第一章概率统计基本知识

合集下载

第一章概率统计基本知识

σx2= (e9.5)2(e41)9.566×109
σx=9.78×104 Vx=σx/μx>7,该对数正态分布中心极限定理：
①X~N(μ,σ2)
x~N(,2/n)
例如X1 ，X2，…，X9 i i d N(10,25) σ=5 x =(x1+x2+…….+x9)/9~N(10,25/9)
⑥A-B={b} P(A-B)=P(b)=0.2
二、概率的确定
1、（熟悉）古典概率：有限个样本点（比如n个）
每个样本点出现可能性是相同的（等可能）
则P（A）==
A中含样本点数 k
中样本点数
n
例5．掷一颗骰子，A=“出现偶数点”={A2，A4，
A6}
K=3
而 Ω={A1 ， A2 ， A3 ， A4 ， A5 ， A6} P(Ai)=1/6
cN n
)
（熟悉）连续型r.v分布: ①P（x）≥0 ② p(x)dx1
3、正态分布与标准正态分布 ① 指数分布 ② 均匀分布对数正态分布
3、（掌握）正态分布的分位数 P（Z≤1.282） =0.9 则1.282即N（0，1）的0.9分位数记Z0.9
4、不合格品率与PPm(10-6) ,PPb(10-9)
第一章概率统计基本知识
[1]、概率基础知识一、事件与概率 1、（掌握）现象：如果（随机）现象的结果
不止一个（至少两个），且预先不能确定必将出现什么结果，此试验叫随机试验（现象） ①掷硬币试验ω1={正面} ω2={反面} ②检查一件产品是否合格 ω1={合格} ω2={不合格} ③掷一颗骰子 ωi={出现i个点了} i=1， 2……6
性质8：A，B独立，
p ( AB )

概率统计各章节知识点总结.ppt

概率统计各章节总结
第一章
概率的计算
1）统计定义： fn ( A) n 稳定值 P( A)
2）概率的性质：1~5
3）等可能概型：P(
A)
m n
4）条件概率：P(B
A)
k m
P( AB) P( A)
独立
5）乘法定理： P( AB) P( A)P(B A) P(A)P(B)
1 P(A B)
A AB1 U AB2
1 n
n k 1
Xk
P
p
X1, X 2 , , X n , 相互独立
E( Xk ) 同分布
1
n
n k 1
Xk
P
n
X1 , X 2 , , X n , 相互独立
X k n 近似
同分布E( X k ) D( X k ) 2 k1 n
~ N (0,1)
Xn ~ B(n, p)
Xn np
X ~ N (, 2 ) Th1 X ~ N (, 2 n),
Th2
X1, X 2 , , X n (n 1)S 2 2 ~ 2(n 1) 独立
X , S 2
1n X n i1 X i
S 2
1 n1
n i 1
(Xi
X )2
X ~ t(n 1)
Sn
第六章
常用统计量及抽样分布
2统计量
6）全概率公式：P( A) P(B1 )P( A B1 ) P(B2 )P( A B2 )
7）贝叶斯公式：P(B1
A)
P(B1 )P( A B1 ) P( A)
A
B1
互斥
B2
第二章
随机变量概率分布
离散型随机变量
连续型随机变量

概率统计第一章概率论的基础知识

7 (1) P( A B) P( A) P( B) P( AB) 10 3 (2) P( A B) 1 P( A B) 10 2 (3) P( A B) P( A) P( AB) 5
条件概率
已知事件A发生的条件下，事件B发生的概率称为A条件下B的条件概率，记作P(B|A)
27! 3! 9! 9! 9! 50 P( A) N (S ) 203
7 10 10 3 C 27 C 20 C10 18 P( B) N (S ) 203
4、随机取数问题
例4：从1，2，3，4，5诸数中，任取3个排成自左向右的次序，求：（1）
A1 “所得三位数是偶数”的概率？（2） A2 “所得三位数不小于200”的概率？
注
任何事件均对应着样本空间的某个子集.
称事件A发生当且仅当试验的结果是子集A中的元素
例1
定义
E4: 掷一颗骰子，考察可能出现的点数。 S4={1,2,3,4,5,6}; A=“掷出偶数点” B=“掷出大于4的点 ” ={2，4，6} ={5，6} C=“掷出奇数点”={1，3，5}
样本空间的子集称为随机事件。

n n1 nm 2 ! nm 1 !n n1 nm 1 !
n! n1!....nm !
种取法.
1、抽球问题
例1:设盒中有3个白球，2个红球，现从盒中任抽2个球，求取到一红一白的概率。
解:设事件A为取到一红一白
N (S ) C

