概率统计公式大全.docx
《概率统计公式大全.docx》由会员分享,可在线阅读,更多相关《概率统计公式大全.docx(48页珍藏版)》请在冰豆网上搜索。
![概率统计公式大全.docx](https://file1.bdocx.com/fileroot1/2023-1/3/322adbd6-d7a3-4987-aacd-3e3621924b6d/322adbd6-d7a3-4987-aacd-3e3621924b6d1.gif)
概率统计公式大全
概率统计公式大全
第1章随机事件及其概率
(1)排列组合公式
Pmn(m!
)!
从m个人中挑出n个人进(mn)!
行排列的可能数。
cm从m个人中挑出n个人进
n!
(mn)!
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+r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):
论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种方法来元成,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
随机试验和随机事件
(5)基本事件、样本空间和事件
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。
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(基本事件小组成的集合。
通常用大写字母儿B,C,…表示事件,它们是©的子集。
。
为必然事件,0为不可能事件。
不可能事件(0)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(Q)的概率为1,而概率为1
(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):
AB如果同时有AB,BA,则称事件A与事件B等价,或称A等于B:
A=B
AB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ab,它表示A发生而B不发生的事件。
AB同时发生:
AB,或者ABAB=
①,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。
Q-A称为事件A的逆事件,或称A的对立事件,记为a。
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)CAU(BUC)=(AUB)UC
分配率:
(AB)UC=(AUC)n(BUC)(A
UB)nC=(AC)U(BC)
德摩根率:
i1i1ABAB,ABAB
(7)概率的公理化定义
设为样本空间,A为事件,对每一个事件A都有一个实数P(A),若满足下列三个条件:
1°0
2°P(Q)=1
3°对于两两互不相容的事件A1,A2,…有
PAP(Ai)
i1i1
常称为可列(完全)可加性。
则称P(A)为事件A的概率。
(8)古典概型
1°1,2n,
O°1
2P
(1)P
(2)P(n);。
设任一事件A,它是由1,2m组成的,
则有
P(A)=P
(1)
(2)(m)
=P
(1)P
(2)P(m)
mA所包含的基本事件数
n基本事件总数
(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,p(A)L(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=Q时,P(B)=1-P(B)
(12)条件概率
定义设AB是两个事件,且P(A)>0,则称PPAB)为事件A发生条件下,事件B发生的条件概率,记为P(B/A)嗨。
P(A)
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(Q/B)=1P(b/A)=1-P(B/A)
(13)乘法公式
乘法公式:
P(AB)P(A)P(B/A)P(B)P(A/B)
更一般地,对事件A,A,•…A,若P(AA…
An-1)>0,则有
P(A1A2・・・An)P(A1)P(A2|A1)P(A3|A1A2)
P(An|A1A2・・・An1)。
(14)
独立性
1两个事件的独立性
设事件A、B满足P(AB)P(A)P(B),则称事件A、B是相互独立的。
若事件A、B相互独立,且P(A)0,则有
P(AB)P(A)P(B)
P(B|A)P(A)P(A)P(B)
若事件A,B相互独立,则可得到A与B,A与B,A与B也都相互独立。
必然事件和不可能事件①与任何事件都相互独立。
①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B®,Bn满足
1°B1,B2,,Bn两两互不相容,
p(Bi)0(i1,2,,n),
n
oABi
2i1,
