问概率论与数理统计公式

【概率论与数理统计公式】在概率论与数理统计的学习过程中，掌握关键的公式是理解和应用相关知识的基础。以下是对概率论与数理统计中常用公式的总结，结合文字说明和表格形式进行整理，便于查阅和记忆。

一、基本概念与公式

1. 概率的基本性质

- 非负性：对任意事件 $ A $，有 $ P(A) \geq 0 $

- 规范性：$ P(S) = 1 $，其中 $ S $ 是样本空间

- 可加性：若 $ A_1, A_2, \dots, A_n $ 互斥，则

$$

P\left( \bigcup_{i=1}^n A_i \right) = \sum_{i=1}^n P(A_i)

$$

2. 条件概率

设 $ A $ 和 $ B $ 是两个事件，且 $ P(B) > 0 $，则条件概率为：

$$

P(AB) = \frac{P(A \cap B)}{P(B)}

$$

3. 全概率公式

若事件 $ B_1, B_2, \dots, B_n $ 构成一个完备事件组（即互斥且并集为全集），则对于任意事件 $ A $，有：

$$

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

$$

4. 贝叶斯公式

在已知 $ P(B_i) $ 和 $ P(AB_i) $ 的情况下，求 $ P(B_iA) $：

$$

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

$$

二、随机变量及其分布

1. 离散型随机变量

- 期望：$ E(X) = \sum_{x} x \cdot P(X=x) $

- 方差：$ Var(X) = E(X^2) - [E(X)]^2 $

2. 连续型随机变量

- 期望：$ E(X) = \int_{-\infty}^{+\infty} x f(x) dx $

- 方差：$ Var(X) = \int_{-\infty}^{+\infty} (x - E(X))^2 f(x) dx $

三、常见分布及其公式

四、统计推断基础公式

1. 样本均值与方差

- 样本均值：$ \bar{x} = \frac{1}{n} \sum_{i=1}^n x_i $

- 样本方差：$ s^2 = \frac{1}{n-1} \sum_{i=1}^n (x_i - \bar{x})^2 $

2. 假设检验

- Z 检验统计量（大样本）：

$$

Z = \frac{\bar{x} - \mu_0}{\sigma/\sqrt{n}}

$$

- t 检验统计量（小样本）：

$$

t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}

$$

3. 置信区间

- 总体均值的置信区间（正态或大样本）：

$$

\bar{x} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

$$

五、总结

概率论与数理统计是研究随机现象的数学工具，其核心在于理解概率模型、随机变量的分布特性以及如何从数据中推断总体特征。通过掌握上述公式，可以更高效地分析实际问题，并为后续学习统计推断、回归分析等提供坚实基础。

如需进一步了解某个公式的具体应用场景或推导过程，可继续深入探讨。