概率论与数理统计公式 超全 版
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。
考研概率论与数理统计公式大全
考研概率论与数理统计公式大全1.概率公式：-概率的加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)-概率的乘法公式：P(A∩B)=P(A)P(B，A)=P(B)P(A，B)-全概率公式：P(B)=P(A1)P(B，A1)+P(A2)P(B，A2)+...+P(An)P(B，An)-贝叶斯公式：P(Ai，B)=P(B，Ai)P(Ai)/(P(B，A1)P(A1)+P(B，A2)P(A2)+...+P(B，An)P(An))2.随机变量与分布：- 期望：E(X) = ∑(xP(X=x))或E(X) = ∫(xf(x)dx)- 方差：Var(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2- 协方差：Cov(X, Y) = E[(X - E(X))(Y - E(Y))]- 标准差：SD(X) = sqrt(Var(X))-二项分布：P(X=k)=C(n,k)p^k(1-p)^(n-k)- 泊松分布：P(X = k) = (lambda^k)e^(-lambda) / k!- 正态分布：P(X = x) = (1 / (sqrt(2*pi)*sigma)) * e^(-(x-mu)^2 / (2*sigma^2))3.估计与检验：-极大似然估计：L(θ)=∏(f(x_i;θ))-似然比检验：λ=L(θ)/L(θ0)- 估计的无偏性：E(θ_hat) = θ- 估计的有效性：Var(θ_hat) ≤ Var(θ)- 中心极限定理：对于均值为μ、方差为σ^2的随机变量X，若样本容量n趋于无穷大，则样本均值X_bar的极限分布服从正态分布4.相关与回归：- 相关系数：r = Cov(X, Y) / (SD(X) * SD(Y))-简单线性回归方程：Y=β0+β1X+ε- 最小二乘估计：β1 = Cov(X, Y) / Var(X)- 线性回归预测：Y_hat = β0 + β1X5.抽样分布：- 样本均值分布：X_bar ~ N(μ, σ^2 / n)- 样本比例分布：p_hat ~ N(p, p(1-p) / n)-卡方分布：X^2~χ^2(k)-t分布：T~t(n)-F分布：F~F(m,n)以上是一些概率论与数理统计中常见的公式，希望对你的学习有所帮助。
考研概率论与数理统计公式大全
考研概率论与数理统计公式大全一、概率论部分：1.概率公式：-事件的概率：P(A)=n(A)/n(S)，其中n(A)表示事件A发生的可能性，n(S)表示样本空间S中的样本个数。
-互斥事件的概率：P(A∪B)=P(A)+P(B)。
-非互斥事件的概率：P(A∪B)=P(A)+P(B)-P(A∩B)。
2.条件概率公式：-事件A在事件B发生的条件下发生的概率：P(A，B)=P(A∩B)/P(B)。
3.乘法公式：-事件A、B同时发生的概率：P(A∩B)=P(A)*P(B，A)=P(B)*P(A，B)。
4.全概率公式：-事件A可以由一系列互斥且构成样本空间的事件B1、B2、..、Bn发生的概率：P(A)=P(A∩B1)+P(A∩B2)+...+P(A∩Bn)=ΣP(A∩Bi)。
5.贝叶斯公式：-已知事件A发生的条件下事件B发生的概率：P(B，A)=P(A∩B)/P(A)=P(A，B)*P(B)/P(A)。
6.重要的离散概率分布：-二项分布：P(X=k)=C(n,k)*p^k*(1-p)^(n-k)，其中n为试验次数，k为成功次数，p为每次成功的概率。
-泊松分布：P(X=k)=(λ^k*e^(-λ))/k!，其中λ为单位时间（或单位面积）内随机事件发生的平均次数。
7.重要的连续概率分布：-均匀分布：f(x)=1/(b-a)，其中a为最小值，b为最大值。
-正态分布：f(x)=(1/(σ*√(2π)))*e^(-(x-μ)^2/(2σ^2))，其中μ为均值，σ为标准差。
二、数理统计部分：1.基本概念：-总体：研究对象的全体。
-样本：从总体中抽取的一部分个体。
-参数：总体的特征数值。
-统计量：样本的特征数值。
2.基本统计量：- 样本均值：x̄ = (x1 + x2 + ... + xn) / n，其中x1、x2、..、xn为样本数据，n为样本容量。
- 样本方差：s^2 = ((x1-x̄)^2 + (x2-x̄)^2 + ... + (xn-x̄)^2) / (n-1)。
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大全
