概率论知识梳理
概率论基础知识
对于连续型随机变量来说，它取任一指定实数值a的概率均为0，即P{X＝a}＝0。事实上0≤P{X＝a}≤P{a－△x＜X≤a}＝F(a)－F(a－△x).P{a＜X≤b}＝P{a≤X≤b}＝P{a＜X＜b}.
定理二：若事件A与B相互独立，则下列各对事件也相互独立：
多个事件相互独立：一般，设A1，A2，…，An是n(n≥2)个事件，如果对于其中任意2个，任意3个，…，任意n个事件的积事件的概率，都等于各事件概率之积，则称事件A1，A2，…，An相互独立。
推论：①若事件A1，A2，…，An(n≥2)相互独立，则其中任意k(2≤k≤n)个事件也是相互独立的。
第一章 概率论的基本概念
一、事件运算常用定律（设A,B,C为事件）：
二、频率与概率
1.概率的公理化定义：
①非负性：对于每一个事件A，有P加性：设A1，A2，…是两两互不相容的事件，即对于AiAj＝∅，i≠j，i,j＝1,2,…，有P(A1∪A2∪…)＝P(A1)＋P(A2)＋….
P{X＞s＋t|X＞s}＝P{X＞t}
3.正态分布(高斯分布)[X～N(μ,σ2)]：
正态分布性质：
①曲线关于x＝μ对称，这表明对于任意h＞0有P{μ－h＜X≤μ}＝P{μ＜X≤μ＋h }.
②当x＝μ时取到最大值 ，x离μ越远，f(x)的值越小。
③在x＝μ±σ处曲线有拐点。曲线以Ox轴为渐近线。
标准正态分布：μ＝0，σ＝1.其概率密度和分布函数分别用φ(x)，Φ(x)表示，即有：
②若n个事件A1，A2，…，An(n≥2)相互独立，则将A1，A2，…，An中任意多个事件换成它们各自的对立事件，所得的n个事件仍相互独立。
概率论知识点
第一章 随机事件及其概率§1.1 随机事件及其运算随机现象：概率论的基本概念之一。
是人们通常说的偶然现象。
其特点是,在相同的条件下重复观察时,可能出现这样的结果,也可能出现那样的结果,预先不能断言将出现哪种结果.例如,投掷一枚五分硬币,可能“国徽”向上,也可能“伍分”向上;从含有5件次品的一批产品中任意取出3件,取到次品的件数可能是0,1,2或3.随机试验：概率论的基本概念之一.指在科学研究或工程技术中,对随机现象在相同条件下的观察。
对随机现象的一次观察(包括试验、实验、测量和观测等),事先不能精确地断定其结果,而且在相同条件下可以重复进行,这种试验就称为随机试验。
样本空间: 概率论术语。
我们将随机试验E 的一切可能结果组成的集合称为E 的样本空间,记为Ω。
样本空间的元素,即E 的每一个结果,称为样本点。
随机事件：实际中,在进行随机试验时,人们常常关心满足某种条件的那些样本点所组成的集合.称试验E 的样本空间Ω的子集为E 的随机事件,简称事件.在每次试验中,当且仅当这一子集中的一个样本点出现时,称这一事件发生.特别,由一个样本点组成的单点集,称为基本事件.样本空间Ω包含所有的样本点,它是Ω自身的子集,在每次试验中它总是发生的,称为必然事件.空集Ø不包含任何样本点,它也作为样本空间的子集,它在每次试验中都不发生,称为不可能事件.互斥事件（互不相容事件）: 若事件A 与事件B 不可能同时发生，亦即ΦB A = ，则称事件A 与事件B 是互斥(或互不相容)事件。
互逆事件: 事件A 与事件B 满足条件ΦB A = ，Ω=B A ,则称A 与B 是互逆事件，也称A 与B 是对立事件,记作A B =（或B A =）。
互不相容完备事件组：若事件组n A A A ,,21满足条件ΦA A j i = ，（n 1,2j i, =），Ω== n 1i i A,则称事件组n A A A ,,21为互不相容完备事件组(或称n A A A ,,21为样本空间Ω的一个划分)。
概率论知识点梳理
第一章：随机事件及其概率这一章的内容基本上属于高中学过的知识，除了第三节的全概率公式和Bayes公式。
但这两个公式只是把条件概率的计算换了一种形式。
一、随机事件及运算二、概率及其运算三、条件概率四、事件的独立性第二章:随机变量这一章将随机事件抽象成数字变量，并分为离散和连续两种进行研究。
