概率和统计公式大全
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。
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。
-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：1° 0≤P(A)≤1，2° P(Ω) =13° 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 ， 。
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。
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。
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)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。
，（，，…，），通常叫先验概率。
，（，，…，），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“由果朔因”的推断。
（17）伯努利概型我们作了次试验，且满足u 每次试验只有两种可能结果，发生或不发生；u 次试验是重复进行的，即发生的概率每次均一样；u 每次试验是独立的，即每次试验发生与否与其他次试验发生与否是互不影响的。
这种试验称为伯努利概型，或称为重伯努利试验。
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,…，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°。
2°。
（3）离散与连续型随机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变量的关系作用相类似。
设为随机变量，是任意实数，则函数（4）分布函数称为随机变量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。
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，。
0-1分布P(X=1)=p, P(X=0)=q（5）八大分布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。
，其中，则称随机变量服从参数为，的二项分布。
记为。
当时，，，这就是（0-1）分布，所以（0-1）分布是二项分布的特例。
泊松分布设随机变量的分布律为，，，则称随机变量服从参数为的泊松分布，记为或者P( )。
泊松分布为二项分布的极限分布（np=λ，n→∞）。
超几何分布随机变量X服从参数为n,N,M的超几何分布，记为H(n,N,M)。
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≤b0，x<a，1，x>b。
当a≤x1<x2≤b时，X落在区间（）内的概率为。
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；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。
设 =（X ，Y ）的所有可能取值为 ，且事件{ = }的概率为pij,,称为 =（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： YX y 1 y 2 ... yj ... x1 p11 p12 ... p1j (x2)p21p22 (2)…xipi1… …这里pij 具有下面两个性质： （1）pij ≥0（i,j=1,2,…）； （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 的联合分布密度。
分布密度f(x,y)具有下面两个性质：（1） f(x,y)≥0; （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，即当x2>x1时，有F （x2,y ）≥F(x1,y);当y2>y1时，有F(x,y2) ≥F(x,y1); （3）F （x,y ）分别对x 和y 是右连续的，即 （4） （5）对于 .（4）离散型与连续型的关系（5）边缘分布离散型 X 的边缘分布为 ；Y 的边缘分布为 。
连续型X 的边缘分布密度为Y 的边缘分布密度为（6）条件分离散型在已知X=xi 的条件下，Y 取值的条件分布为布在已知Y=yj的条件下，X取值的条件分布为连续型在已知Y=y的条件下，X的条件分布密度为；在已知X=x的条件下，Y的条件分布密度为（7）独立性一般型F(X,Y)=FX(x)FY(y)离散型有零不独立连续型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二维正态分布＝0随机变量的函数若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。
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 公式大全
第1章 随机事件及其概率例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”，C 为“恰有5张方块”，求条件概率P (B |A )，P (B |C )解135213391352135213391)(1)(C C C C C A P A P -=-=-=13521139213)(C C C AB P ⋅=13391352113921313521339135213521139213)()()(C C C C C C C C C C A P AB P A B P -=-==1352839513)(C C C C P =1352626213513)(C C C C BC P =83962621313528395131352626213513)()()(C C C C C C C C C C C P BC P C B P ===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”，显然AB ⊂7.0)(=A P 56.0)(=B P 56.0)()(==B P AB P 8.07.056.0)()()(===A P AB P A B P例1.21 某工厂生产的产品以100件为一批，假定每一批产品中的次品最多不超过4件，且具有如下的概率：一批产品中的次品数0 1 2 3 4概率0.1 0.2 0.4 0.2 0.1现进行抽样检验，从每批中随机抽取10件来检验，若发现其中有次品，则认为该批产品不合格。
求一批产品通过检验的概率。
4()()()kk k P B P AP B A ==∑解设B 表示事件“一批产品通过检验”，A i (i =0,1,2,3,4)表示“一批产品含有i 件次品”，则A 0,A 1, A 2, A 3, A 4组成样本空间的一个划分，00()0.1,()1P A P B A ==10991110100()0.2,()0.900C P A P B A C ===10982210100()0.4,()0.809C P A P B A C ===10973310100()0.2,()0.727C P A P B A C ===10964410100()0.1,()0.652C P A P B A C ===814.0652.01.0727.02.0809.04.0900.0.021.0≈⨯+⨯+⨯+⨯+=顾客买到的一批合格品中，含次品数为0的概率是0004()(|)0.11(|)0.1230.814()(|)ii i P A P B A P A B P A P B A =⋅⨯==≈⋅∑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。