第1章随机事件及其概率第二章随机变量及其分布Ihl ttamitai'l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”，张方块”,求条件概率P( B| A), P( B| C) 解 P(A)1 P(A)P(BA)P(AB) P(A)1 c；3CTG ；c3；C 13 C52C52C39—C13一C 13 C 13C 52 C 39—血39P(AB)P(C)C 13C 39 c ；3P(BC)5 26C13C 13C 2652P(B C )P ( BC ) P(C)C13 C 13 C 2613 --------- C 52C 5 C 8C13 C 39C13~ —C 522 6C 13 C 26C 8C39C 为恰有5 C 23C 3113T -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”， P(A) 0.7 P(B) 0.56P(B A)P(AB) P(A)显然P(AB) 0.56 0.7P(B) 0.560.81例 1.21例1.21 某工厂生产的产品以 超过 4件，且具有如下的概率： 一批产品中的次品数 0概率 0.1 0.2现进行抽样检验，从每批中随机抽取 为该批产品不合格。
求一批产品通过检验的概率。
解设B 表示事件 “一批产品通过检验 品”100 1 2 0.4 0.2 件为一批，假定每一批产品中的次品最多不 3 0.1 10件来检验，若发现其中有次品，则认 ”，A (=0,1,234) 表示 ，贝U A 0 ,A 1 , A 2, A 3, A 4组成样本空间的一个划分， C 10C99 C 10C100P(A) 0.1P(B|") 1P(A) 0.2,P (B |A )0.900 P(A)'一批产品含有 0.4,P(B A 2)i 件次P(A 3) 0.2, P(B A 3)c 10崗 0.727 C 100P(A 4)0.1 , P(B A 4)C 10C 96C 10 C0.652C 1098C 101000.8094P ( A k )P ( B |A k ) k 0 顾客买到的一批合格品中，含次品数为0的概率是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贝叶斯公式(Bayes)P(B) P (A 。
概率论与数理统计超全公式总结
E (X )=∑∑x i p i jijxxn+∞ n n−λλkP (X = k ) = e ， (k = 0,1,...)k !(a ≤ x ≤ b )1b − af (x ) =概率论与数理统计公式总结F (x ) = P (X ≤ x ) = ∑P (X = k )k ≤x分布函数 对离散型随机变量F ' (x ) = f (x )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)对连续型随机变量F (x ) = P (X ≤ x ) =∫−∞f (t )dt条件概率公式分布函数与密度函数的重要关系：P (A | B ) =P (AB )P (B )F (x ) = P (X ≤ x ) =∫−∞f (t )dt概率的乘法公式P (AB ) = P (B )P (A | B )= P (A )P (B | A )二元随机变量及其边缘分布分布规律的描述方法全概率公式：从原因计算结果P (A ) = ∑ P (B k )P (A | B k )k =1联合密度函数联合分布函数f (x , y ) ≥ 0f (x , y ) F (x , y )+∞ +∞Bayes 公式：从结果找原因∫−∞ ∫−∞f (x , y )dx dy = 1 0 ≤ F (x , y ) ≤ 1P (B k| A ) = P (B i )P (A | B i ) ∑P (B )P (A | B )F (x , y ) = P {X ≤ x ,Y ≤ y }f (x ) = ∫ f (x , y )d y 联合密度与边缘密度第二章kkk =1Xf Y (y ) = −∞+∞−∞f (x , y )dx二项分布（Bernoulli 分布）——X~B(n,p)P (X =k )=C k p k (1−p)n −k，(k =0,1,...n , ) 泊松分布——X~P(λ)概率密度函数离散型随机变量的独立性P {X = i ,Y = j } = P {X = i }P {Y = j }连续型随机变量的独立性f (x , y ) = f X (x ) f Y (y ) 第三章数学期望离散型随机变量，数学期望定义怎样计算概率P (a ≤ X ≤ b )b连续型随机变量，数学期望定义� E(a)=a ，其中 a 为常数P (a ≤ X ≤ b ) = ∫af (x )d x均匀分布 X~U(a,b)指数分布 X~Exp (θ)• 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+∞∫−∞ f (x )dx = 1+∞E (X ) = ∑x k ⋅P kk =−∞+∞E (X ) = ∫−∞x ⋅ f (x )dxE (g (X )) = ∑ g (x k ) p kk∫Y / nD (X +Y ) = D (X ) + D (Y ) + 2E {(X − E (X ))(Y − E (Y ))} X ~ N (µ,σ2 )i σ 12 σ E (X Y ) = ∑∑x i y j p i jij2σ22−(x −µ) e 12πσf (x ) =不相关不一定独立第四章 正态分布E (X ) = µ,D (X ) = σ2方 差 定义式常用计算式常用公式当 X 、Y 相互独立时：标准正态分布的概率计算 标准正态分布的概率计算公式P (Z ≤ a ) = P (Z < a ) = Φ(a )P (Z ≥ a ) = P (Z > a ) = 1− Φ(a )P (a ≤ Z ≤ b ) = Φ(b ) − Φ(a )P (−a ≤ Z ≤ a ) = Φ(a ) − Φ(−a ) = 2Φ(a ) −1一般正态分布的概率计算一般正态分布的概率计算公式 P (X ≤ a ) = P (X < a ) = Φ(a − µσ ) a − µ方差的性质P (X ≥ a ) = P (X > a ) = 1− Φ( σ)D(a)=0，其中 a 为常数P (a ≤ X ≤ b ) = Φ(b − µ− Φ(a − µD(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E {[X − E (X )][Y − E (Y )]}= E (XY ) − E (X )E (Y )第 五 章卡方分布σ ) σ)n若X ~ N (0,1)，则∑ X 2 ~ χ2(n )i =121n2 2协方差的性质若Y ~ N (µ,σ ),t 分布则 2 ∑(Y i− µ) i =1 ~ χ (n )若X ~ N (0,1), Y ~ χ2(n ),则X ~ t (n )独立与相关独立必定不相关 Cov (aX ,bY ) = abCov (X ,Y )若U ~ χ2 (n ), F 分布正态总体条件下 样本均值的分布：V ~ χ2(n ),则U / n 1 V / n 2~ F (n 1,n 2 )相关必定不独立2X ~ N (µ,)nX − µ~ N (0,1)σ/ n 2− E (X )) ⋅ f (x )dx x +∞−∞∫ D (X ) =( E (XY ) = ∫ ∫ xyf (x , y )dxdy σX ~ N (µ,σ2 ) ⇔ Z = X − µ~ N (0,1)D (X )D (Y )XY ρ =C ov (X ,Y )Cov (X +Y , Z ) = Cov (X , Z ) + Cov (Y , Z )C ov (X , X ) = E (X 2 ) − (E (X ))2 =D (X )Cov (X ,Y ) = E (XY ) − E (X )E (Y )D (X +Y ) = D (X ) + D (Y )D (X ) =E (X 2 ) − [E (X )]2当X 与Y 独立时,E (XY ) = E (X )E (Y )Φ(a ) = 1− Φ(−a ) E (X +Y ) = E (X ) + E (Y )E (X ) = ∫ ∫ xf (x , y )dxdyn ⎠ n ⎠ n ⎠σ2 1 + 2 n 1 n 2 σ2 σ / n(x 1 − x 2 )± z α/ 2 2 2 ⎜ χ χ ⎛ ⎜ ⎟12x ± z样本方差的分布：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(n −1)S 2 ~ χ2 (n −1) X − µ~ t (n −1) 大样本或正态小样本且方差已知σ2两个正态总体的方差之比⎛⎜ ⎜ ⎝S 2 / S 2两个正态总体方差比的置信区间1 2~ F (n 1 −1,σ2 /σ2n 2 −1)2 / S 2 , 2 / S 2⎞ ⎝ F α/ 2 (n 1 −1,n 2 −1) F α/ 2 (n 1 −1,n 2 −1) ⎠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n似然函数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L = Π i =1f (x i ;θ)L = Π i =1p (x i ;θ)拒绝原假设，否则就不拒绝原假设。
概率论与数理统计公式整理(完整精华版)
2° 。
（3）离散与连续型随机变量的关系
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作用相类似。
（4）分布函数
设 为随机变量， 是任意实数，则函数
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。
，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)。
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。
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。
（8）二维均匀分布
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：
Y
X
y1
y2
…
yj
…
x1
p11
p12
…
p1j
…
x2
p21
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。
(完整版)概率论与数理统计公式整理(超全版)
（17）伯努利概型
我们作了 次试验，且满足
每次试验只有两种可能结果， 发生或 不发生；
次试验是重复进行的，即 发生的概率每次均一样；
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。
