概率论与数理统计公式整理(超全免费版)

概率论与数理统计 公式（全） 2011-1-1 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 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 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 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 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：AB，或者AB。AB=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) =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)= = EMBED Equation.3 （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 EMBED Equation.3 。 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 · 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。 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。 分布函数具有如下性质： 1° ； 2° 是单调不减的函数，即 时，有 EMBED Equation.3 ； 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， 。 （5）八大分布 0-1分布 P(X=1)=p, P(X=0)=q 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   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         当a≤x1 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 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： Y X y1 y2 … yj … x1 p11 p12 … p1j … x2 p21 p22 … p2j … xi pi1 … … 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)|ax1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）条件分布 离散型 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： 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 O 1 x 图3.1 y 1 O 2 x 图3.2 y d c O a 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， 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。 ， 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。 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 EMBED Equation.3 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). 第四章 随机变量的数字特征 （1）一维随机变量的数字特征 离散型 连续型 期望 期望就是平均值 设X是离散型随机变量，其分布律为P( )＝pk，k=1,2,…,n， （要求绝对收敛） 设X是连续型随机变量，其概率密度为f(x)， （要求绝对收敛） 函数的期望 Y=g(X) Y=g(X) 方差 D(X)=E[X-E(X)]2， 标准差 ， 矩 ①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即 νk=E(Xk)= , k=1,2, …. ②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为 ，即 = ， k=1,2, …. ①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即 νk=E(Xk)= k=1,2, …. ②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为 ，即 = k=1,2, …. 切比雪夫不等式 设随机变量X具有数学期望E（X）=μ，方差D（X）=σ2，则对于任意正数ε，有下列切比雪夫不等式 切比雪夫不等式给出了在未知X的分布的情况下，对概率 的一种估计，它在理论上有重要意义。 （2）期望的性质 （1） E(C)=C （2） E(CX)=CE(X) （3） E(X+Y)=E(X)+E(Y)， （4） E(XY)=E(X) E(Y)，充分条件：X和Y独立； 充要条件：X和Y不相关。 （3）方差的性质 （1） D(C)=0；E(C)=C （2） D(aX)=a2D(X)； E(aX)=aE(X) （3） D(aX+b)= a2D(X)； E(aX+b)=aE(X)+b （4） D(X)=E(X2)-E2(X) （5） D(X±Y)=D(X)+D(Y)，充分条件：X和Y独立； 充要条件：X和Y不相关。 D(X±Y)=D(X)+D(Y) ±2E[(X-E(X))(Y-E(Y))]，无条件成立。 而E(X+Y)=E(X)+E(Y)，无条件成立。 （4）常见分布的期望和方差 期望 方差 0-1分布 p 二项分布 np 泊松分布 几何分布 超几何分布 均匀分布 指数分布 正态分布 n 2n t分布 0 (n>2) （5）二维随机变量的数字特征 期望 函数的期望 ＝ ＝ 方差 协方差 对于随机变量X与Y，称它们的二阶混合中心矩 为X与Y的协方差或相关矩，记为 ，即 与记号 相对应，X与Y的方差D（X）与D（Y）也可分别记为 与 。 相关系数 对于随机变量X与Y，如果D（X）>0, D(Y)>0，则称 为X与Y的相关系数，记作 （有时可简记为 ）。 | |≤1，当| |=1时，称X与Y完全相关： 完全相关 而当 时，称X与Y不相关。 以下五个命题是等价的： ① ； ②cov(X,Y)=0; ③E(XY)=E(X)E(Y); ④D(X+Y)=D(X)+D(Y); ⑤D(X-Y)=D(X)+D(Y). 协方差矩阵 混合矩 对于随机变量X与Y，如果有 存在，则称之为X与Y的k+l阶混合原点矩，记为 ；k+l阶混合中心矩记为： （6）协方差的性质 (i) cov (X, Y)=cov (Y, X); (ii) cov(aX,bY)=ab cov(X,Y); (iii) cov(X1+X2, Y)=cov(X1,Y)+cov(X2,Y); (iv) cov(X,Y)=E(XY)-E(X)E(Y). （7）独立和不相关 （i） 若随机变量X与Y相互独立，则 ；反之不真。 （ii） 若（X，Y）～N（ ）， 则X与Y相互独立的充要条件是X和Y不相关。 第五章 大数定律和中心极限定理 （1）大数定律 切比雪夫大数定律 设随机变量X1，X2，…相互独立，均具有有限方差，且被同一常数C所界：D（Xi）b。 � �, 0, �, � �, � x<0。 