则有
P(A)P(B1)P(A|B1)P(B2)P(A|B2)P(Bn)P(A|Bn)。
(16
设事件B1,B2,…,Bn及A满足
1°B1,B2,…,Bn两两互不相容,
P(Bi)>0,i1,2,…,n,
)
n
oABi,_r
2i1,且P(A)0,
贝叶斯
公式
(用于
则
P(Bi/A)nP(Bi)P(A/B),i=1,2,…n。
求'
后验
P(Bj)P(A/Bj)
j1
概率)
此公式即为贝叶斯公式。
骅),(i1,丫,…,n),通、常叫先验概率验概率I。
贝1叶斯公式反映3“通1果称”为的概率规律,并作出了“由果溯因”的推断。
(17)
我们作了n次试验,且满足
每次试验只有两种可能结果,A发
生或A不发生;
n次试验是重复进行的,即A发生的
伯努利
概型
概率每次均一样;
每次试验是独立的,即每次试验A发生与否与其他次试验A发生与否是互不影响的。
这种试验称为伯努利概型,或称为n重伯努利试验。
用p表示每次试验A发生的概率,则A发生的概率为1pq,用Pn(k)表示n重伯努利试验中A出现k(0kn)次的概率,
Pn(k)CnPq,k0,1,2,,n。
第二章随机变量及其分布
设离散型随机变量X的可能取值为X(k=1,2,…)且取各个值的概率,即事件(X=X<)的概率为
P(X=x<)=pk,k=1,2,…,
则称上式为离散型随机变量X的概率分布或分布律。
有时也用分布列的形式给出:
x|X—X2,,xk,
P(Xxk)p1,p2,,pk,。
显然分布律应满足下列条件:
pk1
(1)pk0,k1,2,,
(2)k1。
设F(x)是随机变量X的分布函数,
若
存在非
负函数f(x),对任意实数x,有
x
F(x)f(x)dx
1?
则称X为连续型随机变量。
f(x)称为X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:
2)
1°f(x)0,
连续
2°f(x)dx1
型随
。
X2
3P(X1XX2)f(x)dx,
机变
x
y.O
量的
4若f(x)在点x处连续,则有F'(x)f(x)。
分布
密度
(
P(Xx)P(xXxdx)f(x)dx
3)
积分兀f(x)dx在连续型随机变量理论中所
离散
起的作用与P(xxk)Pk在离散型随机变量
与连
理论中所起的作用相类似。
续型
随机
变量
的关
系
对于离散型随机变量,F(x)p
xkX
x
对于连续型随机变量,F(x)f(x)dx
0-1
分布即
B(1,P)
P(X=1)=p,P(X=0)=q
在n重贝努里试验中,设事件A发
生的概率为P。
事件A发生的次数
是随机变量,设为X,则X可能取
(
值为0,1,2,,n。
5)
P(Xk)Pn(k)C;;pkqnk,其中
八大
q1P,0p1,k0,1,2,,n,
分布
一项
则称随机变量X服从参数为n,p
分布
的二项分布。
记为X〜B(n,p)。
即
当n1时,P(Xk)pkq1k,k0.1,这
B(n,p)
就是0-1分布,所以0-1分布是
二项分布的特例。
设随机变量X的分布律为
k
P(Xk)k!
e,0,
k=
0,1,2…,
泊松分布
即
P()
则称随机变量x服从参数为的
泊松分布,记为X~()或者P()。
泊松分布是二项分布的
极限分布
(np=入,nfx)。
CM?
CNMk0,1,2,l
超几何
分布
()CN'lmin(M,n)
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)。
P(Xk)qk1p,k1,2,3,,其中P>0,
几何
q=1-p。
分布
随机变量X服从参数为分布,记为G(p)。
p的几何
均匀分布
设随机变量X的值只落在[a,b]内,其密度函数心在[a,b]上为常数b1,即
ba
1
f(x)ba,aW其他
则称随机变量X在[a,b]上服从均匀分布,记为X~U(a,b)。
分布函数为
[Qa,
Jba,aL
x
F(x)f(x)dx
1,
当a(X1K)内的概率为
x2x1
P(X1Xx2)21。
ba
1
正态分布
设随机变量X的密度函数为
1(x)2
f(x)圧」,%,
其中、o为常数,则称随机变量X服从参数为、的正态分布或高斯(Gauss)分布,记为
2
X~N(,)。
f(x)具有如下性质:
1°f(x)的图形是关于x对称
的;
2°当X时,f()丁2匚为最大
值;
若X~N(•2),贝X的分布函数为
1x
F(x)丁e2dt
参数0、1时的正态分布称为
标准正态分布,记为X〜N(0,1),其密度函数记为
x2
(x)-j^e2
J2,x,
分布函数为
1x耳
(x)jedt。
(x)是不可积函数,其函数值,已编制成表可供查用。
①(-X)—1-①(x)且
①(0)—1/2
如果X~N(,2),则〜N(0,1)。
P(X1XX2)X2x1。
(
6)
分位
数
下分位表:
P(X)=;上分位表:
P(X)=。
(
7)
函数分布
离散
型
已知X的分布列为
XX1,X2,,xn,
P(XXi)p1,p2,,pn,?
