概率论全概率公式.
§1.4 条件概率与事件的独立性
一、条件概率
1．问题 E~产品(N个产品中含M个次品)随机抽样。
Ai
=
{第
i
次抽到次品},
i
=
1,
2，P(Ai)
M N
放回抽样时，
P( A2
/
A1 )
?P(A2)
MHale Waihona Puke N不放回抽样时，P(A2
/
A1 )
M
N
1 1
<P(A2)
M N
P( A2 / A1)
概率论与数理统计
作业交两面内容全学的页码
1
一个教授都容易回答错误的概率问题
1990年，美国《Parade展示》杂志“Ask Marilyn” 专栏的主持人玛莉莲·莎凡收到了一名读者的提问：
假设你正在参加一个游戏节目，你被要求在三扇门 中选择一扇。其中一扇后面有一辆汽车，其余两扇后面 则是山羊。你选择了一扇门，假设是一号门，然后知道 门后面有什么的主持人开启了另一扇后面有山羊的门,假 设是三号门。他然后问你: “你想选择二号吗？
P(B)
13 i 1
P( Ai )P(B /
Ai )
12 i 1
4 (13 i) 4 52 51
16 (112) 12 24
51 52
2
51
10
例 [2005]从数1,2,3,4中任取P一(Y个,记2)为 X(,再从 )
1,…,X中任取一个,记为Y,则
任取1个，取后放回，并同时放入3个同色的球。记Ai 为第i次取到红球，求概率P(A2)。
解 P( A2 ) P( A1A2 A1A2 ) P( A1A2 ) P( A1A2 )
P(
A1)
P(
A2
/
A1)
P(
A1)
P(
A2
/
A1 )
3 5
6 8
2 5
3 8
3 5
P( A2 ) P( A1) P( A2 / A1) P( A1) P( A2 / A1)
M N 1
>
P(A2)
M N
3
2．定义
设A、B为两随机事件，且P(B) > 0，则称
P( A / B) P( AB) P(B)
为在B发生的条件下， A发生的条件概率。
B
AAB
Ω
注1．P(A/B) 是将样本空间 压缩成B、事件A压缩成AB
后计算概率， P(A/B)本质上是一个无条件概率； 注2．条件概率满足三条公理及概率的其它性质。
13
43 52 51
3 51
9
例 从一副不含有大小王的扑克牌中不放回的抽取两张， 求第二张牌点数大于第一张的概率。
解用Ai表示第一次抽到的点数为i,i 1, 2,L ,13. B表示第二张点数大于第一张点数。 P(Ai )=4/52,i=1,2L ,13.
P(B / Ai ) (13-i) 4 / 51
例 从一副不含有大小王的扑克牌中不放回的抽取两张， 求两张牌点数相同的概率。
解用Ai表示第一次抽到的点数为i,i 1, 2,L ,13. B表示两张点数相同 P(Ai )=4/52,i=1,2L ,13.
P(B / Ai ) 3 / 51
P(B)
13 i 1
P( Ai )P(B
/
Ai )
P A1 P A2 A1 P A3 A1A2 L P AM A1A2 L AM1
( M M ) • ( M 1 M 1) • ( M 2gM 2)L ( 1 g 1 ) M M 1 M M 1 M M 1 M M 61
例3 袋中有5个球：3个红球，2个白球。现每次
P( A1A2 An ) P( A1)P( A2 / A1)P( A3 / A1A2 ) P( An / A1A2 An1) 5
例2 设A盒内有M 个黑球，B盒内有同种质地、大小的M个
白球。现让某人从B 盒内随机摸取一球放入 A盒中，然后
再从A 盒中随机摸取一球放入B盒中，称此为一次交换。
P(B / A) P(BA) P( A AB)
P( A)
P( A)
P( A) P AB 0.2 0.15 0.25
P( A)
0.2
二、乘法公式
P( A / B) P( AB) P( AB) P(B)P(A / B) P(B) 0
P(B)
P(AB) P(A)P(B / A) P(A) 0
n
证 P(B) P(B) P(( Ai )B) P( AiB)
n
n i1
i 1
A1
P(Ai)
Ai …
An
P( AiB) P( Ai )P(B / Ai )
i 1
i 1
P(B/Ai)
注意：解题时先画因果关系图(多因一果)。
例1.17 (P10：矿工逃生问题)。
B
8
问题：A3由哪几个原因引起？
P( A3) P( A1A2 ) P( A3 / A1A2 ) P( A1A2 ) P( A3 / A1A2) P( A1A2 ) P( A3 / A1A2 ) P( A1A2 ) P( A3 / A1A2 )
P( A1) P( A2 / A1) P( A3 / A1A2 ) L
4
例1 设某地区历史上从某次特大洪水发生以后在30 年内发生特大洪水的概率为80%，在40年内发生特大洪 水的概率为85%，现已知该地区已经30年未发生特大洪 水，问未来10年内将发生特大洪水的概率是多少？
解 记A={30年内无特大洪水}， B={未来10年内有特
大洪水}，则 A B ={40年内无特大洪水}
若经M次交换后，A中恰有M个白球则此人可获奖。问此人
获奖的概率是多少？
解 设 A 经过M次交换后， A中恰有M个白球
Ak {在第k次交换中，A中黑球与B中白球交换}
k 1,2, , M.
