下载文档原格式
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。
