【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，掌握各类基本概念和核心公式是理解后续内容的关键。本文对概率论与数理统计中常见的公式进行系统性总结，帮助读者快速回顾和应用相关知识。
一、基本概念与定义
| 概念 | 定义 | 公式 | |
| 随机事件 | 在一定条件下可能发生也可能不发生的事件 | A, B, C 等表示 | |
| 样本空间 | 所有可能结果的集合 | S | |
| 概率 | 事件发生的可能性大小 | P(A) ∈ [0,1] | |
| 互斥事件 | 两个事件不能同时发生 | A ∩ B = ∅ | |
| 对立事件 | 两个事件中必有一个发生且仅有一个发生 | A' = S \ A | |
| 条件概率 | 在已知事件B发生的前提下，事件A发生的概率 | P(A | B) = P(A∩B)/P(B), P(B) > 0 |
| 独立事件 | 一个事件的发生不影响另一个事件的概率 | P(A∩B) = P(A)P(B) |
二、概率计算公式
| 类型 | 公式 | 说明 | |||
| 加法公式 | P(A ∪ B) = P(A) + P(B) - P(A∩B) | 适用于任意两个事件 | |||
| 乘法公式 | P(A∩B) = P(A)P(B | A) | 用于求两个事件同时发生的概率 | ||
| 全概率公式 | P(A) = ΣP(B_i)P(A | B_i) | 当B₁, B₂,…, B_n 是完备事件组时 | ||
| 贝叶斯公式 | P(B_i | A) = [P(B_i)P(A | B_i)] / ΣP(B_j)P(A | B_j) | 用于由结果反推原因的概率 |
三、随机变量及其分布
1. 离散型随机变量
| 分布类型 | 概率质量函数（PMF） | 数学期望 | 方差 |
| 二项分布 | P(X=k) = C(n,k)p^k(1-p)^{n-k} | np | np(1-p) |
| 泊松分布 | P(X=k) = e^{-λ}λ^k/k! | λ | λ |
| 几何分布 | P(X=k) = (1-p)^{k-1}p | 1/p | (1-p)/p² |
2. 连续型随机变量
| 分布类型 | 概率密度函数（PDF） | 数学期望 | 方差 |
| 均匀分布 | f(x) = 1/(b-a), a ≤ x ≤ b | (a+b)/2 | (b-a)²/12 |
| 正态分布 | f(x) = 1/√(2πσ²) e^{-(x-μ)²/(2σ²)} | μ | σ² |
| 指数分布 | f(x) = λe^{-λx}, x ≥ 0 | 1/λ | 1/λ² |
四、统计量与抽样分布
| 统计量 | 定义 | 公式 |
| 样本均值 | 一组样本数据的平均值 | $\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$ |
| 样本方差 | 数据与均值的平方差平均 | $S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2$ |
| 标准正态分布 | 均值为0，方差为1的正态分布 | Z ~ N(0,1) |
| t 分布 | 用于小样本下的均值检验 | t = (X̄ - μ)/(S/√n) |
| 卡方分布 | 多个独立标准正态变量的平方和 | χ² = ΣZ_i² |
五、参数估计与假设检验
| 方法 | 目的 | 公式/方法 |
| 点估计 | 用样本数据估计总体参数 | 如：最大似然估计、矩估计 |
| 区间估计 | 给出一个范围，包含真实参数 | 如：置信区间公式 |
| 假设检验 | 判断某种假设是否成立 | 原假设 H₀，备择假设 H₁，显著性水平 α |
| 显著性检验 | 通过统计量判断是否拒绝原假设 | 如：Z检验、t检验、卡方检验 |
六、常用统计检验方法
| 检验类型 | 应用场景 | 公式/方法 |
| Z检验 | 大样本均值检验 | Z = (X̄ - μ)/(σ/√n) |
| t检验 | 小样本均值检验 | t = (X̄ - μ)/(S/√n) |
| 卡方检验 | 分类数据的独立性检验 | χ² = Σ[(O - E)²/E] |
| F检验 | 比较两组方差 | F = S₁²/S₂² |
通过以上表格形式的总结，可以清晰地看到概率论与数理统计中各个重要公式的应用场景和计算方式。希望这份总结能够帮助你在学习或复习过程中更加高效地掌握相关知识点。