概率论与数理统计公式，概率论与数理统计公式汇总

发布时间：2025-07-14 热度：106

概率论与数理统计公式，概率论与数理统计公式汇总

概率论基本公式

1. 加法公式

公式：对于任意两个事件A和B，有(P(A \cup B) = P(A) + P(B) - P(A \cap B))。

解释：加法公式用于计算事件A或事件B发生的概率。它的原理是将事件A和事件B的概率相加，但由于它们的交集部分被重复计算了一次，所以需要减去(P(A \cap B))。

示例：假设我们掷一个骰子，事件A为“掷出的点数为偶数”，事件B为“掷出的点数大于3”。那么，(P(A) = \frac{3}{6})，(P(B) = \frac{3}{6})，而(P(A \cap B) = \frac{1}{6})（即掷出的点数为4或6的概率）。因此，根据加法公式，(P(A \cup B) = \frac{3}{6} + \frac{3}{6} - \frac{1}{6} = \frac{5}{6})。

2. 减法公式

公式：对于任意事件A和B，有(P(A - B) = P(A) - P(A \cap B))。

解释：减法公式用于计算事件A发生而事件B不发生的概率。它的原理是从事件A的概率中减去事件A和事件B同时发生的概率。

示例：继续使用上面的例子，事件A为“掷出的点数为偶数”，事件B为“掷出的点数大于3”。那么，(P(A - B))表示掷出的点数为2的概率，即(P(A - B) = P(A) - P(A \cap B) = \frac{3}{6} - \frac{1}{6} = \frac{2}{6} = \frac{1}{3})。

3. 乘法公式

公式：对于任意两个事件A和B，有(P(A \cap B) = P(A) \cdot P(B|A))，其中(P(B|A))表示在事件A发生的条件下事件B发生的概率。

解释：乘法公式用于计算事件A和事件B同时发生的概率。如果事件A和事件B是相互独立的（即事件A的发生不影响事件B的发生概率），那么(P(B|A) = P(B))，此时公式简化为(P(A \cap B) = P(A) \cdot P(B))。

示例：假设我们有一个袋子，里面有5个红球和3个蓝球。连续两次从袋子里取出球，每次取完后都放回。设事件A为“第一次取出红球”，事件B为“第二次取出红球”。由于每次取球都是独立的，所以(P(A) = \frac{5}{8})，(P(B) = \frac{5}{8})。根据乘法公式，(P(A \cap B) = P(A) \cdot P(B) = \frac{5}{8} \times \frac{5}{8} = \frac{25}{64})。

4. 全概率公式

公式：设(B_1, B_2, \ldots, B_n)是样本空间(\Omega)的一个划分（即(B_i)两两互斥且(\bigcup_{i=1}^n B_i = \Omega)），且(P(B_i) > 0)，(i = 1, 2, \ldots, n)，则对于任意事件A，有(P(A) = \sum_{i=1}^n P(A|B_i) \cdot P(B_i))。

解释：全概率公式用于计算复杂事件的概率。它的原理是将样本空间划分为若干个互斥的子事件，然后分别计算在每个子事件发生的条件下目标事件的概率，最后将这些概率加权求和。

示例：假设有三个工厂生产同一种产品，工厂一、二、三的产量分别占总产量的30%、20%和50%。工厂一、二、三的次品率分别为5%、4%和3%。现在从这批产品中随机抽取一件，求抽到次品的概率。设事件A为“抽到次品”，(B_1)、(B_2)、(B_3)分别表示抽到的产品来自工厂一、二、三。则(P(B_1) = 0.3)，(P(B_2) = 0.2)，(P(B_3) = 0.5)，(P(A|B_1) = 0.05)，(P(A|B_2) = 0.04)，(P(A|B_3) = 0.03)。根据全概率公式，(P(A) = P(A|B_1) \cdot P(B_1) + P(A|B_2) \cdot P(B_2) + P(A|B_3) \cdot P(B_3) = 0.05 \times 0.3 + 0.04 \times 0.2 + 0.03 \times 0.5 = 0.038)。

