概率1-4 乘法公式与全概率公式

概率公式大全概率公式大全（上篇）概率公式在概率论中起着非常重要的作用，它们用于描述随机事件的发生概率以及事件之间的关系。

本文将介绍一些常见的概率公式，帮助读者更好地理解和应用概率论。

1. 基本概率公式1) 事件的概率公式：在概率论中，事件的概率通常用P(A)表示，其中A表示一个事件。

事件A的概率可以用下述公式计算：P(A) = N(A) / N(S)其中，N(A)表示事件A发生的次数，N(S)表示样本空间S 中的总次数。

2) 样本空间的概率公式：当样本空间S的每个样本点发生的概率相同且为1/N(S)时，我们可以使用下述公式计算事件A的概率：P(A) = N(A) / N(S)这个公式在实际问题中应用广泛，是基本的概率公式之一。

2. 条件概率公式1) 条件概率的定义：在事件B发生的条件下，事件A发生的概率称为A在B 条件下的条件概率，用P(A|B)表示。

条件概率的计算公式如下：P(A|B) = P(A ∩ B) / P(B)其中，P(A ∩ B)表示事件A与事件B同时发生的概率。

2) 乘法公式：乘法公式是条件概率的推广形式，用于计算两个事件同时发生的概率。

根据乘法公式，我们可以得到：P(A ∩ B) = P(A|B) * P(B)这个公式在计算复杂事件的概率时非常有用。

3. 全概率公式全概率公式用于计算一个事件发生的总概率，它假设事件发生的样本空间可以划分为若干个互斥事件。

全概率公式如下：P(A) = Σi P(A|Bi) * P(Bi)其中，Bi表示样本空间S的一个划分，P(A|Bi)表示在Bi条件下事件A发生的概率。

这个公式可以在一些复杂问题中计算事件发生的概率，非常实用。

4. 贝叶斯公式贝叶斯公式是条件概率公式的逆运算，用于通过已知的条件概率反推出相反的条件概率。

根据贝叶斯公式，可以得到：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A)和P(B)分别表示事件A和事件B的概率。