2 5
N ( A) C C
一般地，设A、B是S中的两个事件，则
P( AB) P( B | A) P( A)
称为事件A发生的条件下事件B发生的条件概率

计量基础知识概率和术语-不确定度基础知识

P(x)
x0
x0+x
x
概率分布
第一章概率统计的基本知识
第一节基本概念六、概率分布离散型随机变量的概率分布：设离散型随机变量X所有可能取的值为xi(i=1,2, )， X取所有可能值的概率，即事件{X= xi}的概率为P {X= xi}= pi ，则由概率的定义可知： pi≥0，且 P {X= xi}= pi (i=1,2, )为离散型随机变量X的概率分布或分布率。离散型随机变量的概率分布可用表格形式表示。
第二节期望、方差和标准偏差
2、数学期望的运算法则 (1) 常数c的期望等于常数本身，E(c) =c (2) 设X为一随机变量，c为一常数，则E(cX)=cE(X) (3) 设X、Y为两个独立的随机变量，则E(X·Y)=E(X) · E(Y) (4) 设X1，X2….Xn为任意的随机变量， a1，a2…， an是任意常数，则
第一章概率统计的基本知识
第一节基本概念五、概率的一些重要性质例如: 加工某零件100件，要求尺寸在(1000.01)mm，加工后发现尺寸小于99.99的零件有2件，尺寸大于100.01的零件有3件，则尺寸超差的概率为： P(A)=2%+3%=5%
第一章概率统计的基本知识
第一节基本概念六、概率分布（随机变量的）概率分布定义：一个随机变量取任何给定值或属于某一给定值集时的概率随取值变化的函数。测量结果的值和该值出现的概率之间的对应关系称为测量结果的概率分布。
p(t)
t
t分布的概率密度函数
-tp()
-tp()
第三节常用的概率分布
6、t分布其中：为函数，为分布的自由度，当时，t 分布正态分布通常我们所说的1 （k=1）和3 （k=3）所对应的置信概率为68.27%和99.73%指的是正态分布，即自由度为无穷大，在有限次测量的情况下，应为t 分布.

概率论与数理统计基础知识

从集合的角度看

B
A

事件是由某些样本点所构成的一个集合．一个事件发生，当且仅当属于该事件的样本点之一出现．由此可见，样本空间Ω作为一个事件是必然事件，空集Ø作为一个事件是不可能事件，仅含一个样本点的事件称为基本事件．
2. 几点说明
⑴ 随机事件可简称为事件, 并以大写英文字母
A, B, C,
基本事件实例
由一个样本点组成的单点集.
“出现1点”, “出现2点”, … , “出现6点”.
必然事件随机试验中必然会出现的结果. 实例上述试验中 “点数不大于6” 就是必然事件. 不可能事件随机试验中不可能出现的结果. 实例上述试验中 “点数大于6” 就是不可能事件. 必然事件的对立面是不可能事件,不可能事件的对立面是必然事件,它们互称为对立事件.
说明 1. 随机试验简称为试验, 是一个广泛的术语.它包括各种各样的科学实验, 也包括对客观事物进行的 “调查”、“观察”或 “测量” 等. 2. 随机试验通常用 E 来表示. 实例 “抛掷一枚硬币,观察正面,反面出现的情况”.
分析 (1) 试验可以在相同的条件下重复地进行; (2) 试验的所有可能结果: 字面、花面; (3) 进行一次试验之前不能确定哪一个结果会出现. 故为随机试验.
将下列事件均表示为样本空间的子集. (1) 试验 E2 中(将一枚硬币连抛三次，考虑正反面出现的情况),随机事件: A＝“至少出现一个正面” B=“三次出现同一面” C=“恰好出现一次正面” (2) 试验 E6 中(在一批灯泡中任取一只，测试其寿命),D＝“灯泡寿命不超过1000小时”
(1)由S2= {HHH, HHT, HTH, THH，HTT，THT， TTH,TTT}；故: A＝{HHH, HHT, HTH, THH，HTT，THT， TTH}； B={HHH,TTT} C={HTT，THT，TTH} (2) D＝{x: x<1000(小时）}。

