概率公式大全

别妄想泡我
852次浏览
2021年02月18日 02:54
最佳经验
本文由作者推荐

iq测试-

2021年2月18日发(作者:偷天毒犯)



第一章



随机事件和概率



(


1


)排列组



从


m


个人中挑出


n


个人进行排列的可能数。



合公式




从


m


个人中挑出


n

个人进行组合的可能数。



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


(


2


)加法和


方法来完成,则这件事可由


m+n


种方法来完成。



乘法原理



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

< br>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。



重复排列和非重复排列(有序)



(< /p>


3


)一些常


对立事件(至少有一个)



见排列



顺序问题



(


4


)随机试


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


验


和


随


机


事

< p>
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。



件



试验的可能结果称为随机事件。



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。


< p>
(


5


)基本事


这样一组事 件中的每一个事件称为基本事件,用



来表示。



件、样本空间


基本事件的全体,称为试验的样本空间,用



表示。



和事件



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


,


…

< br>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< /p>


1


的事件也不一定是必然事件。



①关系:



如果事件

< br>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

< br>发生而


B


不发生的事件。



(


6


)事件的


A< /p>


、


B


同时发生:


A B


,或者


AB


。

< br>A B=Ø


,则表示


A


与


B


不可能同时发生,称事件


关系与运算



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


∪< /p>


C)=(A


∪


B)


∪


C



分配率:

< br>(AB)


∪


C=(A


∪


C)


∩(B


∪


C)


(A


∪


B)∩C=(AC)

< p>
∪


(BC)



德摩根率:




,




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


(


7


)概率的


件:



公理化定义



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。


< /p>


则称


P(A)


为事件


的概率。



1°



,



2°



。


< /p>


(


8


)古典概


设 任一事件



,它是由



组成的,则有



型



P(A)=


=



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


(


9


)几何概


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


型



任一事件


A


,



。其中


L


为几何度量(长度、面积、体 积)


。



(


1 0


)加法公


P(A+B)=P(A)+P(B)-P(AB)


式



当


P(A B)


=


0


时,


P(A+B)=P(A)+P(B)


P(A-B)=P(A)-P(AB)


(


11


)减法公


当


B A


时,


P(A-B)=P(A)-P(B)


式



当


A=Ω


时,


P( )=1- P(B)


定义



设


A< /p>


、


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


(


12


)条件概


的条件概率,记为



。



率



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)


乘法公式:



(


13


)乘法公


更一般地,对事件


A1


,


A2


,


…A n


,若


P(A1A2…An


-1)>0


,则有



式



… …… …


。



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。



(


14


)独立性



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>



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。


< /p>


对于


n


个事件类似。


设事件



满足



1°



两两互不相容,



,



(


15< /p>


)全概公


2°



,



式



则有



。


< /p>


(


16


)贝叶斯设事件

< br>


,



,


…


,



及



满足




公式



1°



,



,


…


,



两两互不相容,



>0


,



1< /p>


,


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。



我们作了



次试验,且满足



u


每次试验只有两种可能结果,



发生或



不发生;




u


次试验是重复进行的,即



发生的概率每次均一样;



u


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


(


17


)伯努利

< br>响的。



概型



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


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


随机变量的

(X=Xk)


的概率为



分布律



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


设



是随机变量



的分布函数,若存在非负函数



,对任意实数



,有



随机变量的


,



分布密度



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


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


变量的关系



的作用相类似。



(

< br>4


)


分布函


设

< br>


为随机变量,



是任意实数,则函数





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

< p>
落入区间



的概率。分布函数



表示随机变量落入区间(


–



∞


,


x]


内

< p>
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


0-1


分 布



布



二项分布



P(X=1)=p, P(X=0)=q



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,



,


< /p>


,这就是(


0-1


)分布,所以(


0-1


)分布是二项分布


的特例。

< p>


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→∞

< br>)


。



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)


。



,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)


。



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


,







1


,



x>b


。





当


a≤x1< p>
时,


X


落在区间(



)内的概率为



。




,



0,



,





泊松分布



超几何分布



几何分布



均匀分布



指数分布





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;



