下载文档原格式
概率论与数理统计公式整理在现代数学中，概率论与数理统计是两个重要的分支。
其中概率论是研究随机事件发生的可能性或概率的科学。
而数理统计则是利用概率论的方法，对已经发生的随机事件进行统计分析和推断。
本文将整理概率论与数理统计中常用的公式。
一、基本概率公式1.概率：$P(A)=\frac{n(A)}{n(S)}$其中，$P(A)$表示事件$A$发生的概率，$n(A)$表示事件$A$所包含的基本事件的个数，$n(S)$表示所有基本事件的个数。
2.加法原理：$P(A\cup B)=P(A)+P(B)-P(A\cap B)$其中，$A$和$B$是两个事件，$A\cup B$表示事件$A$和事件$B$中至少有一个发生的概率，$A\cap B$表示两个事件同时发生的概率。
3.条件概率：$P(B|A)=\frac{P(A\cap B)}{P(A)}$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。
4.乘法定理：$P(A\cap B)=P(A)P(B|A)$其中，$P(A\cap B)$表示两个事件同时发生的概率，$P(B|A)$表示在事件$A$发生的条件下，事件$B$发生的概率。
二、概率分布1.离散随机变量的概率分布律：$\sum\limits_{i=1}^{+\infty}{p(x_i)}=1$其中，$p(x_i)$表示离散随机变量取值为$x_i$的概率。
2.连续随机变量的概率密度函数：$\int_{-\infty}^{+\infty}{f(x)}\mathrm{d}x=1$其中，$f(x)$表示连续随机变量在$x$处的概率密度。
3.数学期望：$E(x)=\sum\limits_{i=1}^{+\infty}{x_ip(x_i)}$或$E(x)=\int_{-\infty}^{+\infty}{xf(x)}\mathrm{d}x$其中，$E(x)$表示随机变量$x$的数学期望，$p(x_i)$表示$x_i$这一离散随机变量取到的带权概率。
第1 章随机事件及其概率第二章随机变量及其分布x 2 x1P(x 1 X x 2 )2 1ba其中 0 ，则称随机变量 X 服从参数为 的指数分布。
X 的分布函数为1 e x,x 0,F (x)记0,住积分公式：0,x<0。
x n e xdx n!几何 分布 均匀 分布P(X k) q p,k 1,2,3, ，其中 p ≥ 0， q=1-p 。
随机变量 X 服从参数为 p 的几何分布，记为 G(p) 。
设随机变量 X 的值只落在 ［a ，b ］内，其密度函数f(x)在［a ，b ］上为常数 1，即 ba1, f (x)b a,0,a ≤x ≤b其他，b) 。
0，x<a ，xaxbaa ≤x ≤bF(x) f(x)dx1，x>b 。
则称随机变量 X 在［a ，b ］ 上服从均匀分布，记为 X~ U(a ， 分布函数为 当 a ≤x 1<x 2≤b 时， X 落在区间( x 1,x2)内的概率为指数 分布x0 x0正态分布设随机变量X 的密度函数为1(x )212f(x) e 2 2 2其中、0为常数，则称随机变量X 服从参数为、的正态分布或高斯2( Gauss)分布，记为X ~ N( , )。
x，f (x)具有如下性质：1° f (x)的图形是关于x对称的；12° 当x时，f( ) 1为最大值；2 则(t X2)2的分布函数为2 2dt。
若X ~ N(1, )F(x)2参数0记为(x)x，e1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x2e2t2e2dt分布函数为1。
(x) 21(x)是不可求积函数，其函数值，已编制成表可供查用。
1Φ (-x) ＝ 1- Φ (x) 且Φ (0) ＝。
2 X2如果X ~N( , ) ，则~N(0,1) 。
P(x1 X x2)x22x11。
离散型已知X 的分布列为X x1,x2,L, x n, LP(X x i) p1, p2, L, p n, LY g( X )的分布列( y i g(x i ) 互不相等)如下：YP(Y y i )若有某些g(x ig(x1), g(x2), L, g(x n), L ，，则应将对应的p i相加作为g(x i) 的概率。
概率论与数理统计公式以下是概率论与数理统计中常见的公式整理：1.基本概率公式：P(A) = n(A) / n(S)，其中A 为事件，n(A) 为事件A 发生的基数，n(S) 为样本空间的基数。
2.条件概率公式：P(A|B) = P(A∩B) / P(B)，其中A 和B 为两个事件，P(A∩B) 表示事件A 和事件B 同时发生的概率，P(B) 表示事件B 发生的概率。
3.全概率公式：P(A) = ΣP(A|Bi) * P(Bi)，其中Bi 为互不相交的事件，P(Bi) 表示事件Bi 发生的概率，P(A|Bi) 表示在事件Bi 发生的条件下，事件A 发生的概率。