概率统计知识点总结

概率统计知识点总结一、概率统计基本概念1. 随机事件和样本空间在概率统计中，随机事件是指在一次试验中可能发生的结果，例如抛硬币的结果可以是正面或反面。

样本空间是指所有可能的结果的集合，例如抛硬币的样本空间为{正面，反面}。

2. 概率和基本概率公式概率是指某一事件在所有可能事件中发生的频率，通常用P(A)表示。

基本概率公式是P(A)=n(A)/n(S)，其中n(A)表示事件A发生的次数，n(S)表示样本空间的大小。

3. 条件概率条件概率是指在事件B已经发生的条件下，事件A发生的概率，通常表示为P(A|B)。

4. 独立事件两个事件A和B称为独立事件，意味着事件A的发生不受事件B的影响，其概率关系为P(A∩B)=P(A)×P(B)。

二、概率统计的数据分析方法1. 描述性统计描述性统计是对数据进行总结和描述的方法，包括平均数、中位数、众数、标准差、极差等指标，用来描述数据的集中趋势、离散程度和分布形状。

2. 探索性数据分析探索性数据分析是一种用图表和统计分析方法探索数据背后的规律和结构的方法，通过绘制图表和计算相关指标，发现数据之间的关系、趋势和异常值。

3. 统计推断统计推断是根据样本数据对总体参数进行推断的方法，包括点估计和区间估计，以及假设检验。

三、概率统计的应用1. 随机过程随机过程是研究随机事件随时间或空间变化的规律性的数学模型，包括马尔可夫过程、布朗运动、泊松过程等，广泛应用于金融、电信、生物等领域。

2. 统计建模统计建模是根据数据建立数学模型，预测未来的趋势和规律，包括线性回归模型、时间序列模型、机器学习模型等。

3. 贝叶斯统计贝叶斯统计是一种基于贝叶斯定理的概率统计方法，它将先验信息和样本数据结合起来，进行参数估计和模型推断，常用于医学、生态学、市场营销等领域。

四、概率统计的挑战和发展1. 大数据与统计随着大数据时代的到来，传统的统计方法和模型已经无法满足大规模、高维度、非结构化数据的分析需求，需要发展新的统计方法和算法。

高一数学知识点：概率统计

高一数学知识点：概率统计一、概率的基本概念概率统计是数学中的一个重要分支，它研究的是随机事件的发生规律和统计规律。

在开始学习概率统计之前，我们首先需要了解概率的基本概念。

1.1 随机试验随机试验是指在相同的条件下，可以重复进行，但每次实验的结果是不确定的，而且每一次试验的结果只能在一定的范围内取值。

1.2 样本空间和样本点样本空间是指所有可能结果的集合，用大写字母Ω表示。

样本点是指样本空间中的一个元素，通常用小写字母ω表示。

1.3 事件和概率事件是指样本空间的一个子集，表示某个特定的结果或一组结果。

通常用大写字母A、B、C等表示事件。

概率是指某个事件发生的可能性大小，用P(A)表示事件A的概率。

二、概率的计算方法掌握概率的计算方法是学习概率统计的关键。

在这里，我们将介绍概率的三种常见计算方法：古典概型、几何概型和统计概型。

2.1 古典概型古典概型是指各个基本事件发生的概率相等的情况。

例如，抛硬币的结果有正面和反面两种可能，两种结果发生的概率相等。

在古典概型中，可以通过计算事件A中的样本点数与样本空间中的样本点数的比值来求得事件A的概率。

公式如下：P(A) = 事件A中样本点的个数 / 样本空间中样本点的个数2.2 几何概型几何概型主要是通过几何空间中的几何对象来描述概率问题。

常见的几何概型有几何概率和条件概率。

几何概型的计算方法通常是通过计算几何对象的面积、体积或长度来求得概率。

2.3 统计概型统计概型是指利用样本调查、统计和推断的方法来计算概率。

统计概型的计算方法通常是通过对观察样本进行统计分析和推断，得出概率的估计值。

三、概率的性质和定理概率具有一些特殊的性质和定理，这些性质和定理对于计算概率和理解概率的规律非常重要。

3.1 加法定理加法定理是概率论中的一个重要定理，它描述了两个事件同时发生的概率。

对于两个事件A和B，加法定理可以表示为：P(A∪B) = P(A) + P(B) - P(A∩B)其中，P(A∪B)表示事件A和B至少发生一个的概率，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。