D2 1 D3 1 _1122228458.unknown _1138831170.unknown _1138897299.unknown _1146494091.unknown _1171881388.unknown _1171883483.unknown _1171883676.unknown _1171883814.unknown _1171889875.unknown _1171889882.unknown _1171889859.unknown _1171883771.unknown _1171883622.unknown _1171883646.unknown _1171883561.unknown _1171881742.unknown _1171883383.unknown _1171883394.unknown _1171881770.unknown _1171881622.unknown _1171881704.unknown _1171881533.unknown _1146497828.unknown _1171881292.unknown _1171881308.unknown _1146498369.unknown _1146498580.unknown _1146498603.unknown _1146498622.unknown _1146498464.unknown _1146498499.unknown _1146498514.unknown _1146498385.unknown _1146498077.unknown _1146498130.unknown _1146498021.unknown _1146494112.unknown _1146494144.unknown _1146494098.unknown _1146041437.unknown _1146489704.unknown _1146493850.unknown _1146493998.unknown _1146493290.unknown _1146489433.unknown _1146489564.unknown _1146489632.unknown _1146041719.unknown _1138898317.unknown _1138898782.unknown _1138899469.unknown _1138907120.unknown _1138909755.unknown _1138911001.unknown _1138909766.unknown _1138907307.unknown _1138907326.unknown _1138900468.unknown _1138907094.unknown _1138900442.unknown _1138898958.unknown _1138899303.unknown _1138898839.unknown _1138898464.unknown _1138898581.unknown _1138898758.unknown _1138898537.unknown _1138898427.unknown _1138897742.unknown _1138898200.unknown _1138898284.unknown _1138898107.unknown _1138897547.unknown _1138897731.unknown _1138897414.unknown _1138832877.unknown _1138863542.unknown _1138864451.unknown _1138865171.unknown _1138892456.unknown _1138864933.unknown _1138864963.unknown _1138864541.unknown _1138864372.unknown _1138864439.unknown _1138863663.unknown _1138864337.unknown _1138863143.unknown _1138863419.unknown _1138863008.unknown _1138832284.unknown _1138832634.unknown _1138832791.unknown _1138832474.unknown _1138832182.unknown _1138832214.unknown _1138832109.unknown _1138832114.unknown _1138831417.unknown _1122391249.unknown _1138823653.unknown _1138824936.unknown _1138825903.unknown _1138826017.unknown _1138829943.unknown _1138825407.unknown _1138824529.unknown _1138824810.unknown _1138824473.unknown _1122411053.unknown _1122411285.unknown _1138823168.unknown _1138823310.unknown _1122411373.unknown _1122411420.unknown _1122460150.unknown _1122460171.unknown _1122411405.unknown _1122411328.unknown _1122411330.unknown _1122411307.unknown _1122411324.unknown _1122411177.unknown _1122411213.unknown _1122411234.unknown _1122411249.unknown _1122411197.unknown _1122411193.unknown _1122411067.unknown _1122411090.unknown _1122411167.unknown _1122411137.unknown _1122411082.unknown _1122411058.unknown _1122392355.unknown _1122410109.unknown _1122410366.unknown _1122410461.unknown _1122410792.unknown _1122410667.unknown _1122410442.unknown _1122410306.unknown _1122397361.unknown _1122397566.unknown _1122392398.unknown _1122396834.unknown _1122391279.unknown _1122391455.unknown _1122391260.unknown _1122234635.unknown _1122241758.unknown _1122242681.unknown _1122243764.unknown _1122250761.unknown _1122254896.unknown _1122258420.unknown _1122258550.unknown _1122258815.unknown _1122258877.unknown _1122258967.unknown _1122258920.unknown _1122258869.unknown _1122258870.unknown _1122258820.unknown _1122258737.unknown _1122258754.unknown _1122258736.unknown _1122258735.unknown _1122258380.unknown _1122258419.unknown _1122255175.unknown _1122258332.unknown _1122255168.unknown _1122251381.unknown _1122253099.unknown _1122251137.unknown _1122244326.unknown _1122250476.unknown _1122250693.unknown _1122250025.unknown _1122243817.unknown _1122243870.unknown _1122243771.unknown _1122243071.unknown _1122243563.unknown _1122243681.unknown _1122243687.unknown _1122243595.unknown _1122243623.unknown _1122243136.unknown _1122243198.unknown _1122243361.unknown _1122243172.unknown _1122243121.unknown _1122242762.unknown _1122243061.unknown _1122242800.unknown _1122242718.unknown _1122242389.unknown _1122242498.unknown _1122242503.unknown _1122242486.unknown _1122241934.unknown _1122242001.unknown _1122241774.unknown _1122240259.unknown _1122241619.unknown _1122241719.unknown _1122241723.unknown _1122241711.unknown _1122240336.unknown _1122240355.unknown _1122240307.unknown _1122239821.unknown _1122239884.unknown _1122240179.unknown _1122239857.unknown _1122239535.unknown _1122239568.unknown _1122234762.unknown _1122232289.unknown _1122232994.unknown _1122234201.unknown _1122234499.unknown _1122233089.unknown _1122232345.unknown _1122232526.unknown _1122232671.unknown _1122232713.unknown _1122232588.unknown _1122232429.unknown _1122232316.unknown _1122229335.unknown _1122232232.unknown _1122229419.unknown _1122232131.unknown _1122229081.unknown _1122229268.unknown _1122228685.unknown _1113294241.unknown _1117239358.unknown _1122177816.unknown _1122178491.unknown _1122227419.unknown _1122228063.unknown _1122228141.unknown _1122227489.unknown _1122180131.unknown _1122180245.unknown _1122178531.unknown _1122178004.unknown _1122178250.unknown _1122178289.unknown _1122178204.unknown _1122177952.unknown _1122177980.unknown _1122177841.unknown _1122162865.unknown _1122166318.unknown _1122166670.unknown _1122166697.unknown _1122166431.unknown _1122166153.unknown _1122166258.unknown _1122166163.unknown _1122164518.unknown _1117419651.unknown _1122156863.unknown _1122157622.unknown _1122160993.unknown _1122157147.unknown _1122156815.unknown _1122156826.unknown _1122156750.unknown _1117356932.unknown _1117414633.unknown _1117414743.unknown _1117415129.unknown _1117415158.unknown _1117414862.unknown _1117414677.unknown _1117414353.unknown _1117414583.unknown _1117414322.unknown _1117351149.unknown _1117355917.unknown _1117356034.unknown _1117355819.unknown _1117240392.unknown _1113317963.unknown _1113396526.unknown _1113397864.unknown _1115665675.unknown _1115796882.unknown _1116896317.unknown _1115667073.unknown _1115670363.unknown _1115667088.unknown _1115666766.unknown _1115662919.unknown _1115664430.unknown _1115665314.unknown _1115662752.unknown _1113397431.unknown _1113397498.unknown _1113396939.unknown _1113318195.unknown _1113318559.unknown _1113318723.unknown _1113396172.unknown _1113318241.unknown _1113318095.unknown _1113318170.unknown _1113318011.unknown _1113307769.unknown _1113317433.unknown _1113303920.unknown _1113304297.unknown _1113307534.unknown _1113304163.unknown _1113304223.unknown _1113303125.unknown _1113303185.unknown _1113303112.unknown _1113302948.unknown _1112666093.unknown _1113293340.unknown _1113293376.unknown _1113293588.unknown _1113294213.unknown _1113293390.unknown _1113293361.unknown _1112667859.unknown _1113293295.unknown _1113293330.unknown _1113293273.unknown _1112667460.unknown _1112667490.unknown _1112666807.unknown _1107609608.unknown _1107740363.unknown _1107766076.unknown _1107782654.unknown _1107784302.unknown _1107784464.unknown _1112666052.unknown _1107784697.unknown _1107784359.unknown _1107783605.unknown _1107784197.unknown _1107782914.unknown _1107766675.unknown _1107771403.unknown _1107766339.unknown _1107763364.unknown _1107764990.unknown _1107766032.unknown _1107764652.unknown _1107740433.unknown _1107763318.unknown _1107702894.unknown _1107704616.unknown _1107706099.unknown _1107719265.unknown _1107704635.unknown _1107704578.unknown _1107610930.unknown _1107702775.unknown _1107609660.unknown _1107606186.unknown _1107607897.unknown _1107609353.unknown _1107609510.unknown _1107607563.unknown _1107593558.unknown _1107602842.unknown _1107602997.unknown _1107593456.unknown