最后用函数来表达两种变量的概率分布，再推广到多维变量。
其中运用了一些微积分知识。
一、离散型随机变量介绍离散型随机变量的概念和性质，介绍几种常见的离散性随机变量如：0-1分布、二项分布、泊松分布二、随机变量的分布函数将变量值及其概率用函数联系起来。
其实就是在不同的区间上变量值的概率。
但因为离散的关系，所以更像是数列而不是函数。
三、连续型随机变量变量值有无穷多的可能，所以变量的分布函数在各个区间上是连续的。
它和离散型随机变量的关系有些类似于函数和数列的关系。
四、一维随机变量的函数分布当变量和概率是一一对应时的函数分布，有归一、单调不减等性质。
概率密度是概率分布的导数，概率分布式概率密度的积分。
涉及到已知变量与另外一个变量具有函数关系，求另一个变量概率函数分布问题。
五、二维随机变量的联合分布当变量是成对出现时，概率的函数分布，同样有归一等性质。
变量的划分从各区间变为各区域。
涉及到二重积分、全微分等知识。
六、多维随机变量及其独立性其实就是二维的推广，此处将随机事件的独立性抽象为随机变量的独立性。
七、条件分布还是将随机事件的条件分布抽象化，用数字和符号来表示。
顺便将条件分布推广到多维随机变量。
八、多维随机变量函数的分布第三章：随机变量的数字特征一、随机变量的数学期望和高中所学的期望是一个东西，类似于加权平均分，不过现在要通过概率密度和概率分布去求。
二、方差体现变量的稳定性，和高中所学相同，不过同样需要用新的概念和知识去求解。
三、协方差和相关系数协方差是一个新的概念，用来判断两个随机变量是否相关。
相关系数是用来衡量两个变量之间的相关程度的量。
概率论的知识点总结
概率论的知识点总结1.概率的基本概念概率是描述随机事件发生可能性的数学工具，其基本概念包括样本空间、事件和概率空间。
样本空间是随机试验的所有可能结果的集合，事件是样本空间的子集，概率空间包括样本空间和定义在样本空间上的概率测度。
2.概率分布概率分布描述了随机变量可能取值的概率情况。
概率分布分为离散分布和连续分布两种。
常见的离散分布包括伯努利分布、二项分布、泊松分布等；常见的连续分布包括均匀分布、正态分布、指数分布等。
概率密度函数和累积分布函数是描述连续分布的重要工具。
3.随机变量随机变量是一种具有随机性的变量，它可以取样本空间中的某些值。
随机变量分为离散随机变量和连续随机变量。
离散随机变量的概率分布由概率质量函数描述，连续随机变量的概率分布由概率密度函数描述。
4.数学期望和方差数学期望是随机变量的平均值，描述了随机变量的位置参数；方差是随机变量与其数学期望之间的离散程度，描述了随机变量的分散程度。
数学期望和方差是描述随机变量性质的重要指标，它们具有许多重要的性质，如线性性质、切比雪夫不等式等。
5.大数定律大数定律是描述随机变量序列平均值的收敛性质的定理。
大数定律包括弱大数定律和强大数定律两种。
弱大数定律描述了随机变量序列平均值收敛于数学期望的概率性质，强大数定律描述了随机变量序列平均值几乎必然收敛于数学期望的性质。
6.中心极限定理中心极限定理是概率论中一个重要的定理，描述了大量独立随机变量的和呈现出正态分布的性质。
中心极限定理包括林德伯格-莱维中心极限定理、李亥莱中心极限定理等。
中心极限定理在统计学和金融学中具有重要的应用价值，它解释了正态分布在自然界和人类活动中的普遍性。
以上是概率论的一些重要知识点，概率论作为一门基础数学学科，不仅具有重要的理论意义，而且在实际应用中有着广泛的应用价值。
随着数据科学和人工智能的快速发展，概率论的应用前景将更加广阔。
概率论知识点总结归纳
概率论知识点总结归纳概率论是数学中的一个分支，研究随机现象发生的规律性及其数学模型。
概率论广泛应用于统计学、金融、生物学等领域。
本文将对概率论的基本概念、概率计算方法、常见概率分布以及概率论在实际问题中的应用进行总结归纳。
一、基本概念1. 随机试验：在相同的条件下可以重复进行的实验，结果不确定。
2. 样本空间：随机试验所有可能结果的集合，用S表示。
3. 事件：由样本空间S的一个或多个元素构成的子集，表示试验结果的一个集合。