概率统计基础

1.方差分析的假设条件包括：数据呈正态分布、各组方差相等、样本独立随机抽取。 2.如果假设条件不满足，可能会导致结果不准确或误导性结论。 3.在进行方差分析前，需要对数据进行检验以确保满足假设条件。
方差分析与回归分析
▪ 单因素方差分析
1.单因素方差分析用于比较一个因素多个水平下的均值差异。 2.通过计算F值和P值，可以判断不同组别之间是否存在显著性差异。 3.如果存在显著性差异，需要进一步进行多重比较以确定具体哪些组别之间存在差异。
▪ 多维随机变量的条件概率密度函数
1.条件概率密度函数：在已知部分随机变量取值的情况下，描述剩余随机变量取值的概率密度分布情况的函数。 2.条件概率密度函数的计算：通过联合概率密度函数与边缘概率密度函数的比值得到。
多维随机变量及其分布
▪ 多维随机变量的独立性
1.独立性：如果多维随机变量的联合概率密度函数等于各随机变量边缘概率密度函数的乘积，则称这些随机变量相互独立。 2.判断独立性的方法：通过联合概率密度函数与边缘概率密度函数的比值是否等于1来判断。
▪ 保险精算
1.利用概率模型评估风险：保险精算师使用概率模型来评估潜在的风险，并据此设定保费价格和确定赔付金额。 2.预测损失：通过概率模型，精算师可以预测未来的损失金额，从而确保保险公司的财务稳定性。
▪ 金融衍生品定价
1.随机过程：金融衍生品的价格变动可以通过概率模型，如随机过程，来进行模拟和预测。 2.风险中性概率：在衍生品定价中，利用风险中性概率可以帮助我们确定衍生品的公平价格。
概率统计基础
多维随机变量及其分布
多维随机变量及其分布
▪ 多维随机变量及其分布定义
1.多维随机变量：在一个随机试验中，如果每个可能的结果可以用多个数值来表示，这些数值构成的向量就称为多维随机变量。 2.分布函数：用来描述多维随机变量的概率分布情况的函数，给出任意取值范围内的概率。

概率统计每章知识点总结

概率统计每章知识点总结第一章：基本概念1.1 概率的概念1.2 随机变量及其分布1.3 大数定律和中心极限定理第一章主要介绍了概率统计的基本概念，包括概率的定义、随机变量的概念以及大数定律和中心极限定律。

概率是描述事物发生可能性的数学工具，是对随机事件发生规律的度量和描述。

随机变量是描述随机现象的数学模型，可以用来描述随机现象的特征和规律。

大数定律和中心极限定律则是概率统计中重要的两个定律，它们描述了大量独立随机变量的和的分布规律。

第二章：随机事件的概率计算2.1 古典概型2.2 几何概型2.3 等可能概型2.4 条件概率2.5 独立性第二章主要介绍了随机事件的概率计算方法，包括古典概型、几何概型、等可能概型、条件概率和独立性。

古典概型是指实验的样本空间是有限的且每个样本点的概率相等的情形，可以直接计算出随机事件的概率。

几何概型是指随机事件的概率与其所在的几何形状有关，需要通过几何方法来计算。

等可能概型是指实验的样本空间是有限的，但不同样本点的概率不一定相等，需要通过计算总体概率来计算随机事件的概率。

第三章：随机变量及其分布3.1 随机变量及其分布3.2 数学期望3.3 方差3.4 常用离散型随机变量的分布3.5 常用连续型随机变量的分布第三章主要介绍了随机变量及其分布的知识，包括随机变量的概念、数学期望、方差以及常用的离散型和连续型随机变量的分布。

随机变量是描述随机现象的数学模型，可以是离散型的也可以是连续性的。

数学期望和方差是描述随机变量分布特征的重要指标，它们能够描述随机变量的集中程度和离散程度。

离散型随机变量常用的分布包括伯努利分布、二项分布、泊松分布；连续型随机变量常用的分布包括均匀分布、正态分布、指数分布等。

第四章：多维随机变量及其分布4.1 二维随机变量4.2 多维随机变量4.3 边际分布4.4 条件分布4.5 独立性第四章主要介绍了多维随机变量及其分布的知识，包括二维随机变量、多维随机变量、边际分布、条件分布和独立性。

概率论与数理统计知识点总结(超详细版)