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。
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。
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。
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、概率论公式1.概率的基本性质：-非负性：对于任意事件A，有P(A)>=0；-规范性：对于必然事件S，有P(S)=1；-可列可加性：对于互不相容的事件Ai（i=1,2,...），有P(A1∪A2∪...)=P(A1)+P(A2)+...。
2.条件概率：-事件B发生的条件下，事件A发生的概率：P(A，B)=P(A∩B)/P(B)；-乘法公式：P(A∩B)=P(A，B)*P(B)。
3.全概率公式：-事件A的概率：P(A)=ΣP(A，Bi)*P(Bi)，其中Bi为样本空间的一个划分。
4.贝叶斯公式：-事件Bi发生的条件下，事件A发生的概率：P(Bi，A)=P(A，Bi)*P(Bi)/ΣP(A，Bj)*P(Bj)，其中Bj为样本空间的一个划分。
5.独立性：-事件A与事件B相互独立的充要条件是P(A∩B)=P(A)*P(B)。
二、数理统计公式1.随机变量的概率分布：-离散型随机变量的概率分布函数：P(X=x)；-连续型随机变量的概率密度函数：f(x)。
2.数理统计的基本概念：-样本均值：X̄=ΣXi/n；-样本方差：s^2=Σ(Xi-X̄)^2/(n-1)；-样本标准差：s=√s^2；- 样本协方差：sxy = Σ(Xi-X̄)(Yi-Ȳ) / (n-1)。
3.大数定律：-样本均值的大数定律：当样本容量n趋向于无穷大时，样本均值X̄趋向于总体均值μ。
4.中心极限定理：-样本均值的中心极限定理：当样本容量n足够大时，样本均值X̄服从近似正态分布。
5.参数估计：-点估计：用样本统计量对总体参数进行估计；-置信区间估计：用样本统计量构造一个区间，以估计总体参数的范围。
6.假设检验：-假设检验的基本步骤：提出原假设H0和备择假设H1，选择适当的检验统计量，计算拒绝域，进行假设检验。
以上只是概率论与数理统计中的一些重要公式和定理，还有很多其他的公式和定理没有一一列举。
掌握这些公式和定理，可以帮助我们更好地理解和应用概率论与数理统计的知识。
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、概率论的常用公式：1.概率的公式：对于事件A，其概率表示为P(A)，满足0≤P(A)≤1。
2.加法公式：对于两个互斥事件A和B，其概率表示为P(A∪B)，满足P(A∪B)=P(A)+P(B)。
3.减法公式：对于事件A和B，其概率表示为P(A∩B)，满足P(A∩B)=P(A)-P(A∪B)。
4.乘法公式：对于两个独立事件A和B，其概率表示为P(A∩B)，满足P(A∩B)=P(A)某P(B)。
5.条件概率公式：对于事件A和B，其条件概率表示为P(A，B)，满足P(A，B)=P(A∩B)/P(B)。
6.全概率公式：对于一组互斥事件B1，B2，...，Bn，以及事件A，有P(A)=∑(P(A，Bi)某P(Bi))。
7.贝叶斯公式：对于一组互斥事件B1，B2，...，Bn，以及事件A，有P(Bi，A)=P(A，Bi)某P(Bi)/(∑(P(A，Bj)某P(Bj))。
二、数理统计的常用公式：1.均值公式：对于一组数据某1，某2，...，某n，其均值表示为μ=∑(某i)/n。
2.方差公式：对于一组数据某1，某2，...，某n，其方差表示为σ^2=∑((某i-μ)^2)/n。
3.标准差公式：对于一组数据某1，某2，...，某n，其标准差表示为σ=√(σ^2)。
4. 协方差公式：对于两组数据某1，某2，...，某n 和 y1，y2，...，yn，其协方差表示为 Cov(某,y) = ∑((某i - μ某) 某 (yi - μy)) / n。
5. 相关系数公式：对于两组数据某1，某2，...，某n 和 y1，y2，...，yn，其相关系数表示为 r = Cov(某,y) / (σ某某σy)。
6.正态分布的概率计算：对于满足正态分布的一组数据某1，某2，...，某n，可以利用标准正态分布表或计算工具来计算概率P(X≤某)或P(X>某)。
7.置信区间公式：对于一组数据某1，某2，...，某n，其均值μ和置信水平α，可以计算置信区间为某̄±Z(α/2)某(σ/√n)。
概率论与数理统计公式整理(超全免费版)79577
但是假如X～N〔 ，(X，Y)未必是二维正态分布。
〔10〕函数分布
Z=X+Y
根据定义计算：
对于连续型，fZ(z)＝
两个独立的正态分布的和仍为正态分布〔 〕。
n个相互独立的正态分布的线性组合，仍服从正态分布。
，
Z=max,min(X1,X2,…Xn)
假如 相互独立，其分布函数分别为 ，如此Z=max,min(X1,X2,…Xn)的分布函数为：
1° 。
2° 。
〔3〕离散与连续型随机变量的关系
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作用相类似。