4. 概率：事件发生的可能性大小的度量，用P(A)表示。
二、概率计算方法1. 古典概型：指随机试验中每个基本事件发生的概率相等的情况。
计算概率时可以根据样本空间和事件个数进行计算。
2. 频率派概率：根据大量实验的频率来计算概率，概率等于事件发生的次数与试验次数之比的极限。
3. 主观概率：根据个人主观判断来计算概率，没有明确的计算方法。
三、常见概率分布1. 离散概率分布：表示随机变量在有限取值集合上的概率分布。
a. 伯努利分布：只有两个可能取值的离散概率分布。
b. 二项分布：多次伯努利试验的结果相加，每次试验相互独立。
c. 泊松分布：表示单位时间或空间内随机事件发生的次数的概率分布。
2. 连续概率分布：表示随机变量在一个区间上的概率分布。
a. 均匀分布：随机变量在一段区间上取值的概率相等。
b. 正态分布：最常见的连续概率分布，具有钟形曲线的特点。
四、概率论的应用1. 统计学：概率论是统计学的基础，通过概率论可以推导出统计学各种假设检验和置信区间的计算方法。
2. 金融学：概率论在金融学中被广泛应用，例如在风险管理、期权定价、投资组合构建等方面。
3. 生物学：概率论能够帮助解释生物学中的随机现象，如遗传、进化等过程中的概率计算。
4. 工程学：概率论可以用于工程问题的风险评估和可靠性分析，如工程结构的寿命预测等。
总结：概率论是研究随机现象的规律性及其数学模型的学科，它包括了基本概念、概率计算方法、常见概率分布以及在各个领域的应用。
(完整版)概率论知识点总结
概率论知识点总结第一章 随机事件及其概率第一节 基本概念随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E 表示。
随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。
不可能事件：在试验中不可能出现的事情，记为Ф。
必然事件：在试验中必然出现的事情，记为Ω。
样本点：随机试验的每个基本结果称为样本点，记作ω.样本空间：所有样本点组成的集合称为样本空间. 样本空间用Ω表示.一个随机事件就是样本空间的一个子集。
基本事件—单点集，复合事件—多点集一个随机事件发生，当且仅当该事件所包含的一个样本点出现。
事件的关系与运算（就是集合的关系和运算）包含关系：若事件 A 发生必然导致事件B 发生，则称B 包含A ，记为或。
A B ⊇B A ⊆相等关系：若且，则称事件A 与事件B 相等，记为A ＝B 。
A B ⊇B A ⊆事件的和：“事件A 与事件B 至少有一个发生”是一事件，称此事件为事件A 与事件B 的和事件。
记为 A ∪B 。
事件的积：称事件“事件A 与事件B 都发生”为A 与B 的积事件，记为A∩ B 或AB 。
事件的差：称事件“事件A 发生而事件B 不发生”为事件A 与事件B 的差事件,记为 A －B 。
用交并补可以表示为。
B A B A =-互斥事件：如果A ，B 两事件不能同时发生，即AB ＝Φ，则称事件A 与事件B 是互不相容事件或互斥事件。
互斥时可记为A ＋B 。
B A ⋃对立事件：称事件“A 不发生”为事件A 的对立事件（逆事件），记为。
对立事件的性质：A 。
Ω=⋃Φ=⋂B A B A ,事件运算律：设A ，B ，C 为事件，则有（1）交换律：A ∪B=B ∪A ，AB=BA（2）结合律：A ∪(B ∪C)=(A ∪B)∪C=A ∪B ∪C A(BC)=(AB)C=ABC（3）分配律：A ∪(B∩C)＝(A ∪B)∩(A ∪C) A(B ∪C)＝(A∩B)∪(A∩C)= AB ∪AC （4）对偶律（摩根律）： B A B A ⋂=⋃BA B A ⋃=⋂第二节 事件的概率概率的公理化体系：（1）非负性：P(A)≥0；（2）规范性：P(Ω)＝1（3）可数可加性：两两不相容时⋃⋃⋃⋃n A A A 21++++=⋃⋃⋃⋃)()()()(2121n n A P A P A P A A A P 概率的性质：（1）P(Φ)＝0（2）有限可加性：两两不相容时n A A A ⋃⋃⋃ 21)()()()(2121n n A P A P A P A A A P +++=⋃⋃⋃ 当AB=Φ时P(A∪B)＝P(A)＋P(B)（3）)(1)(A P A P -=（4）P(A －B)＝P(A)－P(AB)（5）P （A ∪B ）＝P(A)＋P(B)－P(AB)第三节 古典概率模型1、设试验E 是古典概型,其样本空间Ω由n 个样本点组成,事件A 由k 个样本点组成.