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
快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题
（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：AB，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=Φ，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。Ω-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)CA∪(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)=P=（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BA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)=1P(/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Φ与任何事件都相互独立。Φ与任何事件都互斥。②多个事件的独立性设A，B，C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）全概率公式设事件满足1°两两互不相容，，2°，则有。（16）贝叶斯公式（用于求后验概率）设事件，，…，及满足1°，，…，两两互不相容，>0，1，2，…，，2°，且，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“由果溯因”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°,4°。（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]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，。（5）八大分布0-1分布即B(1,p)P(X=1)=p,P(X=0)=q二项分布即B(n,p)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。泊松分布即P()设随机变量的分布律为，，k=0,1,2…，则称随机变量服从参数为的泊松分布，记为或者P()。泊松分布是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
b。 当a≤x1x1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）边缘分布密度离散型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联合概率密度函数可分离变量。②正概率密度区间为矩形。二维正态分布其中是5个参数随机变量的函数若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。y1D1O1x图3.1yD211O2x图3.2yD3dcOabx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）关于随机变量的函数的分布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）一维随机变量的函数的期望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的数学期望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E(C)=CE(CX)=CE(X)E(X+Y)=E(X)+E(Y)，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D(C)=0；E(C)=CD(aX)=a2D(X)；E(aX)=aE(X)D(aX+b)=a2D(X)；E(aX+b)=aE(X)+bD(X)=E(X2)-E2(X)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n2nt分布0(n>2)（5）二维随机变量的数字特征期望二维随机变量的函数的期望＝＝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=E(XY)-E(X)E(Y)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，有时可简记为，且||≤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)=abcov(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；反之不成立。(ⅱ)若（X，Y）～N（），则X与Y相互独立等价于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，即D（Xi）0，有特殊情形：若X1，X2，…具有相同的数学期望E（XI）=μ，则上式成为伯努利大数定律设μ是n次独立试验中事件A发生的次数，p是事件A在每次试验中发生的概率，则对于任意的正数ε，有伯努利大数定律说明，当试验次数n很大时，事件A发生的频率与概率有较大判别的可能性很小，即这就以严格的数学形式描述了频率的稳定性。辛钦大数定律设X1，X2，…，Xn，…是相互独立同分布的随机变量序列，且E（Xn）=μ，则对于任意的正数ε有（2）中心极限定理林德伯格－列维定理设随机变量X1，X2，…相互独立，服从同一分布，且具有相同的数学期望和方差：，则随机变量的分布函数Fn(x)对任意的实数x，有此定理也称为独立同分布的中心极限定理。棣莫弗－拉普拉斯定理设随机变量服从B(n,p)(0
规定
关于下班后关闭电源的规定党章中关于入党时间的规定公务员考核规定下载规定办法文件下载宁波关于闷顶的规定
的检验法则，应当拒绝H0。这时，我们把客观上H0成立判为H0为不成立（即否定了真实的假设），称这种错误为“以真当假（弃真）”的错误或第一类错误，记为犯此类错误的概率，即P{否定H0|H0为真}=；此处的α恰好为检验水平。第二类错误当H0为假（即H1为真）时，而样本值却落入了接受域，按照我们规定的检验法则，应当接受H0。这时，我们把客观上H0。不成立判为H0成立（即接受了不真实的假设），称这种错误为“以假当真（受假）”的错误或第二类错误，记为犯此类错误的概率，即P{接受H0|H1为真}=。拒绝域、接受域都是针对零假设H0而言。注：零假设H0总是有等号（包含大于等于或小于等于）。两类错误的关系人们当然希望犯两类错误的概率同时都很小。但是，当样本容量n一定时，变小，则变大；相反地，变小，则变大。取定要想使变小，则必须增加样本容量。在实际使用时，通常人们只能控制犯弃真错误的概率，即给定显著性水平α。α大小的选取应根据实际情况而定。当我们宁可“以假为真”、而不愿“以真当假”时，则应把α取得很小，如0.01，甚至0.001。反之，则应把α取得大些。单正态总体均值和方差的假设检验条件零假设统计量对应样本函数分布拒绝域已知N（0，1）未知未知
浙公网安备 33021202002483