4.贝叶斯公式：P(Bi|A) = P(A|Bi) * P(Bi) / ΣP(A|Bj) * P(Bj)，其中Bi 为互不相交的事件，P(Bi) 表示事件Bi 发生的概率，P(A|Bi) 表示在事件Bi 发生的条件下，事件A 发生的概率，P(A|Bj) 表示在事件Bj 发生的条件下，事件A 发生的概率。
5.随机变量的期望值：E(X) = Σxi * P(xi)，其中X 为随机变量，xi 为随机变量X 取的第i 个值，P(xi) 表示X 取xi 的概率。
6.随机变量的方差：Var(X) = E((X - E(X))^2)，其中X 为随机变量，E(X) 表示X 的期望值。
7.正态分布的概率密度函数：f(x) = (1 / (σ* √(2π))) * e^(-((x-μ)^2 / (2σ^2)))，其中μ为正态分布的均值，σ为正态分布的标准差。
8.标准正态分布的概率密度函数：f(x) = (1 / √(2π)) * e^(-x^2 / 2)，其中x 为标准正态分布的随机变量。
9.两个随机变量的协方差：Cov(X,Y) = E((X - E(X)) * (Y - E(Y)))，其中X 和Y 为两个随机变量，E(X) 和E(Y) 分别表示X 和Y 的期望值。
概率论与数理统计公式整理概率论和数理统计是数学中重要的分支，广泛应用于科学、工程、经济、金融等领域。
本文将对概率论和数理统计中常用的公式进行整理，以帮助读者更好地理解和应用这些概念和方法。
一、概率论公式1. 基本概率公式：P(A) = n(A) / n(S)其中P(A)表示事件A发生的概率，n(A)表示事件A的样本空间，n(S)表示样本空间中所有可能结果的个数。
2. 概率的加法公式：P(A ∪ B) = P(A) + P(B) - P(A ∩ B)其中P(A ∪ B)表示事件A或B发生的概率，P(A ∩ B)表示事件A和B同时发生的概率。
3. 条件概率公式：P(A | B) = P(A ∩ B) / P(B)其中P(A | B)表示在事件B已经发生的条件下，事件A发生的概率。
4. 乘法公式：P(A ∩ B) = P(B) * P(A | B) = P(A) * P(B | A)其中P(A ∩ B)表示事件A和B同时发生的概率。
5. 全概率公式：P(A) = ∑[P(Bi) * P(A | Bi)]其中{Bi}为样本空间S的一个划分，P(Bi)表示事件Bi发生的概率。
二、数理统计公式1. 期望：E(X) = ∑[x * P(X = x)]其中X表示随机变量，x表示X可能取到的值，P(X = x)表示X取到x的概率。
2. 方差：Var(X) = E[(X - E(X))^2]其中E(X)表示随机变量X的期望。
3. 标准差：σ(X) = √(Var(X))其中Var(X)表示随机变量X的方差。
4. 协方差：Cov(X, Y) = E[(X - E(X)) * (Y - E(Y))]其中X和Y分别表示两个随机变量。
5. 相关系数：ρ(X, Y) = Cov(X, Y) / (σ(X) * σ(Y))其中Cov(X, Y)表示X和Y的协方差，σ(X)和σ(Y)分别表示X和Y的标准差。
三、概率分布公式1. 二项分布：P(X = k) = C(n, k) * p^k * (1 - p)^(n-k)其中X服从二项分布，n表示试验次数，k表示成功次数，p 表示每次试验成功的概率。
E (X )=∑∑x i p i jijxxn+∞ n n−λλkP (X = k ) = e ， (k = 0,1,...)k !(a ≤ x ≤ b )1b − af (x ) =概率论与数理统计公式总结F (x ) = P (X ≤ x ) = ∑P (X = k )k ≤x分布函数 对离散型随机变量F ' (x ) = f (x )第一章P(A+B)=P(A)+P(B)- P(AB)特别地，当 A 、B 互斥时， P(A+B)=P(A)+P(B)对连续型随机变量F (x ) = P (X ≤ x ) =∫−∞f (t )dt条件概率公式分布函数与密度函数的重要关系：P (A | B ) =P (AB )P (B )F (x ) = P (X ≤ x ) =∫−∞f (t )dt概率的乘法公式P (AB ) = P (B )P (A | B )= P (A )P (B | A )二元随机变量及其边缘分布分布规律的描述方法全概率公式：从原因计算结果P (A ) = ∑ P (B k )P (A | B k )k =1联合密度函数联合分布函数f (x , y ) ≥ 0f (x , y ) F (x , y )+∞ +∞Bayes 公式：从结果找原因∫−∞ ∫−∞f (x , y )dx dy = 1 0 ≤ F (x , y ) ≤ 1P (B k| A ) = P (B i )P (A | B i ) ∑P (B )P (A | B )F (x , y ) = P {X ≤ x ,Y ≤ y }f (x ) = ∫ f (x , y )d y 联合密度与边缘密度第二章kkk =1Xf Y (y ) = −∞+∞−∞f (x , y )dx二项分布（Bernoulli 分布）——X~B(n,p)P (X =k )=C k p k (1−p)n −k，(k =0,1,...n , ) 泊松分布——X~P(λ)概率密度函数离散型随机变量的独立性P {X = i ,Y = j } = P {X = i }P {Y = j }连续型随机变量的独立性f (x , y ) = f X (x ) f Y (y ) 第三章数学期望离散型随机变量，数学期望定义怎样计算概率P (a ≤ X ≤ b )b连续型随机变量，数学期望定义� E(a)=a ，其中 a 为常数P (a ≤ X ≤ b ) = ∫af (x )d x均匀分布 X~U(a,b)指数分布 X~Exp (θ)• E(a+bX)=a+bE(X)，其中 a 、b 为常数 � E(X+Y)=E(X)+E(Y)，X 、Y 为任意随机变量随机变量 g(X)的数学期望常用公式+∞∫−∞ f (x )dx = 1+∞E (X ) = ∑x k ⋅P kk =−∞+∞E (X ) = ∫−∞x ⋅ f (x )dxE (g (X )) = ∑ g (x k ) p kk∫Y / nD (X +Y ) = D (X ) + D (Y ) + 2E {(X − E (X ))(Y − E (Y ))} X ~ N (µ,σ2 )i σ 12 σ E (X Y ) = ∑∑x i y j p i jij2σ22−(x −µ) e 12πσf (x ) =不相关不一定独立第四章 正态分布E (X ) = µ,D (X ) = σ2方 差 定义式常用计算式常用公式当 X 、Y 相互独立时：标准正态分布的概率计算 标准正态分布的概率计算公式P (Z ≤ a ) = P (Z < a ) = Φ(a )P (Z ≥ a ) = P (Z > a ) = 1− Φ(a )P (a ≤ Z ≤ b ) = Φ(b ) − Φ(a )P (−a ≤ Z ≤ a ) = Φ(a ) − Φ(−a ) = 2Φ(a ) −1一般正态分布的概率计算一般正态分布的概率计算公式 P (X ≤ a ) = P (X < a ) = Φ(a − µσ ) a − µ方差的性质P (X ≥ a ) = P (X > a ) = 1− Φ( σ)D(a)=0，其中 a 为常数P (a ≤ X ≤ b ) = Φ(b − µ− Φ(a − µD(a+bX)=b2D(X)，其中 a 、b 为常数当 X 、Y 相互独立时，D(X+Y)=D(X)+D(Y) 协方差与相关系数E {[X − E (X )][Y − E (Y )]}= E (XY ) − E (X )E (Y )第 五 章卡方分布σ ) σ)n若X ~ N (0,1)，则∑ X 2 ~ χ2(n )i =121n2 2协方差的性质若Y ~ N (µ,σ ),t 分布则 2 ∑(Y i− µ) i =1 ~ χ (n )若X ~ N (0,1), Y ~ χ2(n ),则X ~ t (n )独立与相关独立必定不相关 Cov (aX ,bY ) = abCov (X ,Y )若U ~ χ2 (n ), F 分布正态总体条件下 样本均值的分布：V ~ χ2(n ),则U / n 1 V / n 2~ F (n 1,n 2 )相关必定不独立2X ~ N (µ,)nX − µ~ N (0,1)σ/ n 2− E (X )) ⋅ f (x )dx x +∞−∞∫ D (X ) =( E (XY ) = ∫ ∫ xyf (x , y )dxdy σX ~ N (µ,σ2 ) ⇔ Z = X − µ~ N (0,1)D (X )D (Y )XY ρ =C ov (X ,Y )Cov (X +Y , Z ) = Cov (X , Z ) + Cov (Y , Z )C ov (X , X ) = E (X 2 ) − (E (X ))2 =D (X )Cov (X ,Y ) = E (XY ) − E (X )E (Y )D (X +Y ) = D (X ) + D (Y )D (X ) =E (X 2 ) − [E (X )]2当X 与Y 独立时,E (XY ) = E (X )E (Y )Φ(a ) = 1− Φ(−a ) E (X +Y ) = E (X ) + E (Y )E (X ) = ∫ ∫ xf (x , y )dxdyn ⎠ n ⎠ n ⎠σ2 1 + 2 n 1 n 2 σ2 σ / n(x 1 − x 2 )± z α/ 2 2 2 ⎜ χ χ ⎛ ⎜ ⎟12x ± z样本方差的分布：正态总体方差的区间估计 两个正态总体均值差的置信区间(n −1)S 2 ~ χ2 (n −1) X − µ~ t (n −1) 大样本或正态小样本且方差已知σ2两个正态总体的方差之比⎛⎜ ⎜ ⎝S 2 / S 2两个正态总体方差比的置信区间1 2~ F (n 1 −1,σ2 /σ2n 2 −1)2 / S 2 , 2 / S 2⎞ ⎝ F α/ 2 (n 1 −1,n 2 −1) F α/ 2 (n 1 −1,n 2 −1) ⎠第六章点估计：参数的估计值为一个常数矩估计 最大似然估计n似然函数第七章假设检验的步骤1 根据具体问题提出原假设 H0 和备择假设 H12 根据假设选择检验统计量，并计算检验统计值3 看检验统计值是否落在拒绝域，若落在拒绝域则L = Π i =1f (x i ;θ)L = Π i =1p (x i ;θ)拒绝原假设，否则就不拒绝原假设。