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) 条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章二项分布（Bernoulli 分布）——X~B(n,p)泊松分布——X~P(λ)概率密度函数怎样计算概率均匀分布X~U(a,b)指数分布X~Exp (θ))()()|(B P AB P B A P =)|()()(B A P B P AB P =)|()(A B P A P =∑==nk k k B A P B P A P 1)|()()(∑==nk k k i i k B A P B P B A P B P A B P 1)|()()|()()|(),...,1,0()1()(n k p p C k X P k n k k n =-==-，,...)1,0(!)(===-k e k k X P k，λλ1)(=⎰+∞∞-dx x f )(b X a P ≤≤⎰=≤≤badxx f b X a P )()(1),(0≤≤y x F },{),(y Y x X P y x F ≤≤=)(1)(b x a ab x f ≤≤-=分布函数对离散型随机变量对连续型随机变量分布函数与密度函数的重要关系：二元随机变量及其边缘分布 分布规律的描述方法联合密度函数 联合分布函数联合密度与边缘密度离散型随机变量的独立性连续型随机变量的独立性第三章数学期望离散型随机变量，数学期望定义连续型随机变量，数学期望定义● E(a)=a ，其中a 为常数● E(a+bX)=a+bE(X)，其中a 、b 为常数)0(1)(/≥=-x e x f x θθ∑≤==≤=x k k X P x X P x F )()()(⎰∞-=≤=x dtt f x X P x F )()()(⎰∞-=≤=xdt t f x X P x F )()()(),(y x f ),(y x F 0),(≥y x f 1),(=⎰⎰+∞∞-+∞∞-dxdy y x f ⎰+∞∞-=dyy x f x f X ),()(⎰+∞∞-=dxy x f y f Y ),()(}{}{},{j Y P i X P j Y i X P =====)()(),(y f x f y x f Y X =∑+∞-∞=⋅=k k kP xX E )(⎰+∞∞-⋅=dxx f x X E )()()()('x f x F =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方差 定义式常用计算式常用公式当X 、Y 相互独立时：方差的性质D(a)=0，其中a 为常数D(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∑=kkk p x g X g E )())((∑∑=ijiji p x X E )(dxdyy x xf X E ⎰⎰=),()()()()(Y E X E Y X E +=+∑∑=ijijj i p y x XY E )(dxdyy x xyf XY E ⎰⎰=),()()()()(,Y E X E XY E Y X =独立时与当()⎰+∞∞-⋅-=dxx f X E x X D )()()(2[]22)()()(X E X E X D -=))}())(({(2)()()(Y E Y X E X E Y D X D Y X D --++=+)()()(Y D X D Y X D +=+)()()(),(Y E X E XY E Y X Cov -=)()(),(Y D X D Y X Cov XY =ρ[][]{})()()()()(Y E X E XY E Y E Y X E X E -=--协方差的性质独立与相关 独立必定不相关 相关必定不独立 不相关不一定独立 第四章正态分布标准正态分布的概率计算 标准正态分布的概率计算公式)()()(a a Z P a Z P Φ=<=≤)(1)()(a a Z P a Z P Φ-=>=≥)()()(a b b Z a P Φ-Φ=≤≤1)(2)()()(-Φ=-Φ-Φ=≤≤-a a a a Z a P一般正态分布的概率计算一般正态分布的概率计算公式第五章())()()(),(22X D X E X E X X Cov =-=),(),(Y X abCov bY aX Cov =),(),(),(Z Y Cov Z X Cov Z Y X Cov +=+),(~2σμN X 222)(21)(σμσπ--=x e x f 2)(,)(σμ==X D X E )(1)(a a -Φ-=Φ)1,0(~),(~2N X Z N X σμσμ-=⇔)()()(σμ-Φ=<=≤a a X P a X P )(1)()(σμ-Φ-=>=≥a a X P a X P ()()(σμσμ-Φ--Φ=≤≤a b b X a P卡方分布t 分布F 分布正态总体条件下 样本均值的分布：样本方差的分布：两个正态总体的方差之比第六章点估计：参数的估计值为一个常数 矩估计最大似然估计 似然函数均值的区间估计——大样本结果)(~)1,0(~212n X N X ni i χ∑=，则若())(~1),,(~21222n Y N Y ni iχμσσμ∑=-则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ),(~2n N X σμ)1,0(~/N n X σμ-)1(~)1(222--n S n χσ)1(~/--n t n s X μ)1,1(~//2122212221--n n F S S σσ);(1θi ni x f L ∏==);(1θi ni x p L ∏==⎪⎭⎫ ⎝⎛±n z x σα2/正态分布的分位点—大样本要求样本容量—代替准差通常未知，可用样本标标准差—样本均值—2/)50()(ασz n ns x >⎪⎪⎭⎫ ⎝⎛-±n p p z p )1(2/α正态分布的分位点—大样本要求样本容量—样本比例—2/)50(αz n np >则若),(~),1,0(~2n Y N X χ)(~/n t nY X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大样本或正态小样本且方差已知 两个正态总体方差比的置信区间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H1 ② 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，若落在拒绝域则拒绝原假设，否则就不拒绝原假设。