概率与统计学公式集锦整理速查
概率与统计学公式集锦整理速查以下是概率与统计学领域中常见的公式集锦，方便您在需要时进行查阅和使用。
1. 概率公式1.1 事件的概率：P(A) = n(A) / n(S)1.2 互斥事件的概率：P(A ∪ B) = P(A) + P(B)1.3 两独立事件的概率：P(A ∩ B) = P(A) × P(B)1.4 随机事件的和：P(A ∪ B) = P(A) + P(B) - P(A ∩ B)1.5 随机事件的差：P(A - B) = P(A) - P(A ∩ B)1.6 互补事件的概率：P(A') = 1 - P(A)2. 统计学公式2.1 定义方差：Var(X) = E[(X - E(X))^2]2.2 方差的性质：Var(aX) = a^2 × Var(X)2.3 协方差：Cov(X, Y) = E[(X - E(X))(Y - E(Y))]2.4 相关系数：ρ(X, Y) = Cov(X, Y) / (√(Var(X)) × √(Var(Y)))2.5 二项分布期望：E(X) = n × p2.6 二项分布方差：Var(X) = n × p × (1 - p)2.7 正态分布的标准差：Var(X) = σ^23. 概率函数与密度函数3.1 二项分布概率函数：P(X = k) = C(n, k) × p^k × (1 - p)^(n - k)3.2 二项分布累积概率函数：P(X ≤ k) = Σ(i=0 to k) C(n, i) × p^i × (1 - p)^(n - i)3.3 正态分布概率密度函数：f(x) = (1 / (σ × √(2π))) × exp(-(x - μ)^2 / (2σ^2))3.4 正态分布累积概率函数：P(X ≤x) = Φ((x - μ) / σ)4. 估计与假设检验4.1 样本均值的抽样分布：X ～N(μ, σ^2/n)，其中 X 为样本均值，μ 为总体均值，σ 为总体标准差，n 为样本容量。
概率论与数理统计公式
概率论与数理统计公式概率论是一门研究随机现象规律的数学学科，是现代数学的基础之一、而数理统计则是利用概率论的工具和方法，分析和处理统计数据，从而得出推断、估计、决策等信息的科学。
在概率论与数理统计的学习过程中，掌握一些重要的公式是非常关键的。
下面是一些概率论与数理统计中常用的公式：1.概率公式：-加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)-乘法公式：P(A∩B)=P(A)*P(B，A)-条件概率公式：P(A，B)=P(A∩B)/P(B)2.期望与方差公式：-期望：E(X)=∑(x*P(X=x))- 方差：Var(X) = E((X-μ)^2) = ∑((x-μ)^2 * P(X=x))3.常用概率分布及其特征：-二项分布：P(X=k)=C(n,k)*p^k*(1-p)^(n-k)-泊松分布：P(X=k)=(λ^k*e^(-λ))/k!-正态分布：f(x)=(1/(σ*√(2π)))*e^(-((x-μ)^2)/(2*σ^2))4.样本与总体统计量公式：-样本均值：x̄=(∑x)/n-样本方差：s^2=(∑(x-x̄)^2)/(n-1)-样本标准差：s=√(s^2)5.参数估计公式：-点估计：-总体均值估计：μ的点估计为x̄-总体方差估计：σ^2的点估计为s^2-区间估计：-总体均值的置信区间：x̄±Z*(σ/√n)-总体比例的置信区间：p±Z*√((p*(1-p))/n)6.假设检验公式：-均值检验：-单样本均值检验：t=(x̄-μ0)/(s/√n)-双样本均值检验：t=(x̄1-x̄2)/√((s1^2/n1)+(s2^2/n2))-比例检验：-单样本比例检验：z=(p-p0)/√((p0*(1-p0))/n)-双样本比例检验：z=(p1-p2)/√((p*(1-p))*((1/n1)+(1/n2)))以上是概率论与数理统计中一些常用的公式，这些公式为解决问题提供了有力的工具和方法。
概率统计公式(大全)
.
资料
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
f
(
x)
b
1
a
,
0,
a≤x≤b 其他，
均匀分布
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
x
F (x) f (x)dx
。
（2） 连续型随 机变量的 分布密度
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。 密度函数具有下面 4 个性质：
1° f (x) 0 ,
的次数是随机变量，设为 X ，则 X 可能取值为 0,1,2,, n 。
（5） 八大分布
二项分布 即 B(n,p)
P( X
k)
Pn(k )
C
k n
p k q nk
，
q 1 p,0 p 1, k 0,1,2,, n ，
其中
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) 。
n 种方法来完成，则这件事可由 m×n 种方法来完成。
（3） 重复排列和非重复排列（有序）
一 些 常 见 对立事件（至少有一个）
排列
顺序问题
（4） 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，
随 机 试 验 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
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。
概率统计公式大全(复习重点)
概率统计公式大全(复习重点)概率统计公式大全（复习重点）在学习概率统计的过程中，熟练掌握相关的公式是非常关键的。
本文将为大家详细介绍一些常用的概率统计公式，并对其进行简要的说明和应用举例，以便复习和巩固知识。
一、基本概率公式1. 事件的概率计算公式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中有利的结果数；n(S)表示样本空间S中的全部结果数。
例如：从一副扑克牌中随机抽取一张牌，求抽到红心牌的概率。
解：样本空间S中共有52张牌，红心牌有13张，所以 P(红心牌) = 13 / 52 = 1 / 4。
2. 条件概率计算公式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发生的概率。
例如：某班级男女生分别有30人和40人，从中随机选择一名学生，求选到女生并且是优等生的概率。
解：女生优等生有20人，所以 P(女生且是优等生) = 20 / （30+ 40）= 1 / 7。
二、常用离散型随机变量的数学期望与方差1. 随机变量的数学期望计算公式E(X) = ∑[x * P(X=x)]其中，E(X)表示随机变量X的数学期望；x表示随机变量X的取值；P(X=x)表示随机变量X取值为x的概率。
例如：随机变量X的可能取值为1、2、3，对应的概率分别是1/4、1/2、1/4，求X的数学期望。