〔4〕分布函数
设 为随机变量， 是任意实数，如此函数
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]的概率。
〔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)具有以下的根本性质：
〔1〕
〔2〕F〔x,y〕分别对x和y是非减的，即
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，如此这件事可由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
如果一个试验在一样条件下可以重复进展，而每次试验的可能结果不止一个，但在进展一次试验之前却不能断言它出现哪个结果，如此称这种试验为随机试验。
概率论与数理统计公式
概率论与数理统计公式1.概率公式：
1.1概率加法公式：
P(A∪B)=P(A)+P(B)-P(A∩B)
1.2条件概率公式：
P(A，B)=P(A∩B)/P(B)
P(B，A)=P(A∩B)/P(A)
1.3乘法公式：
P(A∩B)=P(A)*P(B，A)
P(A∩B)=P(B)*P(A，B)
1.4全概率公式：
P(A)=ΣP(A，B_i)*P(B_i)
1.5贝叶斯公式：
P(B，A)=P(A，B)*P(B)/P(A)
2.数理统计中的基本概念和公式：
2.1样本均值：
样本均值 = (x1 + x2 + ... + xn) / n
2.2总体均值：
总体均值=(样本均值*n-x)/(n-1)
2.3样本方差：
样本方差 = Σ(xi - x̄)² / (n-1)
2.4总体方差：
总体方差= Σ(xi - µ)² / N
2.5样本标准差：
样本标准差=√(样本方差)
2.6总体标准差：
总体标准差=√(总体方差)
2.7样本中位数：
样本中位数=(x[n/2]+x[(n+1)/2])/2（当n为偶数时）
2.8样本四分位数：
样本四分位数Q1=x[(n+3)/4]
样本四分位数Q3=x[(3n+1)/4]
2.9标准正态分布的累积分布函数的逆函数：
Zα=Φ^(-1)(α)，其中Φ(z)表示标准正态分布的累积分布函数。
2.10卡方分布的累积分布函数的逆函数：
x^2α=χ^2^(-1)(α)，其中χ^2(x)表示卡方分布的累积分布函数。
概率论与数理统计 公式(全)
设事件 B1, B2,, Bn 满足 1° B1, B2,, Bn 两两互不相容， P(Bi) 0(i 1,2,, n) ，
n
A Bi
2°
i1 ，
则有
P(A) P(B1)P(A | B1) P(B2)P(A | B2) P(Bn)P(A | Bn) 。
设事件 B1， B2 ，…， Bn 及 A 满足
布
几 何
P( X k) q k1 p, k 1,2,3, ，其中 p≥0，q=1-p。
分 随机变量 X 服从参数为 p 的几何分布，记为 G(p)。
布
均 匀
设随机变量 X 的值只落在[a，b]内，其密度函数 f (x) 在[a，
分 布
f
(
x)
b
1
a
,
0,
a≤x≤b 其他，
1° B1， B2 ，…， Bn 两两互不相容， P(Bi) >0， i 1，2，…， n ，
n
A Bi
2°
i1 ， P( A) 0 ，
则
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
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）：
A B 如果同时有 A B ， B A ，则称事件 A 与事件 B 等价，或称 A 等于 B：
概率论与数理统计公式整理
概率论与数理统计公式整理一、概率论公式：1.加法公式：P(A∪B)=P(A)+P(B)-P(A∩B)2.乘法公式：P(A∩B)=P(A)×P(B，A)其中，P(A)和P(B)表示事件A和B的概率，P(B，A)表示已知事件A发生的条件下事件B发生的概率。
3.全概率公式：P(A)=∑[P(A，B(i))×P(B(i))]其中，B(i)表示互斥事件组，且它们的概率之和为14.贝叶斯公式：P(B(j)，A)=P(A，B(j))×P(B(j))/∑[P(A，B(i))×P(B(i))]其中，P(B(j)，A)表示已知事件A发生的条件下事件B(j)发生的概率。
5.期望值公式：E(X)=∑[x×P(X=x)]其中，X为一个随机变量，x为X的取值，P(X=x)为X等于x的概率。
6.方差公式：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X的期望值。
二、数理统计公式：1.样本均值公式：样本均值 = (x1 + x2 + ... + xn)/n其中，x1、x2、..、xn为样本中的观测值，n为样本容量。
2.样本方差公式（无偏估计）：样本方差 = [(x1-样本均值)^2 + (x2-样本均值)^2 + ... + (xn-样本均值)^2]/(n-1)3.样本标准差公式（无偏估计）：样本标准差=样本方差的平方根4.正态分布的标准化公式：Z=(X-μ)/σ其中，X为一个正态随机变量，μ为其均值，σ为其标准差，Z为标准正态分布的变量。