则A A1A2 AM .由概率的乘法公式有
PA
PA1A2
AM
M!2 M M M 1M
7
三、全概率公式
BAB1AB2 Ai.B.. An
设A1 , A2 , …,An 是对
A1 A2 … … An
的一个划分：
n
B
(1) Ai Aj , i j (2) Ai
i 1
Ω
则对任何事件B有
n
P(B) P( Ai )P(B / Ai )
i 1
n
全概率公式的适用条件
全概率公式的适用条件全概率公式是概率论中的一个重要定理，用于计算一个事件的概率。
它的适用条件如下：1. 事件的样本空间必须可以划分为互不相交的若干个事件。
这意味着所有可能发生的情况都被考虑到，并且这些情况之间没有重叠。
2. 这些互不相交的事件必须满足完备性。
也就是说，它们的并集等于样本空间，包含了所有可能发生的情况。
3. 对于每个事件，必须知道它在每个互不相交事件中的概率。
在满足上述条件的情况下，可以使用全概率公式来计算一个事件的概率。
全概率公式的表达式为：P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) + ... + P(A|Bn)P(Bn)其中，P(A)表示事件A的概率，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。
全概率公式的应用非常广泛，可以用于各种实际问题的概率计算。
下面将通过几个实例来说明全概率公式的具体应用。
例1：某班级有60%的学生喜欢数学，30%的学生喜欢英语，10%的学生既喜欢数学又喜欢英语。
现在从班级中随机抽取一个学生，请问这个学生喜欢数学的概率是多少？解：设事件A表示抽到的学生喜欢数学，事件B1表示学生喜欢数学，事件B2表示学生喜欢英语。
根据题意，P(B1) = 0.6，P(B2) = 0.3，P(A|B1) = 1，P(A|B2) = 0。
代入全概率公式，可得：P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) = 1 × 0.6 + 0 × 0.3 = 0.6所以抽到的学生喜欢数学的概率为0.6。
例2：某城市的天气状况有三种可能：晴天、阴天、雨天，根据历史数据统计得知，晴天的概率为0.4，阴天的概率为0.3，雨天的概率为0.3。
同时，根据气象部门的预测，如果是晴天，明天下雨的概率为0.2；如果是阴天，明天下雨的概率为0.5；如果是雨天，明天下雨的概率为0.8。
现在已知今天是晴天，问明天下雨的概率是多少？解：设事件A表示明天下雨，事件B1表示今天晴天，事件B2表示今天阴天，事件B3表示今天雨天。
全概率公式与贝叶斯公式
全概率公式与贝叶斯公式
一、全概率公式
全概率公式是概率统计学中的重要概念，它系统地表达了事件发生的
几率，它建立在一定的概率论假设和条件概率的基础上。
全概率公式由它
的发明者布朗定理提出，它以下简称为B-公式，它定义了一个事件发生
条件的概率可以由该事件发生的总概率和该事件发生条件概率之间的关系
表示出来，具体地说，就是：
P(A)=P(A，B1)P(B1)+P(A，B2)P(B2)+···+P(A，Bn)P(Bn)
其中：P(A)是A发生的概率，P(B1)~P(Bn)是相互独立的事件B1~Bn
发生的概率；P(A，B1)~P(A，Bn)是A在B1~Bn发生后发生的条件概率，
以上关系可以看作是在n个事件B1~Bn中，A发生的概率就是在所有这些
事件发生时A发生的条件概率乘以其各自发生的概率，再相加，而本质上
它是一个分母的二项式展开。
贝叶斯公式是概率统计学中的重要概念，它描述了在已知其中一种情
况的概率后，观察到其中一种事件后，该情况发生的可能性，它利用事件
的先验概率和事件发生后的后验概率进行推断，它有一下公式发挥着作用：P(A，B)P(B)=P(B，A)P(A)
其中：P(A)是事件A发生的先验概率；P(B)是事件B发生的先验概率；P(A，B)是事件B发生后A发生的条件概率；P(B，A)是事件A发生后B发
生的条件概率。
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和数理统计作为数学的两个重要分支，被广泛应用于各个领域。
无论是在学术研究还是实际应用中，熟悉并掌握相关的公式是非常重要的。
本文将为您提供概率论与数理统计公式的大全，帮助您更好地理解和应用这两门学科。
一、概率论公式1. 概率公式- 概率的定义：P(A) = N(A) / N(S)，其中P(A)表示事件A发生的概率，N(A)代表事件A的样本点个数，N(S)表示样本空间中的样本点总数。