解：E(X) = 1 * (1/4) + 2 * (1/2) + 3 * (1/4) = 5/2 = 2.5。
2. 随机变量的方差计算公式Var(X) = E((X - E(X))²)其中，Var(X)表示随机变量X的方差；E(X)表示随机变量X的数学期望。
例如：随机变量X的可能取值为1、2、3，对应的概率分别是1/4、1/2、1/4，求X的方差。
解：E(X) = 1 * (1/4) + 2 * (1/2) + 3 * (1/4) = 5/2 = 2.5。
概率论与数理统计公式大全
第一章P(A+B)=P(A)+P(B)- P(AB)特别地，当A 、B 互斥时， P(A+B)=P(A)+P(B) 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~B(n,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~U(a,b) 指数分布X~Exp (θ)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： 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● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数● E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量g(X)的数学期望常用公式方差 定义式常用计算式常用公式)()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==n k k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤badxx f b X a P )()()0(1)(/≥=-x e x f x θθ∑≤==≤=xk k X P x X P x F )()()(⎰∞-=≤=x dt t f x X P x F )()()(⎰∞-=≤=x dt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f 1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=⎰+∞∞-=dyy x f x f X ),()(⎰+∞∞-=dxy x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k kkP xX E )(⎰+∞∞-⋅=dx x f x X E )()(∑=k kk p x g X g E )())((∑∑=i j ij i px X E )(dxdy y x xf X E ⎰⎰=),()()()()(Y E X E Y X E +=+∑∑=i jijj i p y x XY E )(dxdy y x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dx x f X E x X D )()()(2[]22)()()(X E X E X D -=)(1)(b x a ab x f ≤≤-=)()('x f x F =当X 、Y 相互独立时：方差的性质D(a)=0，其中a 为常数D(a+bX)=b2D(X)，其中a 、b 为常数当X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 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 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)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P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))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()()(),(Y E X E XY E Y X Cov -=)()(),(Y D X D Y X Cov XY =ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =),(),(),(Z Y Cov Z X Cov Z Y X Cov +=+),(~2σμN X 222)(21)(σμσπ--=x ex f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔)()()(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 )(~)1,0(~212n X N X n i i χ∑=，则若())(~1),,(~21222n Y N Y ni i χμσσμ∑=-则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ),(~2nN X σμ)1,0(~/N nX σμ-)1(~)1(222--n S n χσ)1(~/--n t ns X μ)1,1(~//2122212221--n n F S S σσ);(1θi n i x f L ∏==);(1θi ni x p L ∏==则若),(~),1,0(~2n Y N X χ)(~/n t n Y X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H1 ② 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。
概率论与数理统计完整公式
概率论与数理统计完整公式概率论与数理统计是数学的一个分支，研究随机现象和随机变量之间的关系、随机变量的分布规律、经验规律及参数估计等内容。
在概率论与数理统计的学习中，有许多重要的公式需要掌握。
以下是概率论与数理统计的完整公式。
一、概率论公式：1.全概率公式：设A1，A2，…，An为样本空间S的一个划分，则对任意事件B，有：P(B)=P(B│A1)·P(A1)+P(B│A2)·P(A2)+…+P(B│An)·P(An)2.贝叶斯公式：对于样本空间S的一划分A1，A2，…，An，其中P(Ai)>0，i=1,2，…，n，并且B是S的任一事件，有：P(Ai│B)=[P(B│Ai)·P(Ai)]/[P(B│A1)·P(A1)+P(B│A2)·P(A2)+…+P (B│An)·P(An)]3.事件的独立性：若对事件A，B有P(AB)=P(A)·P(B)，则称事件A，B相互独立。
4.概率的乘法公式：对于独立事件A1，A2，…，An，有：P(A1A2…An)=P(A1)·P(A2)·…·P(An)5.概率的加法公式：对事件A，B有：P(A∪B)=P(A)+P(B)-P(AB)6.条件概率的计算：对事件A，B有：P(A，B)=P(AB)/P(B)7.古典概型的概率计算：设事件A在n次试验中发生k次的次数服从二项分布B(n,p)，则其概率可表示为：P(X=k)=C(n,k)·p^k·(1-p)^(n-k)，其中C(n,k)=n!/[k!(n-k)!]二、数理统计公式：1.样本均值的期望和方差：样本的均值X̄的期望和方差分别为： E(X̄) = μ，Var(X̄) = σ^2 / n，其中μ 为总体的均值，σ^2 为总体方差，n 为样本容量。
2.样本方差的期望：样本方差S^2的期望为：E(S^2)=σ^2，其中σ^2为总体方差。