5.正态分布的累积分布函数：P(X≤x)=Φ((x-μ)/σ)其中，Φ表示标准正态分布的累积分布函数。
6.样本之间的协方差公式：Cov(X,Y) = ∑[(x(i)-X均值) × (y(i)-Y均值)]/(n-1)其中，X、Y为两个随机变量，x(i)、y(i)为X、Y的观测值，X均值、Y均值分别为X、Y的样本均值，n为样本容量。
概率论与数理统计 公式(全)
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。 ①关系：
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：
Ai Ai
i1
i 1
AB AB，AB AB
（7）概 率的公 理化定 义
0-1 P(X=1)=p, P(X=0)=q
分
布
二 项
在 n 重贝努里试验中，设事件 A 发生的概率为 p 。事件 A
分 布
P( X
k)
Pn(k
)
C
k n
p k q nk ，
其中 q 1 p,0 p
则称随机变量 X 服从参数为 n ， p 的二项分布。记为 X ~
当 n 1时， P( X k) p k q1k ， k 0.1，这就是（0-1
也可表示为 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。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 A 。它表示 A
概率论与数理统计公式超全版
分布满足可加性：设
则
t分布
设X，Y是两个相互独立的随机变量，且
可以证明函数
的概率密度为
我们称随机变量T服从自由度为n的t分布，记为T～t(n)。
F分布
设 ，且X与Y独立，可以证明 的概率密度函数为
我们称随机变量F服从第一个自由度为n1，第二个自由度为n2的F分布，记为F～f(n1, n2).
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，?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）：
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≤b
0，x<a，
?
1，x>b。
当a≤x1<x2≤b时，X落在区间（ ）内的概率为
在已知X=xi的条件下，Y取值的条件分布为
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
(完整版)大学概率论与数理统计公式全集
大学概率论与数理统计公式全集一、随机事件和概率1、随机事件及其概率运算律名称交换律结合律分配律德摩根律2、概率的定义及其计算公式名称求逆公式加法公式条件概率公式乘法公式全概率公式贝叶斯公式（逆概率公式）伯努利概型公式两件事件相互独立相应公式P(AB)=P(A)P(B)表达式A+B=B+A(A+B)+C=A+(B+C)=A+B+CA(B±C)=AB±ACA+B=ABAB=BA(AB)C=A(BC)=ABCA+(BC)=(A+B)(A+C)AB=A+B公式表达式P(A)=1-P(A)P(A+B)=P(A)+P(B)-P(AB)P(B A)=P(AB)P(A)P(AB)=P(A)P(B A)nP(AB)=P(B)P(A B)i iP(B)=∑P(A)P(B A)i=1P(AjB)=P(Aj)P(B Aj)∑P(A)P(B A)j ii=1∞k kPn(k)=Cnp(1-p)n-k,k=0,1,Λn；P(B A)=P(B)；P(B A)=P(B A)；P(B A)+P(B A)=1；P(B A)+P(B A)=1二、随机变量及其分布1、分布函数性质P(X≤b)=F(b)P(a<X≤b)=F(b)-F(a)2、离散型随机变量分布名称0–1分布B(1,p)二项分布B(n,p)泊松分布P(λ)几何分布G(p)超几何分布H(N,M,n)3、连续型随机变量分布名称均匀分布U(a,b)密度函数⎧1⎪b-a,f(x)=⎨⎪0,⎩a<x<b其他分布律P(X=k)=p k(1-p)1-k,k=0,1k kP(X=k)=Cnp(1-p)n-k,k=0,1,Λ,nP(X=k)=e-λλkk!,k=0,1,2,ΛP(X=k)=(1-p)k-1p,P(X=k)=k n-kCMCN-MnCN,k=l,l+1,Λ,min(n,M)k=0,1,2,Λ分布函数0,x<a⎧⎪⎪x-aF(x)=⎨,a≤x<bb-a⎪1,x≥b⎪⎩指数分布E(λ)正态分布N(μ,σ2)标准正态分布N(0,1)f(x)=-λx⎧⎪λe,x>0f(x)=⎨⎪其他⎩0,x<0⎧0,F(x)=⎨-λx1-e,x≥0⎩2πσ⎰2πσ⎰11x12πσe-(x-μ)22σ2-∞<x<+∞F(x)=-∞e-(t-μ)22σ2d tϕ(x)=12πe-x22-∞<x<+∞F(x)=x-∞e-(t-μ)22σ2d t三、多维随机变量及其分布1、离散型二维随机变量边缘分布p i⋅=P(X=xi)=∑P(X=x,Y=y)=∑pi jj jijp⋅j=P(Y=yj)=∑P(X=x,Y=y)=∑pi ji iij2、离散型二维随机变量条件分布p i j =P(X=xiY=yj)=P(X=xi,Y=yj)P(Y=yj)=pijP⋅j,i=1,2Λx yp j i =P(Y=yjX=xi)=P(X=xi,Y=yj)P(X=xi)=pijPi⋅,j=1,2Λ3、连续型二维随机变量(X ,Y)的联合分布函数F(x,y)=⎰-∞⎰-∞f(u,v)dvdu4、连续型二维随机变量边缘分布函数与边缘密度函数边缘分布函数：FX (x)=⎰-∞⎰-∞f(u,v)dvdu边缘密度函数：fX(x)=⎰-∞f(x,v)dvF Y (y)=x+∞+∞⎰⎰y+∞-∞-∞f(u,v)dudv fY(y)=⎰+∞-∞f(u,y)du5、二维随机变量的条件分布fY X (y x)=f(x,y)f(x,y),-∞<y<+∞fX Y(x y)=,-∞<x<+∞fX(x)fY(y)四、随机变量的数字特征1、数学期望离散型随机变量：E(X)=∑xk pk连续型随机变量：E(X)=⎰-∞xf(x)dxk=1+∞+∞2、数学期望的性质(1)E(C)=C,C为常数E[E(X)]=E(X)E(CX)=CE(X)(2)E(X±Y)=E(X)±E(Y)E(aX±b)=aE(X)±b E(C1X1+ΛCnXn)=C1E(X1)+ΛCnE(Xn)(3)若XY相互独立则：E(XY)=E(X)E(Y)(4)[E(XY)]2≤E2(X)E2(Y)3、方差：D(X)=E(X2)-E2(X)4、方差的性质(1)D(C)=0D[D(X)]=0D(aX±b)=a2D(X)D(X)<E(X-C)2(2)D(X±Y)=D(X)+D(Y)±2Cov(X,Y)若XY相互独立则：D(X±Y)=D(X)+D(Y)5、协方差：Cov(X,Y)=E(X,Y)-E(X)E(Y)若XY相互独立则：Cov(X,Y)=06、相关系数：ρXY =ρ(X,Y)=Cov(X,Y)D(X)D(Y)若XY相互独立则：ρXY=0即XY不相关7、协方差和相关系数的性质(1)Cov(X,X)=D(X)Cov(X,Y)=Cov(Y,X)(2)Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y)Cov(aX+c,bY+d)=abCov(X,Y)8、常见数学分布的期望和方差分布0-1分布B(1,p)二行分布B(n,p)泊松分布P(λ)几何分布G(p)超几何分布H(N,M,n)均匀分布U(a,b)正态分布N(μ,σ2)指数分布E(λ)数学期望p方差p(1-p)np(1-p)npλ1pλ1-ppn2nMNM M N-m(1-)N N N-1 a+b2(b-a)212σ2μ1λ1λ2五、大数定律和中心极限定理1、切比雪夫不等式)D (X )若E (X )=μ,D (X )=σ2,对于任意ξ>0有P {X -E (X )≥ξ}≤D (X 或P {X -E (X )<ξ}≥1-22ξξ2、大数定律：若X1ΛXn相互独立且n →∞时，1n(1)若X 1ΛX n 相互独立，E (X i )=μi ,D (X i )=σi 2∑i =1n1Xi−−→nD n∑E (X )ii =1n且σi 21≤M 则：n ∑i =11Xi−−→nP ∑E (X ),(n →∞)ii =1n1nP −→μ(2)若X1ΛXn相互独立同分布，且E (Xi )=μi则当n →∞时：∑X i−ni =13、中心极限定理(1)独立同分布的中心极限定理：均值为μ，方差为σ2>0的独立同分布时，当n 充分大时有：∑X Y n=k =1nk -n μ~−−→N (0,1)n σ(2)拉普拉斯定理：随机变量ηn(n =1,2Λ)~B (n ,p )则对任意x 有：x →+∞lim P {ηn-npnp (1-p )≤x }=⎰x 12π-∞e-t 22dt=Φ(x )n(3)近似计算：P (a ≤∑Xk≤b )=P (a -n μ≤k =1n∑Xk =1k-n μ≤b -n μn σn σn σ)≈Φ(b -n μn σ)-Φ(a -n μn σ)六、数理统计1、总体和样本总体X 的分布函数F (x )样本(X 1,X 2Λ2、统计量(1)样本平均值：X =1n(3)样本标准差：S =Xn)的联合分布为F (x 1,x2Λx n)=∏F (x k)k =1n∑i =1n1X i(2)样本方差：S =n -12∑1(Xi-X )=n -1i =12nn ∑i =1n (Xi2-nX )21n -1∑1(X i -X ) (4)样本k 阶原点距：Ak=ni =12n ∑Xi =1k i,k =1,2Λ(5)样本k 阶中心距：Bk=M k =1n∑(Xi =1n i-X )k ,k =2,3Λ(6)次序统计量：设样本(X 1,X 2Λ序重新排列，得到x (1)≤x(2)≤Λ为样本(X 1,X 2ΛX n)X n)的观察值(x 1,x 2Λx n)，将x 1,x 2Λxn按照由小到大的次≤x(n )，记取值为x (i )的样本分量为X (i )，则称X(1)≤X(2)≤Λ≤X(n )的次序统计量。
概率论与数理统计公式全完整版
概率论与数理统计公式
全
HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】
第1章随机事件及其概率
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q p =-1，用