则定义事件A 的概率为nk A P =)(2、几何概率：设事件A 是Ω的某个区域，它的面积为 μ(A)，则向区域Ω上随机投掷一点，该点落在区域 A 的概率为)()()(Ω=μμA A P 假如样本空间Ω可用一线段，或空间中某个区域表示，则事件A 的概率仍可用上式确定，只不过把μ理解为长度或体积即可.第四节 条件概率条件概率：在事件B 发生的条件下，事件A 发生的概率称为条件概率，记作 P(A|B).)()()|(B P AB P B A P =乘法公式：P(AB)=P(B)P(A|B)＝P(A)P(B|A)全概率公式：设是一个完备事件组，则P(B)=∑P()P(B|)n A A A ,,,21 i A i A 贝叶斯公式：设是一个完备事件组,则n A A A ,,,21 ∑==)|()()|()()()()|(j j i i i i A B P A P A B P A P B P B A P B A P 第五节 事件的独立性两个事件的相互独立：若两事件A 、B 满足P(AB)= P(A) P(B)，则称A 、B 独立，或称A 、B 相互独立.三个事件的相互独立：对于三个事件A 、B 、C ，若P(AB)= P(A) P(B)，P(AC)= P(A)P(C)，P(BC)= P(B) P(C)，P(ABC)= P(A) P(B)P(C)，则称A 、B 、C 相互独立三个事件的两两独立：对于三个事件A 、B 、C ，若P(AB)= P(A) P(B)，P(AC)= P(A)P(C)，P(BC)= P(B) P(C)，则称A 、B 、C 两两独立独立的性质：若A 与B 相互独立，则与B ，A 与，与均相互独立A B A B 总结：1.条件概率是概率论中的重要概念，其与独立性有密切的关系，在不具有独立性的场合，它将扮演主要的角色。
概率论必备知识点
概率论必备知识点概率论是一门研究随机现象数量规律的数学分支，它在各个领域都有着广泛的应用，从物理学、生物学、经济学到计算机科学等。
以下是一些概率论中的必备知识点。
一、随机事件与概率随机事件是指在一定条件下，可能出现也可能不出现的事件。
例如，抛一枚硬币，正面朝上就是一个随机事件。
概率则是用来衡量随机事件发生可能性大小的数值。
概率的取值范围在 0 到 1 之间，0 表示不可能发生，1 表示必然发生。
计算概率的方法有多种。
对于等可能事件，概率等于事件所包含的基本结果数除以总的基本结果数。
例如，掷一个骰子，出现点数为 3的概率就是 1/6，因为骰子共有 6 个面，每个面出现的可能性相等，而点数为 3 的只有 1 种情况。
二、古典概型古典概型是一种最简单的概率模型。
在古典概型中，试验的结果是有限的，并且每个结果出现的可能性相等。
例如，从装有 5 个红球和 3 个白球的袋子中随机取出一个球，求取出红球的概率，这就是一个古典概型问题。
计算古典概型的概率，可以使用公式：P(A) ＝ n(A) ／n(Ω)，其中P(A)表示事件 A 发生的概率，n(A)表示事件 A 包含的基本结果数，n(Ω)表示总的基本结果数。
三、几何概型几何概型是古典概型的推广，当试验的结果是无限的，且每个结果出现的可能性相等时，就可以使用几何概型来计算概率。
例如，在一个时间段内等待公交车，求等待时间不超过 5 分钟的概率。
在几何概型中，概率等于事件对应的区域长度（面积或体积）除以总的区域长度（面积或体积）。
四、条件概率条件概率是指在已知某个事件发生的条件下，另一个事件发生的概率。
例如，已知今天下雨，明天晴天的概率就是一个条件概率。