5. 贝叶斯公式

公式：设(B_1, B_2, \ldots, B_n)是样本空间(\Omega)的一个划分，且(P(A) > 0)，(P(B_i) > 0)，(i = 1, 2, \ldots, n)，则(P(B_j|A) = \frac{P(A|B_j) \cdot P(B_j)}{\sum_{i=1}^n P(A|B_i) \cdot P(B_i)})，(j = 1, 2, \ldots, n)。

解释：贝叶斯公式用于在已知结果的情况下，计算导致该结果的各种原因的概率。它通过条件概率和全概率公式，将先验概率（原因的概率）转化为后验概率（在结果已知的情况下原因的概率）。

示例：继续使用上面的例子，假设我们已经抽到了一个次品，求这个次品来自工厂一的概率。根据贝叶斯公式，(P(B_1|A) = \frac{P(A|B_1) \cdot P(B_1)}{P(A)} = \frac{0.05 \times 0.3}{0.038} \approx 0.395)。

6. 条件概率公式

公式：对于任意两个事件A和B，有(P(B|A) = \frac{P(A \cap B)}{P(A)})，其中(P(A) > 0)。

解释：条件概率公式用于计算在事件A发生的条件下事件B发生的概率。它表示在已知事件A发生的情况下，事件B发生的可能性。

示例：假设我们有一副扑克牌，共52张牌。事件A为“抽出的牌是红桃”，事件B为“抽出的牌是K”。那么，(P(A) = \frac{13}{52})，(P(A \cap B) = \frac{1}{52})（因为只有一张红桃K）。根据条件概率公式，(P(B|A) = \frac{P(A \cap B)}{P(A)} = \frac{\frac{1}{52}}{\frac{13}{52}} = \frac{1}{13})。

7. 独立性公式

公式：两个事件A和B相互独立当且仅当(P(A \cap B) = P(A) \cdot P(B))。

解释：独立性公式用于判断两个事件是否相互独立。如果两个事件相互独立，意味着一个事件的发生不影响另一个事件的发生概率。

示例：假设我们掷两个骰子，事件A为“第一个骰子掷出的点数为1”，事件B为“第二个骰子掷出的点数为6”。显然，这两个事件是相互独立的，因为第一个骰子的结果不会影响第二个骰子的结果。因此，(P(A) = \frac{1}{6})，(P(B) = \frac{1}{6})，(P(A \cap B) = P(A) \cdot P(B) = \frac{1}{6} \times \frac{1}{6} = \frac{1}{36})。

数理统计基本公式

1. 均值（期望）公式

公式：对于离散型随机变量X，其均值（期望）(E(X))定义为(E(X) = \sum_{i} x_i \cdot P(X = x_i))，其中(x_i)是X的取值，(P(X = x_i))是取值(x_i)的概率。对于连续型随机变量X，其均值（期望）(E(X))定义为(E(X) = \int_{-\infty}^{\infty} x \cdot f(x) dx)，其中(f(x))是X的概率密度函数。

解释：均值（期望）是随机变量取值的加权平均，它反映了随机变量的中心位置。

示例：假设我们有一个离散型随机变量X，其取值为1、2、3，对应的概率分别为0.2、0.5、0.3。那么，(E(X) = 1 \times 0.2 + 2 \times 0.5 + 3 \times 0.3 = 2.1)。

2. 方差公式

公式：对于随机变量X，其方差(Var(X))定义为(Var(X) = E[(X - E(X))^2])。可以展开为(Var(X) = E(X^2) - [E(X)]^2)。

解释：方差衡量的是随机变量与其均值的偏离程度，它反映了随机变量的离散程度。

示例：继续使用上面的例子，(E(X^2) = 1^2 \times 0.2 + 2^2 \times 0.5 + 3^2 \times 0.3 = 4.9)，则(Var(X) = E(X^2) - [E(X)]^2 = 4.9 - 2.1^2 = 0.49)。