全概率论公式总结概率公式整理1．随机事件及其概率吸收律：A AB A A A A =⋃=∅⋃Ω=Ω⋃)( AB A A A AA =⋃⋂∅=∅⋂=Ω⋂)()(AB A B A B A -==-反演律：B A B A =⋃ B A AB ⋃=ni ini iA A 11=== ni ini iA A 11===2．概率的定义及其计算：)(1)(A P A P -= 若B A ⊂ )()()(A P B P A B P -=-⇒对任意两个事件A , B , 有 )()()(AB P B P A B P -=-加法公式：对任意两个事件A , B , 有 )()()()(AB P B P A P B A P -+=⋃ )()()(B P A P B A P +≤⋃)()1()()()()(2111111n n nnk j i kjinj i jini i n i i A A A P A A A P A A P A P A P -≤<<≤≤<≤==-+++-=∑∑∑3．条件概率 ()=A B P)()(A P AB P 乘法公式 ())0)(()()(>=A P A B P A P AB P ()())0)(()()(12112112121>=--n n n n A A A P A A A A P A A P A P A A A P全概率公式∑==ni i AB P A P 1)()( )()(1i ni i B A P B P ⋅=∑=Bayes 公式)(A B P k )()(A P AB P k =∑==n i i i k k B A P B P B A P B P 1)()()()( 4．随机变量及其分布 分布函数计算)()()()()(a F b F a X P b X P b X a P -=≤-≤=≤<5．离散型随机变量 (1) 0 – 1 分布1,0,)1()(1=-==-k p p k X P k k(2) 二项分布 ),(p n B 若P ( A ) = p n k p p C k X P k n kk n ,,1,0,)1()( =-==- *Possion 定理 0lim >=∞→λn n np 有,2,1,0!)1(l i m ==---∞→k k ep p C kkn n k nkn n λλ(3) Poisson 分布 )(λP ,2,1,0,!)(===-k k ek X P kλλ6．连续型随机变量 (1) 均匀分布 ),(b a U ⎪⎩⎪⎨⎧<<-=其他,0,1)(b x a a b x f ⎪⎪⎩⎪⎪⎨⎧--=1,,0)(a b a x x F(2) 指数分布 )(λE ⎪⎩⎪⎨⎧>=-其他,00,)(x e x f x λλ ⎩⎨⎧≥-<=-0,10,0)(x e x x F xλ (3) 正态分布 N (μ , σ 2 ) +∞<<∞-=--x e x f x 222)(21)(σμσπ ⎰∞---=xt t ex F d 21)(22)(σμσπ*N (0,1) — 标准正态分布+∞<<∞-=-x ex x 2221)(πϕ+∞<<∞-=Φ⎰∞--x tex xt d 21)(22π7.多维随机变量及其分布 二维随机变量( X ,Y )的分布函数 ⎰⎰∞-∞-=x yd v d uv u f y x F ),(),(边缘分布函数与边缘密度函数 ⎰⎰∞-+∞∞-=xX dvdu v u f x F ),()( ⎰+∞∞-=dv v x f x f X ),()(⎰⎰∞-+∞∞-=yY dudv v u f y F ),()( ⎰+∞∞-=du y u f y f Y ),()(8. 连续型二维随机变量 (1) 区域G 上的均匀分布，U ( G )⎪⎩⎪⎨⎧∈=其他,0),(,1),(Gy x A y x f(2)二维正态分布 +∞<<-∞+∞<<∞-⨯-=⎥⎥⎦⎤⎢⎢⎣⎡-+------y x ey x f y y x x ,121),(2222121121)())((2)()1(21221σμμμρσμρρσπσ9. 二维随机变量的 条件分布0)()()(),(>=x f x y f x f y x f X X Y X 0)()()(>=y f y x f y f Y Y X Y⎰⎰+∞∞-+∞∞-==dy y f y x f dy y x f x f Y Y X X )()(),()( ⎰⎰+∞∞-+∞∞-==dx x f x y f dx y x f y f X X Y Y )()(),()()(y x f Y X )(),(y f y x f Y =)()()(y f x f x y f Y X X Y = )(x y f X Y )(),(x f y x f X = )()()(x f y f y x f X Y Y X = 10.随机变量的数字特征 数学期望∑+∞==1)(k k k p x X E ⎰+∞∞-=dx x xf X E )()(随机变量函数的数学期望 X 的 k 阶原点矩 )(k X E X 的 k 阶绝对原点矩 )|(|k X EX 的 k 阶中心矩 )))(((k X E X E - X 的 方差 )()))(((2X D X E X E =-X ,Y 的 k + l 阶混合原点矩 )(l k Y X E X ,Y 的 k + l 阶混合中心矩 ()l k Y E Y X E X E ))(())((-- X ,Y 的 二阶混合原点矩 )(XY E X ,Y 的二阶混合中心矩 X ,Y 的协方差()))())(((Y E Y X E X E --X ,Y 的相关系数 XY Y D X D Y E Y X E X E ρ=⎪⎪⎭⎫⎝⎛--)()())())((( X 的方差D (X ) = E ((X - E (X ))2) )()()(22X E X E X D -= 协方差 ()))())(((),cov(Y E Y X E X E Y X --= )()()(Y E X E XY E -=())()()(21Y D X D Y X D --±±=相关系数)()(),cov(Y D X D Y X XY =ρ。