《概率论与数理统计》第一章概率论的基本概念§2．样本空间、随机事件1．事件间的关系 B A ⊂则称事件B 包含事件A ，指事件A 发生必然导致事件B 发生B }x x x { ∈∈=⋃或A B A 称为事件A 与事件B 的和事件，指当且仅当A ，B 中至少有一个发生时，事件B A ⋃发生B }x x x { ∈∈=⋂且A B A 称为事件A 与事件B 的积事件，指当A ，B 同时发生时，事件B A ⋂发生B }x x x { ∉∈=且—A B A 称为事件A 与事件B 的差事件，指当且仅当A 发生、B 不发生时，事件B A —发生φ=⋂B A ，则称事件A 与B 是互不相容的，或互斥的，指事件A 与事件B 不能同时发生，基本事件是两两互不相容的且S =⋃B A φ=⋂B A ，则称事件A 与事件B 互为逆事件，又称事件A 与事件B 互为对立事件2．运算规则交换律A B B A A B B A ⋂=⋂⋃=⋃结合律)()( )()(C B A C B A C B A C B A ⋂=⋂⋃⋃=⋃⋃ 分配律 )()B (C A A C B A ⋃⋂⋃=⋂⋃）（))(()( C A B A C B A ⋂⋂=⋃⋂徳摩根律B A B A A B A ⋃=⋂⋂=⋃ B —§3．频率与概率定义在相同的条件下，进行了n 次试验，在这n 次试验中，事件A 发生的次数A n 称为事件A 发生的频数，比值n n A 称为事件A 发生的频率概率：设E 是随机试验，S 是它的样本空间，对于E 的每一事件A 赋予一个实数，记为P （A ），称为事件的概率 1．概率)(A P 满足下列条件：（1）非负性：对于每一个事件A 1)(0≤≤A P （2）规范性：对于必然事件S 1)S (=P（3）可列可加性：设n A A A ,,,21 是两两互不相容的事件，有∑===nk knk kA P A P 11)()( （n 可以取∞）2．概率的一些重要性质：（i ） 0)(=φP（ii ）若n A A A ,,,21 是两两互不相容的事件，则有∑===nk kn k kA P A P 11)()(（n 可以取∞）（iii ）设A ，B 是两个事件若B A ⊂，则)()()(A P B P A B P -=-，)A ()B (P P ≥ （iv ）对于任意事件A ，1)(≤A P （v ）)(1)(A P A P -=（逆事件的概率）（vi ）对于任意事件A ，B 有)()()()(AB P B P A P B A P -+=⋃§4等可能概型（古典概型）等可能概型：试验的样本空间只包含有限个元素，试验中每个事件发生的可能性相同若事件A包含k个基本事件，即}{}{}{2]1k i i i e e e A =，里个不同的数，则有中某，是，，k k n 2,1i i i ,21 ()中基本事件的总数包含的基本事件数S }{)(1j A n k e P A P kj i ===∑= §5．条件概率（1）定义：设A,B 是两个事件，且0)(>A P ，称)()()|(A P AB P A B P =为事件A 发生的条件下事件B 发生的条件概率（2）条件概率符合概率定义中的三个条件1。

概率统计基础知识

2007年某地区农村居民家庭纯收入
3.统计量
统计量不含总体未知参数的样本函数称为统计量。如：某饮料生产企业用自动罐装机罐装橙汁饮料，每罐标准含量为 500ml，为保证产品的稳定性，需要每隔一定时间检查每罐饮料的含量情况。现抽得10罐，测得其含量为(单位:ml) 495, 510, 498, 503, 492, 502, 505, 512, 497, 506。
f (x) b1a, 当x[a,b]时； 0，其他情况，
则称随机变量 X 服从均匀分布，记为：X~U(a,b)
其均值、方差分别为： E (X)ab, V(aX)r(ba)2
2
12
均匀分布密度函数曲线
指数分布如果随机变量 X 的密度函数为：
f(x)ex p x)(,
则称随机变量 X 服从指数分布，记为：X~E() 其均值、方差分别为： E(X)1, Va (Xr)12
（2）方差与标准差： n (xi x)2 s 2 i1 n 1
（3）变异系数：用于对不同总体或同一总体不同量纲数据离散程度的比较，目的是消除数据水平高低和量纲的影响；
CV
s x
4.抽样分布
抽样分布
某个样本统计量的抽样分布，从理论上说就是在抽取容量为n的样本时，由每一个样本算出的该统计量数值的频数分布或概率分布。
条件概率及概率的乘法法则
条件概率在事件B已发生的条件下，事件A发生的概率，称为事件A在给
定B下的条件概率，记作P(A|B)。其中：P(A|B)＝ P ( A B )
P(B)
例如掷一颗骰子，事件A表示点数为3，事件B表示点数为6，则 P(A|B)表示第一次骰子的点数为6，第二次点数为3的概率。
B
例如