第1章随机事件及其概率（1）排列组合公式)!(!nmmP nm-=从m个人中挑出n个人进行排列的可能数。
)!(!!nmnmC nm-=从m个人中挑出n个人进行组合的可能数。
（2）加法和乘法原理加法原理（两种方法均能完成此事）：m+n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）：m×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 种方法来完成，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（4）随机试验和随机事件如果一个试验在相同条件下可以重复进行，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。
（5）基本事件、样本空间和事件在一个试验下，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ω来表示。
基本事件的全体，称为试验的样本空间，用Ω表示。
一个事件就是由Ω中的部分点（基本事件ω）组成的集合。
通常用大写字母A，B，C，…表示事件，它们是Ω的子集。
Ω为必然事件，Ø为不可能事件。
不可能事件（Ø）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（Ω）的概率为1，而概率为1的事件也不一定是必然事件。
（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）：BA⊂如果同时有BA⊂，AB⊃，则称事件A与事件B等价，或称A等于B：A=B。
A、B中至少有一个发生的事件：A B，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BA，它表示A发生而B不发生的事件。
A、B同时发生：A B，或者AB。
A B=Ø，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。
Ω-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)C A∪(B∪C)=(A∪B)∪C分配率：(AB)∪C=(A∪C)∩(B∪C) (A∪B)∩C=(AC)∪(BC)德摩根率：∞=∞==11iiii AABABA=，BABA=（7）概率的公理化定义设Ω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≤P(A)≤1，2° P(Ω) =13° 对于两两互不相容的事件1A，2A，…有∑∞=∞==⎪⎪⎭⎫⎝⎛11)(iiii APAP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°{}nωωω21,=Ω，2°nPPPn1)()()(21===ωωω 。
设任一事件A，它是由mωωω21,组成的，则有P(A)={})()()(21mωωω=)()()(21mPPPωωω+++nm=基本事件总数所包含的基本事件数A=（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，)()()(Ω=LALAP。
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B⊂A时，P(A-B)=P(A)-P(B) 当A=Ω时，P(B)=1- P(B)（12）条件概率定义设A、B是两个事件，且P(A)>0，则称)()(APABP为事件A发生条件下，事件B发生的条件概率，记为=)/(ABP)()(APABP。
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(Ω/B)=1⇒P(B/A)=1-P(B/A)（13）乘法公式乘法公式：)/()()(ABPAPABP=更一般地，对事件A1，A2，…A n，若P(A1A2…A n-1)>0，则有21(AAP…)n A)|()|()(213121AAAPAAPAP= (2)1|(AAAP n…)1-n A。
（14）独立性①两个事件的独立性设事件A、B满足)()()(BPAPABP=，则称事件A、B是相互独立的。
若事件A、B相互独立，且0)(>AP，则有)()()()()()()|(BPAPBPAPAPABPABP===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Ω和不可能事件Ø与任何事件都相互独立。
Ø与任何事件都互斥。