yg(X)的分布列(yig(Xi)互不相等)如下:
Yg(x1),g(x2),,g(xn),
P(丫yi)P1,P2,,pn,
若有某些g(xi)相等,则应将对应的P.相加作为g(x)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)第三章二维随机变量及其分布
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),则称为离散型随机向量。
Y)的所有可能取值
),且事件{=(x「yj)},称
Pij(i,j1,2,)
设=(X,
为(x,,yj)(i,j1,2,的概率为Pij,
P{(X,Y)(x,yj)}
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:
这里Pij具有下面两个性质:
(1)py>0(i,j=1,2,…);
(2)Pj1.
j
连续型
对于二维随机向量(X,Y),如果存在
非负函数f(x,y)(x,y),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)|aP{(X,Y)D}f(x,y)dxdy,
D
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)f(x,y)dxdy1.
(2
)
二维随机变量的本质
(Xx,Yy)(XxYy)
(4)F(,)F(,y)F(x,)0,F(,)1.
F(X2,y2)F(X2,yjF(X1,y?
)Fgyj0.
(
4)
离散型与连续型的关系
P(Xx,Y
y)P(xXxdx,yYydy)f(x,y)dxdy
X的边缘分布为
离散型
P?
P(XXi)Pj(i,j1,2,);
j
Y的边缘分布为
P?
jP(Yyj)Pj(i,j1,2,)。
i
(5
)
边缘分布密度
连续型
X的边缘分布密度为fx(x)f(x,y)dy;
Y的边缘分布密度为
fY(y)f(x,y)dx.
(6)
条件分布
离散型
在已知X=x的条件下,Y取值的条件分布为
Pij
P(Yyj|XXi)—;
Pi?
在已知Y=y的条件下,X取值的条件分布为
Pij
P(XXi|Yyj)丄,
P?
j
连续型
在已知Y=y的条件下,X的条件分布密度为
f(x|y)ff(;
fY(y)‘
在已知X=x的条件下,丫的条件分布密度为
f(y|x)f(x,y)
fx(X)
(
7)
般型
F(X,Y)=Fx(
x)FY(y)
离散型
PijPi?
P?
j
有零不独立
独
f(x,y)=fx(x)fY
立性
连
y)
续型
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。
22
1x12(x1)(y2)y2
12(12)1122f(x,y)212J12e'
维正
其中1.2,1o,20,1i1是5个参数
态
分布
若X,X2,…Xm.Xm+1,…X相互独立,
随机
h,g为连续函数,贝
变量
h(X1,X…X)和g(Xm+1,…%)
的函
相互独立。
数
特例:
若X与丫独立,贝y:
h(X)
和g(Y)独立。
例如:
若X与丫独立,则:
3X+1
和5Y-2独立。
设随机向量(X,Y)的分布密度函数为
22
1x12(x1)(y2)y2
f(x,y)
2
12(12)1122
12J12,
其中1,
2,10,20,||1是5个参数,则称(X,
Y)服从二维正态分布,记为(X,Y)〜N(1,2,12,;,).由边缘密度的计算公式,可以推出二维正
(9)
态分布的两个边缘分布仍为正态分布,
一维
即X〜N(1,12),y~n(2,f).