条件概率的计算公式为：P(B|A) ＝ P(AB) ／ 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，P(AB)表示事件 A 和事件 B 同时发生的概率，P(A)表示事件 A 发生的概率。
概率论与数理统计知识点总结
概率论与数理统计知识点总结一、概率论知识点总结：1.随机事件：随机事件是指在一次试验中，可能发生也可能不发生的事件。
例如：掷硬币的结果、抽取扑克牌的花色等。
2.概率：概率是描述随机事件发生可能性大小的数值。
概率的取值范围是[0,1]，表示事件发生的可能性大小，0表示不可能发生，1表示一定会发生。
3.古典概型：古典概型是指每种可能的结果发生的概率相等的情形。
例如：掷骰子的结果、抽取彩色球的颜色等。
4.随机变量：随机变量是用来描述试验结果的数值，它的取值是根据随机事件的结果确定的。
例如：掷骰子的点数、抽取扑克牌的点数等。
5.概率分布：随机变量的概率分布描述了每个取值发生的概率。
常见的概率分布有离散概率分布和连续概率分布，如二项分布、正态分布等。
6. 期望值：期望值是衡量随机变量取值的平均值。
对于离散型随机变量，期望值=E[X]=∑[xP(X=x)]；对于连续型随机变量，期望值=E[X]=∫[x f(x)dx]，其中f(x)为概率密度函数。
7. 方差：方差是衡量随机变量取值与期望值之间的偏离程度。
方差=Var(X)=E[(X-E[X])^2]。
8.独立性：两个随机事件或随机变量之间的独立性表示它们的发生与否或取值无关联。
独立性的判定通常通过联合概率、条件概率等来进行推导。
二、数理统计知识点总结：1.样本与总体：在统计学中，样本是指从总体中选取的具体观测数据。
总体是指要研究的对象的全部个体或事物的集合。
2.参数与统计量：参数是描述总体特征的数值，如总体均值、总体方差等。
统计量是根据样本计算得到的参数估计值，用来估计总体参数。
3.抽样方法：抽样方法是从总体中选取样本的方法，常见的抽样方法有简单随机抽样、系统抽样、整群抽样等。
4.统计分布：统计分布是指样本统计量的分布。
常见的统计分布有t分布、F分布、x^2分布等，其中t分布适用于小样本、F分布适用于方差比较、x^2分布适用于拟合优度检验等。
5.点估计与区间估计：点估计是以样本统计量为基础，估计总体参数的数值。
- 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)。
是推导过程以及思想。
18. 贝叶斯公式： P(Bi A)
p(A Bi )P Bi
n
，贝叶斯公式主要是根据结果反求
P(A Bj )P Bj
j 1
导致这个结果的某种情形的可能性。贝叶斯公式和全概率公式复习起来光看概
念没什么用，要借助几个较难的例题和做一些往届考题，这样效率会高很多。
是它本身，而是： P(A B C) P(A) P(A B) P(A B C) 。
更加重要的是当事件数量更多的时候如何处理。一句话总结：加多了减，减多 了加。 11. 概率的减法公式： P(A－B)＝P(A) －P(AB) 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)。
19. 事件的独立性：简而言之“你关我屁事！”，更重要的是多个事件的情形。
描述性定义：
数学定义：
设 A，B 为两个事件，如果其中任何 P( AB) P( A)P(B)
一个事件发生的概率不受另外一个事 特别注意：
件发生与否的影响（我发生也好，不 概率为 1 或者 0 的事件与任何事件独立。
发生也好，都不受你任何影响，你关 考试题型：
率论的学习，因而在接触这个概念的时候就应该去努力弄懂，弄透彻它。很多书上 有这么一句话：随机变量就是其值会随机而定的变量。有些孩子一看就发宝气了， 我当然知道它是变量呀！其实是抓错了重点，关键在于“随机”二字。我们过去说 的变量往往指不固定的量，虽然不固定，但往往遵循一个确切的法则（取值在内定 义域）。这里的随机变量也是如此，它不太有规律可循，但既然是出现在概率论这个 大背景下，它也不可能算是一匹脱缰的野马。从另一个角度解读这个概念：随机试 验的结果经常是数量，或者可以数量化表示，但是这些数量与以往用来表示时间， 位移等的变量有很大的不同，这就是其取值的变化完全取决于随机试验的结果，因 而是不可以完全预言的，这种随机取值的变量就是随机变量。说白了，随机变量就 是这样的一个家伙：你无法确切的知道他是什么，但是你能知道他很可能会是什么？
