Z ≥左边检验右边检验 比例——特殊的均值的Z 检验 单正态总体均值的 t 检验 单正态总体方差的卡方检验 拒绝域双边检验左边检验右边检验 αZ Z ≥22/1222/2ααχχχχ-≤≥或αZ Z -≤。
概率论的公式大全
概率论的公式大全概率论是一门研究随机现象的数学分支，它使用概率来描述和解释随机事件发生的规律性。
在实际应用中，我们常常需要使用一些基本概率公式来计算和分析各种随机现象。
以下是一些常见的概率论公式：1.概率的定义公式：P(A)=N(A)/N(S)其中P(A)表示事件A的概率，N(A)表示事件A发生的次数，N(S)表示样本空间中发生的总次数。
2.加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)其中P(A∪B)表示事件A和事件B至少发生一个的概率，P(A∩B)表示事件A和事件B同时发生的概率。
3.乘法公式：P(A∩B)=P(A)某P(B，A)其中P(A∩B)表示事件A和事件B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。
4.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发生的条件下事件A发生的概率，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的概率。
5.全概率公式：P(A)=ΣP(A，Bi)某P(Bi)其中P(A)表示事件A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(Bi)表示事件Bi发生的概率，Σ表示对所有可能的事件Bi求和。
6.贝叶斯公式：P(Bi，A)=P(A，Bi)某P(Bi)/ΣP(A，Bj)某P(Bj)其中P(Bi，A)表示在事件A发生的条件下事件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(Bi)表示事件Bi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，Σ表示对所有可能的事件Bj求和。
7.期望值的公式：E(X)=ΣXi某P(Xi)其中E(X)表示随机变量X的期望值，Xi表示随机变量X的可能取值，P(Xi)表示随机变量X取值为Xi的概率，Σ表示对所有可能的取值Xi求和。
8.方差的公式：Var(X) = E(X^2) - [E(X)]^2其中Var(X)表示随机变量X的方差，E(X^2)表示随机变量X的二阶矩，[E(X)]^2表示随机变量X的期望值的平方。
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)。
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。
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）
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,) 。
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)
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
F
1 (n2 , n1 )
第四章 随机变量的数字特征
（1） 一维 随机 变量 的数 字特 征
期望 期望就是平均值
离散型 设 X 是离散型随机变量，其分布
律 为 P( X xk ) ＝ pk ，
k=1,2,…,n，
n
E( X ) xk pk k 1
（要求绝对收敛） Y=g(X)
连续型 设 X 是连续型随机变 量，其概率密度为 f(x)，
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 。
X ~ B(n, p) 。当 n 1时， P( X k) xp k q1k ，k 0.1，这
随机变量， F(x) pk ；对于连续型随机变量， 。 F (x) f (x)dx xk x 就是（0-1）分布，所以（0-1）分布是二项分布的特例。 设随机变量 X 的分布律为
泊松分布
P( X k) k e ， 0 ， k 0,1,2，
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)]
i
X 的边缘分布密度为
连续型
f X (x)
f (x, y)dy；
Y 的边缘分布密度为
离散型
fY ( y)
f (x, y)dx.
pij pi• p• j
连续型
随机变量的 函数
有零不独立 f(x,y)=fX(x)fY(y)直接判断，充要条件：①可分离变量②正概 率密度区间为矩形 若 X1,X2,…Xm,Xm+1,…Xn 相互独立， h,g 为连续函数，则： h（X1，X2,…Xm）和 g（Xm+1,…Xn）相互独立。 特例：若 X 与 Y 独立，则：h（X）和 g（Y）独立。 例如：若 X 与 Y 独立，则：3X+1 和 5Y-2 独立。
-6-
概率论与数理统计
（3） 方差 的性 质
（1） （2） （3） （4） （5）
D(C)=0；E(C)=C
D(aX)=a2D(X)； E(aX)=aE(X)
D(aX+b)= a2D(X)； E(aX+b)=aE(X)+b
D(X)=E(X2)-E2(X)
D(X±Y)=D(X)+D(Y)，充分条件：X 和 Y 独立；
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
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 X2 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
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
-5-
概率论与数理统计
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 )
“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。
-3-
概率论与数理统计
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
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
1. 0 F(x) 1, P(xXk)； 2P。n(k)F(xC)nk是p单k q调nk不减的，函数，即 x1 x其2 时，有中
（5）八
大F分(x布1)
F二(项x2)分；布
3
。
qF(1)p,0limpF(1x,)k00,，1,2,F(,n，) x
lim F(x) 1
x
；4。
F(x 0) F(x) ，即 F(x则) 是称右随连机续变的；量5.X P服(X从参x数) 为Fn(x，) pF(的x 二0项) 。分对布于。离记散型为
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
~
（1） E(C)=C （2） E(CX)=CE(X)
n
n
（3） E(X+Y)=E(X)+E(Y)， E( Ci X i ) Ci E( X i )
i 1
i 1
（4） E(XY)=E(X) E(Y)，充分条件：X 和 Y 独立； 充要条件：X 和 Y 不相关。