正态
但是,
若X〜N(1,12),y~n(2,2),(X,Y)
分布
未必是二维正态分布。
根据定义计算:
Fz(z)P(Zz)P(XYz)
对于连续型,fz(z)f(x,zx)dx
Z=
X+Y
两个独立的正态分布的和仍为正态分布(12,122)。
n个相互独立的正态分布的线性组合,仍服从正态分布。
(1
Cii,2Ci2i2
ii
0)
关于随机变量的函数的分布
Z=max,min(
X1,X2,
…Xn)
若X1,X2Xn相互独立,其分布函数分别为f“(x),Fx2(x)FXn(x),则Z=max,min(X1,X2,…Xn)的分布函数为:
Fmax(X)FX1(x)FX2(X)FXn(X)
Fmin(X)1[1Fx1(X)][1Fx2(X)][1Fxn(x)]
2分布
设n个随机变量X1,X2,,X”相互独立,且服从标准正态分布,可以证明它们的平方和
n
WX:
i1
的分布密度为
nu
1-1-
—u2e2u0,
f(u)22n
2
0,u0.
我们称随机变量W服从自由度为n的2分布,记为W2(n),其中
n-1
x2exdx.
20
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。
2分布满足可加性:
设
Yi2(nJ,
则
k
2
ZYi~(n1n2nk).
i1
t分布
设X,Y是两个相互独立的随机变量,且
2
X~N(0,1),Y〜(n),
可以证明函数
TX
T芹
的概率密度为
n1n1
2t2—
f(t)——2—1t(t).
vVnn
2
我们称随机变量T服从自由度为n的t分布,记为T〜t(n)。
t1(n)t(n)
F分布
设X~2(n1),Y~2(n2),且X与Y独立,可以证明FX;n1的概率密度函数
Y/n2
为
n1n2比叫匕
2小2聲1n12
f(v)y1y,y0
f(y丿n1n2n2n2
22
0,y0
我们称随机变量F服从第一个自由度为nt,第二个自由度为n2的F分布,记为F〜f(n1,n2).
1
F1(n1,n2)
F(n2,nJ
第四章随机变量的数字特征
离
散型续型
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(XXk)=
Pk‘k=1,2,…,n,
设X是连续型机变量,其概率度为f(x),
E(X)xf(x)
(要求纟1收敛)
E(X)
(要对收敛)
n
XkPk
k1
昙求绝
Y=g(X
一维随机变量的函
)
(X)
(1)
数的期望
n
E(Y)
k1
g(Xk)Pk
E(Y)g(x)f
维
方差
随机
D(X)=E[X-E(X)
D(X)[xE(X)]2f
变量
]2,
D(X)[Xk
k
E(X)]2pk
的数
标准差
字特
(X)TD(xy,
征
①对于正整数
①对于正整数
k,称随机变量X
称随机变量X
的k次幂的数学
次幂的数学期
期望为X的k阶
为X的k阶原
原点矩,记为
矩,记为Vk,即
Vk,即
v
vk=E(X>
k=E(X)=xkf(x
k
XiPi,
k=1,2,…
矩
i
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k,
②对于正整数称随机变量X
(X)差的k次的数学期望为的k阶中心矩为k,即
kE(XE(X
即
=(XE(X))kf(
kE(XE(X))k
k=1,2,・
k
=(XiE(X))Pi,
i
-1
k=1,2,・・・
■
设随机变量X的数学期望E(卩,方差D(X)=u2,则对于任正数&,有下列切比雪夫不等式
2
切比雪夫不等
式
P(|x|)P
切比雪夫不等式给出了在未知分布的情况下,对概率
P(|xI)
的一种估计,它在理论上有重要义。
(1)
(2)
期望
的性
质
E(C)=C
(2)E(CX)=CE(X)
nn
(3)E(X+Y)=E(X)+E(Y),e(gx」ge(xj
i1i1
(4)E(XY)=E(X)E(Y),充分条件:
X和丫独立;
充要条件:
(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和丫独立
充要条件:
X和Y不关。
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
期望
方差
0-1分布B(1,P)
p
p(1p)
二项分布B(n,P)
np
叩(1p)
泊松分布P()
几何分布G(p)
1
p
1p
2p
超几何分布H(n,M,N)
nM
N
nMMNr
1
NNN1
均匀分布U(a,b)
ab
2
(b