概率论与数理统计各章重点知识整理

概率论与数理统计各章重点知识整理第一章概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(Φ):每次试验中一定不会发生的事件. 二. 事件间的关系和运算1.A ⊂B(事件B 包含事件A )事件A 发生必然导致事件B 发生.2.A ∪B(和事件)事件A 与B 至少有一个发生.3. A ∩B=AB(积事件)事件A 与B 同时发生.4. A -B(差事件)事件A 发生而B 不发生.5. AB=Φ (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=Φ且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则交换律结合律分配律德•摩根律 B A B A = B A B A = 三. 概率的定义与性质1.定义对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(Φ) = 0 , 注意: A 为不可能事件P(A)=0 .(2)有限可加性对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B -A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n()()()()+∑+∑-∑=≤<<≤≤<≤=nk j i k j i nj i j i ni i n A A A P A A P A P A A A P 11121…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0).P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0) 3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则当P(B i )>0时,当P(A)>0, P(B i )>0时,.六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立⇔ P(B)= P (B|A) .2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立.3.n 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P 2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1)(3))X~π(λ)参数为λ的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (λ>0)三.连续型随机变量1.定义如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为θ的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (θ>0).(3)X~N (μ,σ2 )参数为μ,σ的正态分布 222)(21)(σμσπ--=x e x f -∞<x<∞, σ>0.特别, μ=0, σ2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, Φ(-x)=1-Φ(x) .若X ～N ((μ,σ2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z α}= P{Z<-z α}= P{|Z|>z α/2}= α,则点z α,-z α, ±z α/ 2分别称为标准正态分布的上,下,双侧α分位点. 注意：Φ(z α)=1-α , z 1- α= -z α. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法若g(x)处处可导,且恒有g /(x)>0 (或g / (x)<0 ),则Y=g (X)是连续型随机变量,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , α= min (g (-∞),g (∞)) β= max (g (-∞),g (∞)) .如果f (x)在有限区间[a,b]以外等于零,则 α= min (g (a),g (b)) β= max (g (a),g (b)) .第三章二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ∞)=0, F(-∞,y)=0, F(-∞,-∞)=0, F(∞,∞)=1 .(3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 .(2)归一性 ∑∑=i jij p 1 .3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-y xdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度.2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-d x d y y x f . (3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<∞}= F (x , ∞) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<∞, Y ≤y}= F (∞,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=∙i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=∙j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dy y f Y五.相互独立的随机变量1.定义若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称P{X=x i |Y=y j } 为在Y= y j 条件下随机变量X 的条件分布律.同样,对于固定的i,若P{X=x i }>0,则称 P{Y=y j |X=x i }为在X=x i 条件下随机变量Y 的条件分布律.第四章随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛)⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛),}{},{jji j j i p p y Y P y Y x X P ∙=====,}{},{∙=====i j i i j i p p x X P y Y x X P函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差σ(X)=√D(X) . 二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) .2.X,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .4. D(X) = 0⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) 1.X~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) 2.X~ b (n,p) (0<p<1) n pn p (1- p)3.X~ π(λ) λ λ4.X~ U(a,b) (a+b)/2 (b-a) 2/125.X 服从参数为θ的指数分布 θ θ26.X~ N (μ,σ2) μ σ2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i i X X n S 12211 样本标准差S样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布即统计量的分布1.X 的分布不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n . 特别,若X~ N (μ,σ2 ) ,则X ~ N (μ, σ2 /n) .2.χ2分布 (1)定义若X ～N (0,1) ,则Y =∑=ni i X 12~ χ2(n)自由度为n 的χ2分布.(2)性质 ①若Y~ χ2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ χ2(n 1) Y 2~ χ2(n 2) ,则Y 1+Y 2~ χ2(n 1 + n 2). ③若X~ N (μ,σ2 ), 则22)1(σS n -~ χ2(n-1),且X 与S 2相互独立.(3)分位点若Y~ χ2(n),0< α <1 ,则满足αχχχχαααα=<>=<=>--))}(())({()}({)}({22/122/212n Y n Y P n Y P n Y P 的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为χ2分布的上、下、双侧α分位点. 3. t 分布(1)定义若X~N (0,1),Y~ χ2(n),且X,Y 相互独立,则t=nY X ~t(n)自由度为n 的t 分布.(2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (μ,σ2 )时, nS X μ-~ t (n-1) . ③两个正态总体相互独立的样本样本均值样本方差X~ N (μ1,σ12 ) 且σ12=σ22=σ2 X 1 ,X 2 ,…,X n1X S 12Y~ N (μ2,σ22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w(3)分位点若t ~ t (n) ,0 < α<1 , 则满足αααα=>=-<=>)}({)}({)}({2/n t t P n t t P n t t P的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧α分位点. 注意: t 1- α (n) = - t α (n).4.F 分布 (1)定义若U~χ2(n 1), V~ χ2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点若F~ F(n 1,n 2) ,0< α <1,则满足)},({)},({21121n n F F P n n F F P αα-<=>ααα=<>=-))},(()),({(212/1212/n n F F n n F F P的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧α分位点. 注意: .).(1),(12211n n F n n F αα=-第七章参数估计一.点估计总体X 的分布中有k 个待估参数θ1, θ2,…, θk .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμ 解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k μμμθθμμμθθμμμθθ ,以样本矩A l 取代总体矩μ l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A θθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, θ1, θ2,…, θk ),称样本X 1 ,X 2 ,…,X n 的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθ 为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21 ,称为参数θ1, θ2,…,θk 的最大似然估计值,代入样本得到最大似然估计量.若L(θ1, θ2,…, θk )关于θ1, θ2,…, θk 可微,则一般可由似然方程组0=∂∂i L θ 或对数似然方程组 0ln =∂∂iLθ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性若E(∧θ)=θ,则估计量∧θ称为参数θ的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=μk =E(X k ),即样本均值X , 样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩μk 的无偏估计,(2)有效性若E(∧θ1 )=E(∧θ2)= θ, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效. (3)一致性(相合性) 若n →∞时,θθP →∧,则称估计量∧θ是参数θ的相合估计量. 二.区间估计1.求参数θ的置信水平为1-α的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,θ),其中只有一个待估参数θ未知,且其分布完全确定. (2)利用双侧α分位点找出W 的区间(a,b),使P{a<W <b}=1-α.(3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求. 2.单个正态总体待估参数其它参数 W 及其分布置信区间μ σ2已知nX σμ-~N (0,1) (2/ασz n X ±) μ σ2未知 nS X μ-~ t (n-1) )1((2/-±n t n S X α σ2 μ未知 22)1(σS n -~ χ2(n-1) ))1()1(,)1()1((22/1222/2-----n Sn n S n ααχχ 3.两个正态总体 (1)均值差μ 1-μ 2其它参数 W 及其分布置信区间已知2221,σσ22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±-未知22221σσσ== 212111)(n n S Y X w+---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w +-+±-α其中S w 等符号的意义见第六章二. 3 (2)③.(2) μ 1,μ 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比σ12/σ22的置信区间为))1,1(1,)1,1(1(212/12221212/2221----⋅-n n F S S n n F S S αα注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标α/2改为α,另外的下(上)限取为-∞ (∞)即可.。