- 加法法则：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同时发生的概率。
- 乘法法则：P(A∩B) = P(A) × P(B|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。
2. 条件概率公式- 条件概率的定义：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。
- 全概率公式：P(A) = ∑[P(Bi) × P(A|Bi)]，其中Bi为样本空间的一个划分，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。
3. 事件独立性公式- 事件A和事件B独立的定义：P(A∩B) = P(A) × P(B)，即事件A和事件B同时发生的概率等于事件A发生的概率乘以事件B发生的概率。
- 事件的相互独立：若对于任意的事件A1，A2，...，An，有P(A1∩A2∩...∩An) = P(A1) × P(A2) × ... × P(An)，则称事件A1，A2，...，An相互独立。
4. 随机变量- 随机变量的定义：随机变量X是样本空间到实数集的映射。
- 随机变量的分布函数：F(x) = P(X≤x)，表示随机变量X小于等于x的概率。
- 随机变量的概率密度函数（连续型随机变量）：f(x)是非负函数，且对于任意实数区间[a, b]，有P(a≤X≤b) = ∫[a, b]f(x)dx。
全概率公式和贝叶斯公式(先验概率和后验概率)
全概率公式和贝叶斯公式（先验概率和后验概率）全概率公式（Law of Total Probability）和贝叶斯公式（Bayes' Theorem）是统计学中重要的概率公式，用于计算给定一些条件下的概率。
这两个公式是概率论和统计学中常用的工具，可以解决很多实际问题，从机器学习到社会科学中的调查研究。
P(A)=Σ[P(A，Bi)*P(Bi)]其中，P(A)表示事件A的概率，P(A，Bi)表示在给定事件Bi的条件下，事件A发生的概率，P(Bi)表示事件Bi的概率。
贝叶斯公式是在给定一些观察或证据的情况下，计算一个事件的概率的公式。
它基于条件概率的概念，将因果关系转化为条件概率的形式，并用于根据已知的先验概率更新为后验概率。
贝叶斯公式可以表示为：P(A，B)=[P(B，A)*P(A)]/P(B)其中，P(A，B)表示在观察到事件B发生的情况下，事件A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，P(A)和P(B)分别是事件A和事件B的先验概率。
全概率公式和贝叶斯公式经常一起使用，特别在机器学习和数据分析中被广泛应用。
通过使用全概率公式，可以将复杂问题分解为多个简单的条件概率问题，然后再使用贝叶斯公式根据已知的先验概率和条件概率计算后验概率。
这样可以更好地理解问题，并得到更准确的结果。
举个例子来说明这两个公式的应用：假设有两个工厂A和B，它们负责生产其中一种产品。
已知A工厂的产品次品率为20%，而B工厂的产品次品率为10%。
现在我们收到一批产品，但不知道是哪个工厂生产的。
一些产品是次品的概率是10%。
问这个产品是来自A工厂的概率是多少？首先，我们可以用全概率公式来计算得到：P(A)=0.5（因为两个工厂的概率相等）P(A，B)=[P(B，A)*P(A)]/P(B)P(B，A)是在A工厂生产的条件下产品是次品的概率P(A)已经计算得到为0.5P(B)=P(B，A)*P(A)+P(B，¬A)*P(¬A)=0.02*0.5+0.1*0.5=0.03将这些值代入贝叶斯公式，可以得到：P(A，B)=(0.02*0.5)/0.03≈0.33因此，基于给定的证据，这个产品是来自A工厂的概率约为33%。
概率的三大公式
概率的三大公式一、加法定理加法定理是概率论中最基本的公式之一，用于计算两个事件同时发生的概率。
假设A和B是两个事件，那么A和B同时发生的概率可以表示为P(A∪B)，其中∪表示并集。
加法定理的公式如下：P(A∪B) = P(A) + P(B) - P(A∩B)其中P(A)表示事件A发生的概率，P(B)表示事件B发生的概率，P(A∩B)表示事件A和B同时发生的概率。
举个例子来说明加法定理的应用。
假设有一个袋子里有红球和蓝球，红球的数量为3个，蓝球的数量为2个。
现在我们从袋子中随机抽取一个球，求抽到红球或者蓝球的概率。
根据加法定理，我们可以计算出P(红球∪蓝球) = P(红球) + P(蓝球) - P(红球∩蓝球) = 3/5 + 2/5 - 0 = 1。
