问概率论与数理统计公式总结

【概率论与数理统计公式总结】在学习概率论与数理统计的过程中，掌握各类公式是理解理论、解决实际问题的关键。以下是对该课程中常用公式的系统性总结，内容以文字说明和表格形式呈现，便于查阅和记忆。

一、基本概念与公式

1. 事件的概率定义

设样本空间为 $ S $，事件 $ A \subseteq S $，则事件 $ A $ 的概率为：

$$

P(A) = \frac{\text{事件 } A \text{ 发生的可能结果数}}{\text{所有可能结果总数}}

$$

2. 概率的基本性质

- $ 0 \leq P(A) \leq 1 $

- $ P(S) = 1 $

- 若 $ A \cap B = \emptyset $，则 $ P(A \cup B) = P(A) + P(B) $

3. 条件概率

在已知事件 $ B $ 发生的前提下，事件 $ A $ 发生的概率为：

$$

P(AB) = \frac{P(A \cap B)}{P(B)}, \quad (P(B) > 0)

$$

4. 全概率公式

若 $ B_1, B_2, \ldots, B_n $ 是一个完备事件组，则对任意事件 $ A $，有：

$$

P(A) = \sum_{i=1}^n P(AB_i)P(B_i)

$$

5. 贝叶斯公式

在已知事件 $ A $ 发生的条件下，事件 $ B_i $ 发生的概率为：

$$

P(B_iA) = \frac{P(AB_i)P(B_i)}{\sum_{j=1}^n P(AB_j)P(B_j)}

$$

二、随机变量及其分布

三、常见分布及其公式

1. 二项分布 $ B(n, p) $

- 概率质量函数：

$$

P(X = k) = C_n^k p^k (1-p)^{n-k}, \quad k = 0, 1, \ldots, n

$$

- 数学期望：$ np $

- 方差：$ np(1-p) $

2. 泊松分布 $ P(\lambda) $

- 概率质量函数：

$$

P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \ldots

$$

- 数学期望：$ \lambda $

- 方差：$ \lambda $

3. 正态分布 $ N(\mu, \sigma^2) $

- 概率密度函数：

$$

f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}}

$$

- 数学期望：$ \mu $

- 方差：$ \sigma^2 $

4. 均匀分布 $ U(a, b) $

- 概率密度函数：

$$

f(x) = \begin{cases}

\frac{1}{b - a}, & a \leq x \leq b \\

0, & \text{其他}

\end{cases}

$$

- 数学期望：$ \frac{a + b}{2} $

- 方差：$ \frac{(b - a)^2}{12} $

四、大数定律与中心极限定理

1. 大数定律（辛钦定理）

设 $ X_1, X_2, \ldots, X_n $ 是独立同分布的随机变量，数学期望为 $ \mu $，则当 $ n \to \infty $ 时：

$$

\frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{P} \mu

$$

2. 中心极限定理

设 $ X_1, X_2, \ldots, X_n $ 是独立同分布的随机变量，均值为 $ \mu $，方差为 $ \sigma^2 $，则当 $ n \to \infty $ 时：

$$

\frac{\sum_{i=1}^n X_i - n\mu}{\sigma \sqrt{n}} \xrightarrow{d} N(0, 1)

$$

五、参数估计与假设检验

六、小结

概率论与数理统计是研究随机现象规律的重要工具，掌握其核心公式对于分析数据、预测趋势、进行科学决策具有重要意义。本文通过文字解释与表格形式，系统整理了相关公式，便于复习与应用。

建议结合教材与例题反复练习，加深对概念的理解与公式的灵活运用。