《概率论与数理统计》第一章知识点

第一章随机事件及概率1.1随机事件1.1.1随机试验一、人在实际生活中会遇到两类现象：1.确定性现象：在一定条件下实现与之其结果。

2.随机现象（偶然现象）：在一定条件下事先无法预知其结果的现象。

二、随机试验满足条件：1.实验可以在相同条件写可以重复进行；（可重复性）2.事先的所有可能结果是事先明确可知的；（可观察性）3.每次实验之前不能确定哪一个结果一定会出现。

（不确定性）1.1.2样本空间1.样本点：每次随机试验E 的每一个可能的结果，称为随机试验的一个样本点，用w 表示。

2.样本空间：随机试验E 的所有样本点组成的集合成为试验E 的样本空间。

1.1.3随机事件1.随机事件：一随机事件中可能发生也可能不发生的事件称为试验的随机事件。

2.基本事件：试验的每一可能的结果称为基本事件。

一个样本点w 组成的单点集{w}就是随机试验的基本事件。

3.必然事件：每次实验中必然发生的事件称为必然事件。

用Ω表示。

样本空间是必然事件。

4.不可能事件：每次试验中不可能发生的事件称为不可能事件，用空集符号表示。

1.1.4事件之间的关系和运算1.事件的包含及相等“如果事件A 发生必然导致事件B 发生”，则称事件B 包含事件A ，也称事件A 是B 的子事件，记作A B B A ⊃⊂或。

2.事件的和（并⋃）“事件A 与B 中至少有一个事件发生”，这样的事件称为事件A 与B 的和事件，记作B A 。

3.事件的积（交⋂）“事件A 与B 同时发生”，这样的事件称作事件A 与B 的积（或交）事件，记作AB B A 或。

4.事件的差“事件A 发生而事件B 不发生”，这样的事件称为事件A 与B 的差事件，记作A-B 。

5.事件互不相容（互斥事件）“事件A 与事件B 不能同时发生”，也就是说，AB 是一个不可能事件，即=AB 空集，即此时称事件A 与事件B 是互不相容的（或互斥的）6.对立事件“若A 是一个事件，令A A -Ω=,称A 是A 的对立事件，或称为事件A 的逆事件”事件A 与事件A 满足关系：=A A 空集，Ω=A A 对立事件一定是互斥事件；互斥事件不一定是对立事件。

