【概率论与数理统计公式】在学习和应用概率论与数理统计的过程中，掌握核心公式是理解理论、解决实际问题的关键。以下是对概率论与数理统计中常用公式的总结，便于快速查阅和复习。
一、基本概念与公式
| 概念 | 公式 | 说明 | |||
| 概率定义 | $ P(A) = \frac{n(A)}{n(S)} $ | 事件A发生的概率为A的有利结果数除以总结果数 | |||
| 加法公式 | $ P(A \cup B) = P(A) + P(B) - P(A \cap B) $ | 两个事件并的概率计算 | |||
| 条件概率 | $ P(A | B) = \frac{P(A \cap B)}{P(B)} $ | 在B发生的条件下A发生的概率 | ||
| 乘法公式 | $ P(A \cap B) = P(A)P(B | A) $ | 两个事件同时发生的概率 | ||
| 全概率公式 | $ P(A) = \sum_{i=1}^{n} P(B_i)P(A | B_i) $ | 多个互斥事件下A的概率计算 | ||
| 贝叶斯公式 | $ P(B_i | A) = \frac{P(B_i)P(A | B_i)}{\sum_{j=1}^{n} P(B_j)P(A | B_j)} $ | 已知结果反推原因的概率 |
二、随机变量及其分布
| 类型 | 分布名称 | 公式 | 期望 | 方差 |
| 离散型 | 二项分布 | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ | $ np(1-p) $ |
| 离散型 | 泊松分布 | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ | $ \lambda $ |
| 连续型 | 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ | $ \sigma^2 $ |
| 连续型 | 均匀分布 | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a+b}{2} $ | $ \frac{(b-a)^2}{12} $ |
| 连续型 | 指数分布 | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ \frac{1}{\lambda} $ | $ \frac{1}{\lambda^2} $ |
三、数字特征与矩
| 概念 | 公式 | 说明 |
| 数学期望 | $ E(X) = \int_{-\infty}^{\infty} x f(x) dx $（连续） $ E(X) = \sum_{i=1}^{n} x_i P(X=x_i) $（离散） | 随机变量的平均值 |
| 方差 | $ Var(X) = E[(X - E(X))^2] $ | 表示数据的离散程度 |
| 协方差 | $ Cov(X, Y) = E[(X - E(X))(Y - E(Y))] $ | 衡量两变量之间的线性关系 |
| 相关系数 | $ \rho_{XY} = \frac{Cov(X,Y)}{\sqrt{Var(X)Var(Y)}} $ | 取值范围[-1, 1]，衡量相关性强弱 |
四、大数定律与中心极限定理
| 定理 | 内容 |
| 大数定律 | 当样本容量趋于无穷时，样本均值依概率收敛于总体期望 |
| 中心极限定理 | 若独立同分布，则样本均值近似服从正态分布，无论原分布如何 |
五、参数估计与假设检验
| 概念 | 公式/方法 | 说明 |
| 点估计 | 如最大似然估计、矩估计 | 用一个数值估计未知参数 |
| 区间估计 | 如置信区间 | 给出一个范围，包含真实参数的概率 |
| 假设检验 | 原假设H₀、备择假设H₁ 显著性水平α | 判断是否拒绝原假设 |
通过以上公式和概念的整理，可以系统地掌握概率论与数理统计的基本内容。这些知识不仅在学术研究中具有重要意义，在数据分析、金融建模、人工智能等领域也广泛应用。建议结合实际案例进行练习，加深对理论的理解和应用能力。