因此，抽到红球或者蓝球的概率为1。
二、乘法定理乘法定理是概率论中另一个重要的公式，用于计算两个事件同时发生的概率。
假设A和B是两个事件，那么A和B同时发生的概率可以表示为P(A∩B)，其中∩表示交集。
乘法定理的公式如下：P(A∩B) = P(A) × P(B|A)其中P(A)表示事件A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。
举个例子来说明乘法定理的应用。
假设有一个扑克牌的牌组，牌组中有52张牌。
现在我们从牌组中依次抽取两张牌，求第一张牌是红心的概率，且第二张牌是黑桃的概率。
根据乘法定理，我们可以计算出P(第一张牌是红心∩第二张牌是黑桃) = P(第一张牌是红心) × P(第二张牌是黑桃|第一张牌是红心) = 1/4 × 13/51 = 1/12。
因此，第一张牌是红心且第二张牌是黑桃的概率为1/12。
三、全概率公式全概率公式是概率论中用于计算复合事件概率的重要公式。
假设B1、B2、B3...是一组互不相容的事件，并且它们的并集构成了样本空间。
那么对于任意一个事件A，全概率公式的公式如下：P(A) = P(A|B1) × P(B1) + P(A|B2) × P(B2) + P(A|B3) × P(B3) + ...其中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。
全概率论公式
全概率论公式总结概率公式整理1．随机事件及其概率吸收律：A AB A A A A =⋃=∅⋃Ω=Ω⋃)( AB A A A AA =⋃⋂∅=∅⋂=Ω⋂)()(AB A B A B A -==-反演律：B A B A =⋃ B A AB ⋃=ni ini iA A 11=== ni ini iA 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 nnk j i kjinj i jini 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∑==ni 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 ) = p n k p p C k X P k n kk n ,,1,0,)1()( =-==- *Possion 定理 0lim >=∞→λn n np 有,2,1,0!)1(l i m ==---∞→k k ep p C kkn n k nkn n λλ(3) Poisson 分布 )(λP ,2,1,0,!)(===-k k ek 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 a b 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 xλ (3) 正态分布 N (μ , σ 2 ) +∞<<∞-=--x e x f x 222)(21)(σμσπ ⎰∞---=xt t ex F d 21)(22)(σμσπ*N (0,1) — 标准正态分布+∞<<∞-=-x ex x 2221)(πϕ+∞<<∞-=Φ⎰∞--x tex 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 ⎰⎰∞-∞-=x yd v d uv 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 ),()(⎰⎰∞-+∞∞-=yY 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),(Gy x A y x f(2)二维正态分布 +∞<<-∞+∞<<∞-⨯-=⎥⎥⎦⎤⎢⎢⎣⎡-+------y x ey x f y y x x ,121),(2222121121)())((2)()1(21221σμμμρσμρρσπσ9. 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 E X 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 E X ,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 E X ,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。
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。