3. 标准差公式

公式：标准差(\sigma)是方差的平方根，即(\sigma = \sqrt{Var(X)})。

解释：标准差与方差的意义相同，都是衡量随机变量离散程度的指标，但标准差的单位与随机变量的单位相同，使用起来更加直观。

示例：由上面的计算可知，(Var(X) = 0.49)，则(\sigma = \sqrt{0.49} = 0.7)。

4. 协方差公式

公式：对于两个随机变量X和Y，其协方差(Cov(X, Y))定义为(Cov(X, Y) = E[(X - E(X))(Y - E(Y))])。

解释：协方差用于衡量两个随机变量之间的线性关系。如果(Cov(X, Y) > 0)，表明X和Y倾向于同时增加或减少，即正相关；如果(Cov(X, Y) < 0)，表明X增加时Y倾向于减少，反之亦然，即负相关；如果(Cov(X, Y) = 0)，表明X和Y之间没有线性关系，但可能存在其他非线性关系。

示例：假设我们有两个随机变量X和Y，(E(X) = 2)，(E(Y) = 3)，((X - E(X))(Y - E(Y)))的可能取值为((-1)(-1) = 1)、((0)(0) = 0)、((1)(1) = 1)，对应的概率分别为0.2、0.6、0.2。则(Cov(X, Y) = 1 \times 0.2 + 0 \times 0.6 + 1 \times 0.2 = 0.4)，表明X和Y之间存在正相关关系。

5. 相关系数公式

公式：对于两个随机变量X和Y，其相关系数(\rho(X, Y))定义为(\rho(X, Y) = \frac{Cov(X, Y)}{\sqrt{Var(X) \cdot Var(Y)}})。

解释：相关系数是标准化后的协方差，取值范围在-1到1之间。(\rho = 1)表示完全正相关，(\rho = -1)表示完全负相关，(\rho = 0)表示无线性相关。

示例：继续使用上面的例子，假设(Var(X) = 1)，(Var(Y) = 1.6)，则(\rho(X, Y) = \frac{0.4}{\sqrt{1 \times 1.6}} = 0.316)，表明X和Y之间存在较弱的正相关关系。

6. 大数定律

公式：设(X_1, X_2, \ldots, X_n)是独立同分布的随机变量序列，且(E(X_i) = \mu)，(Var(X_i) = \sigma^2)，(i = 1, 2, \ldots, n)。则对于任意正数(\epsilon)，有(\lim_{n \to \infty} P\left(\left|\frac{1}{n} \sum_{i=1}^n X_i - \mu\right| \geq \epsilon\right) = 0)。

解释：大数定律表明，随着样本容量的增加，样本均值趋近于总体均值。这是概率论中的一个基本定理，为许多统计推断提供了理论基础。

示例：考虑掷硬币的实验，设正面朝上的概率为(p = 0.5)，反面朝上的概率为(1 - p = 0.5)。每次掷硬币的结果是一个随机变量(X_i)，取值为1（正面）或0（反面）。(E(X_i) = 0.5)，(Var(X_i) = 0.5 \times (1 - 0.5) = 0.25)。当掷硬币的次数(n)足够大时，样本均值(\frac{1}{n} \sum_{i=1}^n X_i)趋近于总体均值(0.5)。

7. 中心极限定理

公式：设(X_1, X_2, \ldots, X_n)是独立同分布的随机变量序列，且(E(X_i) = \mu)，(Var(X_i) = \sigma^2)，(i = 1, 2, \ldots, n)。则当(n)趋向于无穷大时，(\frac{\sum_{i=1}^n X_i - n\mu}{\sqrt{n}\sigma})近似服从标准正态分布(N(0, 1))。

解释：中心极限定理表明，无论原始随机变量服从何种分布，只要样本容量足够大，其样本均值的分布就近似于正态分布。这一定理在统计学中具有极其重要的地位，因为正态分布在理论和实际应用中都非常方便处理。

示例：假设我们从一个均匀分布(U(0, 1))中抽取样本容量为(n = 100)的样本(X_1, X_2, \ldots, X_{100})。尽管原始分布不是正态分布，但根据中心极限定理，样本均值(\bar{X} = \frac{1}{n} \sum_{i=1}^n X_i)的分布近似于正态分布(N(\mu = 0.5, \sigma^2 = \frac{1}{12n}))。

总结

概率论与数理统计中的公式是揭示和探索随机现象背后规律的有力工具。通过这些公式，我们可以量化不确定性，做出科学的决策。无论是在学术研究还是在实际生活中，理解和应用这些公式都具有重要意义。