4. 样本空间、样本点：随机事件 E 的所有可能的结果组成的集合称之为 E 的样本 空间，样本空间里面的每一个点称之为样本点。
5. 事件的关系与运算：包含与相等，和与并，积与交，事件的差，事件互不相容， 对立事件（逆事件），交换律，结合律，分配律，吸收律，对偶公式（德摩根律）， 文氏图，完备事件组。
画龙点睛： 1. 当我们面对一个概率问题时，往往是一大串文字组成的一个应用题，首先要 做的是将实际问题数学语言化，能否用简明的符号和运算准确的反映题目意 思，说明问题是重要的前期准备工作。 2. 对于简单的填空选择题目，采用直观的文氏图或者构造例子举出反例，往往 能事半功倍。 3. 实际问题符号化虽然基础简单，但是及其重要，这种能力将伴随着你整个概 率论课程，勤加练习是很重要的。 4. 不仅仅要有实际问题符号化的能力，还有符号式子通俗化的本领，也就是看
6. 二项分布{ X B(n, p) }：二项分布即重复 n 次独立的伯努利试验。在每次试验中只 有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次 试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列
8
中南大学概率论与数理统计复习讲义
试验总称为 n 重伯努利实验，当试验次数为 1 时，二项分布就是伯努利分布。
2. 随机试验：很多孩子把随机事件与随机试验混为一谈，认为这是一个概念的两 个说法罢了，这么想就大错特错了。事实上试验是比事件更宏观的一个概念， 一个试验往往是包含很多个事件的。
3. 随机试验的特点：相同条件下可以重复做（也就是这个实验一定是无论什么时 间，什么地点，以及无论谁都可以做的）；试验结果可能不止一个，但试验前可 以明确知道所有可能的结果；结果不可以预言。
5. 0-1 分布（伯努利分布）：我们很容易知道，对于分布列这个家伙，要长可以是一个 无限长的表格（X 从 x1 一直可以慢慢取到 xn（n 很大很大）去），要短也可以短的可 怜（随机变量 X 的取值就两个 x1 和 x2）。对于那些不仅离散，且取值特别多的家伙 研究起来也没什么意思。现实生活中有许多事情的结果只有两个：新生儿的性别， 投篮中与不中，抛硬币，产品合格与否。数学家们干脆就把这种特殊的分布拿出来， 称之为 0-1 分布，0 和 1 仅仅是两个代号，表示情况 0 与情况 1。
7.
泊松分布{ X
π() }：设随机变量 X
的分布律为 P( X
k)
k e k!
，
0，
k 0,1,2 ，则称随机变量 X 服从参数为 的泊松分布，记为 X ~ () 或者 P( )。
一般的说，若 X B(n, p) ,其中 n 很大，当 np 不太大时，X 的分布接近于泊
松分布 P() 。这个事实有时可将较难计算的二项分布转化为泊松分布去计算。当
2. 随机变量的规范定义：设 E 是一个随机试验，其样本空间为 S，若对每一个样本点
e S ，都有唯一确定的实数 X(e)与之对应，则称 S 上的实值函数 X(e)是一个随机变
量（简记为 X），一般用大写字母 X，Y，Z„或希腊字母ξ，η，ξ„来表示随机变量。
7
中南大学概率论与数理统计复习讲义
很多同学看完这个概念就纳闷了，感觉从“每一个”，“唯一确定”，“对应”这些字 眼完全感受不到这是在定义“随机变量”，倒像是在定义“确定变量”，这并不矛盾， 随机并不意味着未知，所谓的随机是在一堆已知确定的结果中你不清楚到底会发生 哪一个。
15. 样本空间的划分（完备事件组）：学会分类是很重要的，我们在处理复杂问题的
3
中南大学概率论与数理统计复习讲义