若



,则



的分布函数为



。


。




参数



、



时的正态分布称为标准正态分布,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


离散型



布



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。



先利用

X


的概率密度


fX(x)


写出


Y


的分布函数


FY(y)

< br>=


P(g(X)≤y)


,


再利用 变上下限积分的求导公式求出


fY(y)


。


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


连续型



第三章



二维随机变量及其分布



(

< p>
1


)


联合分


离散型



布



< p>
为


pij,,


称




为



=< /p>


(


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



x1



x2




xi




y1



p11



p21




pi1




y2



p12



p22






…



…



…




…




yj



p1j



p2j






…



…



…




…




这里


pij


具有下面两个性质:



(


1


)

< p>
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

< p>
邻


边


分


别


平


行


于


坐

标


轴


的


矩


形


区


域


D


,< /p>


即


D={(X,Y)|a


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;



(


2


)



(


2


)


二维随



机变量的本


质



(


3


)


联合分


设(


X


,


Y< /p>


)为二维随机变量,对于任意实数


x,y,


二元函数




布函数



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

< br>


的概率为函数值的一个实值函


数。分布函数

< p>
F(x,y)


具有以下的基本性质:



(


1


)



(


2


)


F


(


x,y


)分别对


x< /p>


和


y


是非减的,即



当


x2>x1


时,有


F


(


x2,y


)

< p>
≥F(x1,y);


当


y2>y1


时,有


F(x,y2) ≥F(x,y1);



(


3


)


F

< p>
(


x,y


)分别对


x


和


y


是右连续的,即




(


4


)



(


5


)对于



.


(


4


)< /p>


离散型



与连续型的


关系


(


5


)


边缘分离散型



X


的边缘分布为




布



;



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




在已知


X=xi

< br>的条件下,


Y


取值的条件分布为




在已知


Y=yj

< br>的条件下,


X


取值的条件分布为




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< /p>




F(X,Y)=FX(x)FY(y)



有零不独立



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




=


0


若


X1 ,X2,…Xm,Xm+1,…Xn


相互独立,



h,g


为连续函


数,则:



h


(


X1


,< /p>


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。



(


6


)


条件分


离散型



布



连续型



(


7


)


独立性



一


般型



离散型



连续型



二维正态分布



随机变量的函数



(

< br>8


)


二维均


设随机向量(


X


,


Y


)的分布密度 函数为




匀分布



其中


SD


为区域


D


的面积,


则称


(


X


,

< br>Y


)


服从


D

上的均匀分布,


记为


(


X


,


Y


)


~


U


(


D


)

< br>。



例如图


3.1


、图


3.2


和图


3.3


。



y



1




D1



O


1



x




图


3.1



y



D2





1


1






O



2


x





图


3.2



y



D3



d




c



O


a


b


x



图


3.3



(


9


)


二维正


设随机向量(


X


,


Y


)的分布密度函数为




态分布



其中



是


5


个参数,则称(

< br>X


,


Y


)服从二维正态分布,< /p>



记为(


X


,< /p>


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< /p>


,


Y)


未必是二维正态分布。

< p>


(


10


)函数


Z=X+Y


分布



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


< br>,


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< /p>


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

< p>
n


的


t


分布,记为


T


~


t(n)


。




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).



离散型



连续型



F


分布



第四章



随机变量的数字特征



(


1


)一



维


随


机


期望< /p>



变


量


的


期望就是平均值



数


字


特


征



函数的期望



设


X


是离散型随机变量,其分布


设


X< /p>


是连续型随机变量,其概率密


律为


P( )


=


pk


,


k =1,2,…,n


,



度为

< p>
f(x)


,





(要求绝对收敛)



(要求绝对收敛)



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


①对于正整数


k


,


称随机变量


X


的


k


k


次幂的数学期望为


X

的


k


阶原点


次幂的数学期望为


X


的


k


阶原点矩,


矩,记为


vk,


即


记为


vk,


即



νk=E(Xk)= , k=1,2, ….