全概率公式证明过程
全概率公式证明过程全概率公式是概率论中的一个重要公式，它可以用来计算一个事件在不同条件下的概率。
在本文中，我们将详细介绍全概率公式的证明过程。
我们需要明确全概率公式的表达式：P(A) = P(B1)P(A|B1) + P(B2)P(A|B2) + … + P(Bn)P(A|Bn)其中，A表示事件，B1、B2、…、Bn表示一组互不相交的事件，且它们的并集等于样本空间。
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。
接下来，我们来证明全概率公式。
假设事件A和B1、B2、…、Bn满足上述条件，我们需要证明：P(A) = P(B1)P(A|B1) + P(B2)P(A|B2) + … + P(Bn)P(A|Bn)我们可以将事件A表示为：A = (A∩B1) ∪ (A∩B2) ∪ … ∪ (A∩Bn)这是因为事件A可以被分解为在B1、B2、…、Bn中的任意一个事件发生时，A发生的情况。
接下来，我们可以利用加法公式将上式展开：P(A) = P(A∩B1) + P(A∩B2) + … + P(A∩Bn)然后，我们可以将每个交集表示为条件概率的形式：P(A∩Bi) = P(Bi)P(A|Bi)这是因为在事件Bi发生的条件下，事件A发生的概率可以表示为P(A|Bi)。
将上式代入前面的公式中，我们得到：P(A) = P(B1)P(A|B1) + P(B2)P(A|B2) + … + P(Bn)P(A|Bn)这就是全概率公式的证明过程。
总结一下，全概率公式是概率论中的一个重要公式，它可以用来计算一个事件在不同条件下的概率。
证明过程中，我们利用了事件A 可以被分解为在B1、B2、…、Bn中的任意一个事件发生时，A发生的情况这一性质，然后利用加法公式和条件概率的定义，推导出了全概率公式的表达式。
概率论条件概率全概率公式贝叶斯公式
概率论条件概率全概率公式贝叶斯公式
一、概率论
概率论是数学的一个分支，是研究随机事件发生的可能性的一门学科。
它用来研究不确定环境中的随机性事件，推断它们未来发生的概率及其不
确定性。
它的本质是研究未来发生其中一种随机事件可能性的推断，归结
为在各种情况下出现其中一种事件的概率。
概率值的范围是[0,1]，其中
0表示绝对不可能，1表示绝对可能。
二、条件概率
条件概率是概率的一种，它指的是基于已有的概率模型，利用已知信
息去估算当概率模型的变量条件发生时，其他变量出现的概率。
它有两个
定义：
1）条件概率定义：当事件A发生的条件下，事件B发生的概率，记
为P(B，A)；
2）条件概率公式：P(B，A)=P(A∩B)/P(A)，其中P(A∩B)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。
三、全概率公式
全概率公式是概率中最重要的一条公式，它表示的是其中一随机事件
发生的概率与另一个或更多的条件相关，它描述的是事件B的概率，即：
P(B)=ΣP(B，Ai)P(Ai)，其中P(B，Ai)表示在Ai的条件下B发生的概率，P(Ai)表示Ai的概率。
贝叶斯公式是一种概率的计算方法，其定义为：
P(A，B)=P(B，A)P(A)/P(B)
其中P(A，B)表示B条件下A的概率。
概率论公式
n
注：如果有 n 个变量服从同一个 0-1 分布， Xi ~ b(1, p) ，则其和 X Xi 服从二项 i
分布 X ~ b(n, p)
11. Poisson 分布
X ~ P() P( X k) k e , k 0,1,...
F
(x)
0, 1,
x x
c c
E(X ) c
Var( X ) 0
9. 二项分布
X ~ b(n, p)
P( X k) Cnk pk (1 p)nk E(X ) np
Var( X ) np(1 p)
10. 二点分布（0-1 分布）
X ~ b(1, p)
P( X x) px (1 p)1x , x 0,1
p(
x)
2
n 2
1 (
n
)
e
x 2
x
n 2
1
,
x
0
2
0, x 0
E(X ) n
Var( X ) 2n
Gamma 分布变为 2 分布：
当 X ~ Ga(,) ，则 2 X ~ Ga(, 1) 2 (2 ) 2
20. 严格单调函数Y g(X )
pY ( y) px[h(x)] | h '(x) |
21. K 阶原点矩和中心矩
k E(X k ) k E( X E( X ))k
中心矩和原点矩关系：
k
k Cik i (i )ki i0
22. 变异系数
Cv
(
X
)
( E(