很容易想到的就是去把模糊的背景分类细化成清晰的模块。同样在解决较为复 杂的概率问题时，能够将所涉及的复杂事件分解为简单事件之和，且这种分解 是符合数学逻辑的，能为处理概率论问题带来方便。于是有了样本空间的划分 这一概念。划分出来的事件有如下特性：并集是原事件，两两交集为空集。
n 充分大时，泊松分布是二项分布的近似分布；但只有当 p 的值很小(p 小于 0.1 )时，
用泊松分布取代二项分布所产生的误差才较小。泊松分布生活中的实例还人数，电话交换机接到呼叫的次数，汽车站台
的候客人数，机器出现的故障数，自然灾害发生的次数，一块产品上的缺陷数，显
9. 概率公理化定义的注解：数学上所说的“公理”就是一些不加证明而承认的前 提，这个公理化定理只是界定了概率这个概念所必须满足的一些性质，它并不 解决具体场合下的概率计算问题，但是我们常常可以用它来判断某事件函数 P 是否是概率。
10. 概率的加法公式：P( A B) P( A) P(B) P( A B) 。这个公式重要的并不
3. 随机变量的分类：离散性随机变量与连续型随机变量。通俗的说，让你在 1，2，3， 4，5，6 中间挑选一个数字，你的挑选结果无非就是这 6 个里面的某一个(离散型)； 假如让你从 1-6 之间选择一个实数，你的挑选结果就可能是无数种了（连续型）。
4. 离散型随机变量相关概念：分布列（写分布列这个简单的不能再简单了，高中最喜 欢做的数学大题），分布列的性质（概率之和为 1 呗）。
14. 乘法定理：聪明的孩子立刻会发现这个公式不就是条件概率公式的简单变形 吗？没错，但是教材把它拿出来可绝对不是在给你复习小学数学中的移项问题， 编者是在向你灌输一种思想，A 与 B 同时发生的概率等同于 B 在 A 先发生了的 条件下发生的概率，等同于 A 在 B 先发生了的条件下发生的概率。更重要的是 这种思想容易递推，因而课本上那个有 n 个事件的公式也很容易瞬间写出了， 不信你写写看！值得注意的是，概率论中每出现了一个新的公式，你都要学会 试着将这个公式和之前学过的公式联立起来，渐渐你会发现随着学的东西多了， 很多量的求解途径一下宽广了许多了。【注】：事情的发生往往先后顺序明显时 用此公式。
我屁事），则称事件 A 与 B 相互独立。 选择题目居多，易错题。
充要条件：
20. 伯努利概型：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。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 n 重伯努利试验中 A 出现
备注：要注意 P(AB)与 P(B｜A)的区别： P(AB)是在样本空间为Ω时，A 与 B 同时发生的可能性，而 P(B｜A)则是表示在 A 已经发生的条件下，B 发生的可能性，此时样本空间已由Ω缩减为 A，只要题
4
中南大学概率论与数理统计复习讲义
目中有前提条件：“在 A 发生的条件下”或“已知 A 发生”等等，均要考虑条 件概率．
6
中南大学概率论与数理统计复习讲义
见一个复杂的事件关系表达式时候，要能迅速反映出它表达了什么含义。
第二章随机变量与分布
走进这一章，才算是真正地踏入了美丽的概率论花园，可花园虽美，但荆棘丛 生。 我们来看看这一章都有些什么荆棘等着我们吧！ 1. 趣话随机变量：大家翻翻书前的目录，不难知道“随机变量”将伴随着我们整个概
2
中南大学概率论与数理统计复习讲义
12. 概率的古典定义与几何定义：这两者的区别大致可以用样本数量是有限还是无 穷来区分，值得注意的是，几何定义派生出了考试经典陷阱：概率为 0 的事件 不一定是不可能事件，概率为 1 的事件不一定是必然事件。
13. 条 件 概 率 ： 在 事 件 B 已 经 发 生 的 条 件 下 ， 求 事 件 A 发 生 的 概 率 ， 记 为: P(B A) P( AB) 。条件概率的几个性质尤其注意：非负性；规范性；可列 P( A) 可加性。看到这三个性质，想到什么了吗？没错就是概率的公理化定义，条件 概率符合这三个条件，因而概率的性质完全适用于条件概率，条件概率无非就 像是一个装了一个极具个性的手机壳的手机罢了。