νk=E(Xk)=



②对于正整数< /p>


k


,


称随机变量


X


与



k=1,2, ….



E


(


X


)差的


k


次幂的数学期望为

< p>
②对于正整数


k


,


称随机 变量


X


与


E


X


的


k


阶中心矩,记为

< br>


,即



(

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, ….



=


k=1,2, ….



设随机变量


X

< br>具有数学期望


E


(


X

< p>
)


=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





切比雪夫不等式给出了在未知


X< /p>


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


(


1


)



E(C)=C < /p>


望


的


性


(


2


)



E(CX)=CE(X)


质



(


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


(


1


)



D(C)=0


;


E(C)=C


差


的


性


(

< p>
2


)



D(aX)=a2D(X)


;



E(aX)=aE(X)


质



(


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


0-1


分布



的


期< /p>


望


二项分布



和方差



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




t


分布



(< /p>


5


)二


期望


< /p>


维


随


机


变


量


的


函数的期望


< /p>


数


字


特


征



方差



期望



p



np









n


0




=







方差











2n


(n>2)




=






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

< p>


,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



。



对于随机变量

X


与


Y


,如果

D


(


X


)


>0, D(Y)>0


,则称



< /p>


为


X


与


Y


的相关系数,记作



(有时可简记为



)


。




| |≤1


,当


| |=1

< p>
时,称


X


与


Y

< p>
完全相关:



相关系数




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



;



②


cov(X,Y)=0;


③


E(XY)=E(X)E(Y);


④


D(X+Y)=D(X)+D(Y);


⑤


D(X-Y)=D(X)+D(Y).


协方差矩阵



混合矩




对于随机变量


X


与


Y

< br>,如果有



存在,则称之为


X< /p>


与


Y


的


k+l< /p>


阶混合


原点矩,记为


< br>;


k+l


阶混合中心矩记为:




(


6


)协


(i)


cov (X, Y)=cov (Y, X);


方


差


的


(ii)


cov(aX,bY)=ab cov(X,Y);


性质



(iii)


cov(X1+X2, Y)=cov(X1,Y)+cov(X2,Y);


(iv)


cov(X,Y)=E(XY)-E(X)E(Y).


(


7


)独


(


i


)



若随机变量


X


与


Y

相互独立,则



;反之不真。


< /p>


立


和


不


(


ii


)



若(


X


,


Y


)~


N


(



)


,



相关



则


X< /p>


与


Y


相互独立的充要条件是


X


和


Y


不相关。

< p>


第五章



大数定律和中心极限定理



(


1


)大数定律



< /p>


切


比


雪


设随机变 量


X1


,


X2


,


…


相互独立,均具有有限方差,且被同


夫


大


数


一常数


C


所界:


D


(


Xi


)



则 对于任意的正数


ε


,有




定律




特殊情形:若


X1


,

< br>X2


,


…


具有相同的数学期望< /p>


E


(


XI


)


=μ


,


则上式成为




伯


努


利< /p>


设


μ


是


n


次独立试验中事件


A


发生的次数,

< p>
p


是事件


A


在每次


大


数


定


试验中发生的 概率,则对于任意的正数


ε


,有




律




伯努利大数定律说明,


当试验次数


n< /p>


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


设

X1


,


X2


,

…


,


Xn


,


…


是相互独立同分布的随机变量序列,


数定律



且


E


(

Xn


)


=μ


,则对于任意的正数< /p>


ε


有




(


2


)


中心极限定 理



列


维


-< /p>


设随机变量


X1


,


X2


,


…


相互独立,服从同一分布, 且具有相



林


德

伯


同的数学期望和方差:



,则随机变量



格定理




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。


< br>棣


莫


弗


设随机变量



为具有参数


n, p(0


的二项分布,


则对于任意实


-


拉


普


数


x,


有


iq测试-


iq测试-


iq测试-


iq测试-


iq测试-


iq测试-


iq测试-


iq测试-