概率论与数理统计公式整理.docxVIP

概率论与数理统计作为研究随机现象规律性的数学分支，其公式体系既是理论基础，也是解决实际问题的关键工具。本文旨在对核心公式进行系统性梳理，并结合其内涵与应用场景进行简要阐释，为学习者提供一份兼具专业性与实用性的参考资料。

一、概率论基础

1.1随机事件与概率

样本空间与随机事件：

样本空间（Ω）：随机试验所有可能结果组成的集合。

随机事件（A,B,C...）：样本空间的子集。

概率的公理化定义：

设E是随机试验，Ω是样本空间。对于E的每一个事件A，赋予一个实数P(A)，若满足：

1.非负性：P(A)≥0；

2.规范性：P(Ω)=1；

3.可列可加性：对于两两互不相容的事件A?,A?,...,A?...,有P(∪A?)=ΣP(A?)，

则称P(A)为事件A的概率。

概率的基本性质：

不可能事件概率：P(?)=0。

有限可加性：若A?,A?,...,A?两两互不相容，则P(∪A?)=ΣP(A?)。

逆事件概率：P(ā)=1-P(A)。

单调性：若A?B，则P(A)≤P(B)，且P(B-A)=P(B)-P(A)。

加法公式：

P(A∪B)=P(A)+P(B)-P(AB)

P(A∪B∪C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)

条件概率与独立性：

条件概率：P(B|A)=P(AB)/P(A)，其中P(A)0。它表示在事件A发生的条件下，事件B发生的概率。

乘法公式：P(AB)=P(A)P(B|A)=P(B)P(A|B)，其中P(A)0,P(B)0。

全概率公式：设A?,A?,...,A?是样本空间Ω的一个划分，且P(A?)0(i=1,2,...,n)，则对任一事件B，有：

P(B)=ΣP(A?)P(B|A?)

其意义在于，将复杂事件B的概率分解为若干简单事件概率的加权和。

贝叶斯公式（逆概率公式）：在全概率公式的条件下，若P(B)0，则对任一i(1≤i≤n)：

P(A?|B)=P(A?)P(B|A?)/ΣP(A?)P(B|A?)

它用于在观察到事件B发生后，反推导致B发生的各种原因A?的概率。

事件的独立性：

若事件A与B满足P(AB)=P(A)P(B)，则称A与B相互独立。

若A与B独立，则A与ā、ā与B、ā与ā也相互独立。

对于三个事件A,B,C，需满足P(AB)=P(A)P(B),P(AC)=P(A)P(C),P(BC)=P(B)P(C)，且P(ABC)=P(A)P(B)P(C)，才称其相互独立。

1.2随机变量及其分布

随机变量的定义：

设随机试验的样本空间为Ω，若对于每一个样本点ω∈Ω，都有唯一的实数X(ω)与之对应，则称X(ω)为随机变量，简记为X。

离散型随机变量：

分布律：P{X=x_k}=p_k,k=1,2,...，满足p_k≥0且Σp_k=1。

常见离散分布：

(0-1)分布：P{X=k}=p?(1-p)1??,k=0,1。

二项分布B(n,p)：P{X=k}=C(n,k)p?(1-p)???,k=0,1,...,n。描述n重伯努利试验中成功次数。

泊松分布P(λ)：P{X=k}=(e^(-λ)λ?)/k!,k=0,1,2,...(λ0)。常用于描述稀有事件发生的次数。

连续型随机变量：

概率密度函数(pdf)f(x)：

1.f(x)≥0；

2.∫?∞?∞f(x)dx=1；

3.P{aX≤b}=∫??f(x)dx。

分布函数F(x)：F(x)=P{X≤x}=∫?∞?f(t)dt。

性质：单调不减，右连续，F(-∞)=0,F(+∞)=1。在f(x)的连续点处，F(x)=f(x)。

常见连续分布：

均匀分布U(a,b)：f(x)=1/(b-a)(axb)，其他情况为0。

指数分布E(λ)：f(x)=λe^(-λx)(x0)，其他情况为0(λ0)。具有“无记忆性”：P{Xs+t|Xs}=P{Xt}。

正态分布N(μ,σ2)：

f(x)=[1/(σ√(2π))]e^[-(x-μ)2/(2σ2)],-∞x+∞。

标准正态分布N(0,1)：φ(x)=[1/√(2π)]e^(-x2/2)，其分布函数记为Φ(x)。

若X~N(μ,σ2)，则Z=(X-μ)/σ~N(0,1)(标准化)。

1.3多维随机变量及其分布

二维随机变量(X,Y)：

联合分布函数：F(x,y