)(k P n 表示n 重伯努利试验中A 出现)0(n k k ≤≤次的概率，
k n k k
n n q p k P C -=)(，n k ,,2,1,0 =。
第二章 随机变量及其分布
第三章二维随机变量及其分布
第四章随机变量的数字特征
第五章大数定律和中心极限定理
第六章样本及抽样分布
第七章参数估计
第八章假设检验
单正态总体均值和方差的假设检验。
- 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)。
（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
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，?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=?，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。
分布满足可加性：设
则
t分布
设X，Y是两个相互独立的随机变量，且
可以证明函数
记为（X，Y）～N（
由边缘密度的计算公式，可以推出二维正态分布的两个边缘分布仍为正态分布，
即X～N（
但是若X～N（ ，(X，Y)未必是二维正态分布。
（10）函数分布
Z=X+Y
根据定义计算：
对于连续型，fZ(z)＝
两个独立的正态分布的和仍为正态分布（ ）。
n个相互独立的正态分布的线性组合，仍服从正态分布。
，（ ， ，…， ），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
每次试验只有两种可能结果， 发生或 不发生；
次试验是重复进行的，即 发生的概率每次均一样；
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。
（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;
设随机向量（X，Y）的分布密度函数为
其中SD为区域D的面积，则称（X，Y）服从D上的均匀分布，记为（X，Y）～U（D）。
例如图3.1、图3.2和图3.3。
y
1
D1
O1x
图3.1
y
1
O2x
图3.2
y
d
c
Oa b x
图3.3
（9）二维正态分布
设随机向量（X，Y）的分布密度函数为
其中 是5个参数，则称（X，Y）服从二维正态分布，
在已知X=xi的条件下，Y取值的条件分布为
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：
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。
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：
，
Z=max,min(X1,X2,…Xn)
若 相互独立，其分布函数分别为 ，则Z=max,min(X1,X2,…Xn)的分布函数为：
分布
设n个随机变量 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
我们称随机变量W服从自由度为n的 分布，记为W～ ，其中
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。
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?与任何事件都相互独立。
?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)
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。
第1章 随机事件及其概率
（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
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。
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,…，
1° 0≤P(A)≤1，
2° P(Ω) =1
3° 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，
①可分变量
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。
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。
（8）二维均匀分布
。
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；
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≤b
0，x<a，
?
1，x>b。
当a≤x1<x2≤b时，X落在区间（ ）内的概率为
-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：