概率与统计基本知识点总结

概率与统计基本知识点总结1.概率理论：概率的定义：概率是描述随机事件发生可能性的数值，通常用介于0和1之间的数表示。

概率的基本性质：概率值在0到1之间，且所有可能事件的概率之和为1事件的独立性：两个或多个事件相互独立，意味着一个事件的发生不受其他事件发生与否的影响。

加法法则：若A和B是两个事件，则它们联合发生的概率等于它们各自发生的概率之和减去它们同时发生的概率。

乘法法则：对于两个独立事件A和B，它们同时发生的概率等于它们各自发生的概率之积。

条件概率：事件A在事件B发生的条件下发生的概率，表示为P(A，B)。

贝叶斯定理：根据已知的条件概率，求解另一个条件概率的计算公式。

2.随机变量与概率分布：随机变量：将随机事件的结果映射到实数上的变量。

离散型随机变量：取有限个或可数个值的随机变量。

连续型随机变量：取任意实数值的随机变量。

概率分布：描述随机变量取各个值的概率的函数。

离散型概率分布：包括离散均匀分布、二项分布、泊松分布等。

连续型概率分布：包括连续均匀分布、正态分布、指数分布等。

期望：随机变量的平均值，反映其分布的中心位置。

方差：随机变量偏离其均值的程度，反映其分布的离散程度。

3.统计推断：总体与样本：总体是指研究对象的全体，样本是从总体中抽取的一部分个体。

参数与统计量：总体的数值特征称为参数，样本的数值特征称为统计量。

抽样分布：样本统计量的概率分布。

中心极限定理：在一定条件下，样本容量足够大时，样本的均值近似服从正态分布。

置信区间：用样本统计量作为总体参数的估计范围。

假设检验：通过对样本数据的分析，判断总体参数是否满足其中一种假设。

大一经数概率统计知识点

大一经数概率统计知识点概率统计是一门应用数学的学科，用于研究随机现象的规律性，并基于概率理论对事件发生的可能性进行评估和推测。

作为大一经数专业的学生，了解和掌握概率统计的基本知识点是非常重要的。

本文将介绍一些大一经数概率统计的核心知识点。

一、概率论基础1. 试验和样本空间：概率统计研究的对象是试验，试验的所有可能结果构成样本空间。

2. 随机事件和事件的概率：样本空间中的子集称为随机事件，事件的概率表示事件发生的可能性大小。

3. 概率的公理化定义：概率具有非负性、规范性和可列可加性等基本性质。

4. 频率与概率的关系：频率是指在大量重复试验中事件发生的比例，当试验次数趋于无穷大时，频率趋近于概率。

二、离散型随机变量1. 随机变量的概念：随机变量是指将样本空间映射到实数集上的函数。

2. 离散型随机变量和连续型随机变量：离散型随机变量取有限或可列个值，连续型随机变量可取任意实数值。

3. 离散型随机变量的分布律和概率质量函数：离散型随机变量的分布律描述了各个取值对应的概率。

4. 离散型随机变量的数学期望和方差：数学期望是随机变量取值的加权平均，方差衡量随机变量取值的离散程度。

三、连续型随机变量1. 连续型随机变量的概率密度函数：连续型随机变量的概率密度函数描述了变量在某个取值范围内的概率密度。

2. 连续型随机变量的分布函数：分布函数是随机变量小于等于某个取值的概率。

3. 连续型随机变量的数学期望和方差：数学期望是随机变量取值的加权平均，方差衡量随机变量取值的离散程度。

四、常见概率分布1. 二项分布：描述了n次重复的独立二元试验中成功次数的概率分布。

2. 泊松分布：描述了单位时间或单位空间内事件发生的次数的概率分布。

3. 正态分布：又称为高斯分布，是自然界中许多现象的近似分布，具有对称、钟形曲线的特点。

4. 指数分布：描述了独立事件发生时间间隔的概率分布。

5. 均匀分布：描述了在一定范围内各个取值发生的概率相等的概率分布。

概率统计公式大全(复习重点)

第一章随机事件和概率（1）排列组合公式)!(!nmmP nm-=从m个人中挑出n个人进行排列的可能数。

)!(!!nmnmC nm-=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，则称这机事件种试验为随机试验。

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ω来表示。

基本事件的全体，称为试验的样本空间，用Ω表示。

一个事件就是由Ω中的部分点（基本事件ω）组成的集合。

通常用大写字母A，B，C，…表示事件，它们是Ω的子集。

Ω为必然事件，?为不可能事件。

不可能事件（?）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运算发生）：BA⊂如果同时有BA⊂，AB⊃，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 Y 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BA，它表示A发生而B不发生的事件。

第一章 概率统计基本知识