②多个事件的独立性设ABC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）全概公式设事件n BBB,,,21 满足1°n BBB,,,21 两两互不相容，),,2,1(0)(niBP i=>，2°niiBA1=⊂，则有)|()()|()()|()()(2211nn BAPBPBAPBPBAPBPAP+++= 。
（16）贝叶斯公式设事件1B，2B，…，n B及A满足1°1B，2B，…，n B两两互不相容，)(BiP>0，=i1，2，…，n，2°niiBA1=⊂，0)(>AP，则∑==njjjiiiBAPBPBAPBPABP1)/()()/()()/(，i=1，2，…n。
此公式即为贝叶斯公式。
)(iBP，（1=i，2，…，n），通常叫先验概率。
)/(ABPi，（1=i，2，…，n），通常称为后验概率。
贝叶斯公式反映了“因果”的概率规律，并作出了“由果朔因”的推断。
（17）伯努利概型我们作了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qp=-1，用)(kP n表示n重伯努利试验中A出现)0(nkk≤≤次的概率，k nkknn qpkP C-=)(，nk,,2,1,0=。
第二章随机变量及其分布（1）离散型随机变量的分布律设离散型随机变量X的可能取值为X k(k=1,2,…)且取各个值的概率，即事件(X=X k)的概率为P(X=x k)=p k，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：,,,,,,,,|)(2121kkk pppxxxxXPX=。
显然分布律应满足下列条件：（1）0≥kp，,2,1=k，（2）∑∞==11kkp。
（2）连续型随机变量的分布密度设)(x F 是随机变量X 的分布函数，若存在非负函数)(x f ，对任意实数x ，有 ⎰∞-=xdx x f x F )()(， 则称X 为连续型随机变量。
)(x f 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：1° 0)(≥x f 。
2°⎰+∞∞-=1)(dx x f 。
（3）离散与连续型随机变量的关系 dx x f dx x X x P x X P )()()(≈+≤<≈= 积分元dx x f )(在连续型随机变量理论中所起的作用与k k p x X P ==)(在离散型随机变量理论中所起的作用相类似。
（4）分布函数设X 为随机变量，x 是任意实数，则函数)()(x X P x F ≤= 称为随机变量X 的分布函数，本质上是一个累积函数。
)()()(a F b F b X a P -=≤< 可以得到X 落入区间],(b a 的概率。
分布函数)(x F 表示随机变量落入区间（– ∞，x]内的概率。
分布函数具有如下性质：1° ,1)(0≤≤x F +∞<<∞-x ；2° )(x F 是单调不减的函数，即21x x <时，有 ≤)(1x F )(2x F ；3° 0)(lim )(==-∞-∞→x F F x ， 1)(lim )(==+∞+∞→x F F x ；4° )()0(x F x F =+，即)(x F 是右连续的； 5° )0()()(--==x F x F x X P 。
对于离散型随机变量，∑≤=x x kk px F )(；对于连续型随机变量，⎰∞-=xdx x f x F )()( 。
（5）八大分布0-1分布 P(X=1)=p, P(X=0)=q二项分布在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n ,,2,1,0 。
kn k k n n q p C k P k X P -===)()(， 其中n k p p q ,,2,1,0,10,1 =<<-=， 则称随机变量X 服从参数为n ，p 的二项分布。
记为),(~p n B X 。
当1=n 时，k k q p k X P -==1)(，1.0=k ，这就是（0-1）分布，所以（0-1）分布是二项分布的特例。
泊松分布设随机变量X 的分布律为λλ-==e k k X P k!)(，0>λ， 2,1,0=k ，则称随机变量X 服从参数为λ的泊松分布，记为)(~λπX 或者P(λ)。
泊松分布为二项分布的极限分布（np=λ，n →∞）。
超几何分布),min(,2,1,0,)(n M l l k C C C k X P nNkn MN k M ==∙==-- 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)。
几何分布 ,3,2,1,)(1===-k p q k X P k ，其中p ≥0，q=1-p 。
随机变量X 服从参数为p 的几何分布，记为G(p)。
均匀分布设随机变量X 的值只落在[a ，b]内，其密度函数)(x f 在[a ，b]上为常数ab -1，即⎪⎩⎪⎨⎧-=,0,1)(ab x f 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)。