第一章PA+B=PA+PB- PAB 特别地,当A 、B 互斥时, PA+B=PA+PB条件概率公式概率的乘法公式全概率公式：从原因计算结果Bayes 公式：从结果找原因第二章二项分布Bernoulli 分布——X~Bn,p泊松分布——X~P λ概率密度函数怎样计算概率均匀分布X~Ua,b指数分布X~Exp θ分布函数对离散型随机变量 )(b X a P ≤≤∑≤==≤=x k k X P x X P x F )()()(1),(0≤≤y x F对连续型随机变量 分布函数与密度函数的重要关系：二元随机变量及其边缘分布分布规律的描述方法联合密度函数 联合分布函数 联合密度与边缘密度离散型随机变量的独立性连续型随机变量的独立性第三章数学期望 离散型随机变量,数学期望定义 连续型随机变量,数学期望定义Ea=a,其中a 为常数Ea+bX=a+bEX,其中a 、b 为常数EX+Y=EX+EY,X 、Y 为任意随机变量⎰∞-=≤=x dt t f x X P x F )()()(),(y x f ),(y x F ∑+∞-∞=⋅=k kk P x X E )(随机变量gX 的数学期望常用公式方差定义式常用计算式 常用公式当X 、Y 相互独立时：方差的性质Da=0,其中a 为常数Da+bX=b2DX,其中a 、b 为常数当X 、Y 相互独立时,DX+Y=DX+DY协方差与相关系数协方差的性质独立与相关独立必定不相关相关必定不独立 []22)()()(X E X E X D -=不相关不一定独立第四章 正态分布标准正态分布的概率计算标准正态分布的概率计算公式一般正态分布的概率计算一般正态分布的概率计算公式第五章卡方分布t 分布F 分布正态总体条件下样本均值的分布：样本方差的分布：两个正态总体的方差之比第六章 ),(~2σμN X )(~)1,0(~212n X N X n i i χ∑=，则若),(~//),(~),(~21212212n n F n V n U n V n U 则若χχ点估计：参数的估计值为一个常数矩估计最大似然估计似然函数均值的区间估计——大样本结果 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大样本或正态小样本且方差已知两个正态总体方差比的置信区间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,若落在拒绝域则拒绝原假设,否则就不拒绝原假设; 不可避免的两类错误第1类弃真错误：原假设为真,但拒绝了原假设);(1θi n i x f L ∏==);(1θi ni x p L ∏==()22/1222/2)1()1(,ααχχ---S n S n 卡方分布的分位点—样本方差—22/2αχS第2类取伪错误：原假设为假,但接受了原假设 单个正态总体的显着性检验单正态总体均值的检验大样本情形——Z 检验正态总体小样本、方差已知——Z 检验 正态总体小样本、方差未知—— t 检验 单正态总体方差的检验正态总体、均值未知——卡方检验单正态总体均值的显着性检验统计假设的形式双边检验 左边检验右边检验单正态总体均值的Z 检验拒绝域的代数表示 双边检验 0100::)1(μμμμ≠=H H 2/αZ Z ≥左边检验右边检验 比例——特殊的均值的Z 检验 单正态总体均值的 t 检验 单正态总体方差的卡方检验 拒绝域双边检验左边检验右边检验 αZ Z ≥22/1222/2ααχχχχ-≤≥或αZ Z -≤。

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。

概率论的公式大全1.基本概率公式：对于一个随机事件A，它发生的概率（记作P(A)）等于A包含的元素数目除以样本空间中元素的总数目。

P(A)=个数(A)/个数(样本空间)2.条件概率公式：对于两个事件A和B，如果B已经发生，则A发生的概率记作P(A，B)。

P(A，B)=P(A交B)/P(B)3.全概率公式：对于一系列互不相容的事件B1，B2，...，Bn，它们的并集等于样本空间，那么对于另一个事件A，可以用条件概率公式表示为：P(A)=Σ(P(A，Bi)*P(Bi))，i=1到n4.贝叶斯定理：对于一系列互不相容的事件B1，B2，...，Bn，它们的并集等于样本空间，那么对于另一个事件A，可以用条件概率公式表示为：P(Bi，A)=(P(A，Bi)*P(Bi))/Σ(P(A，Bj)*P(Bj))，j=1到n5.独立事件公式：对于两个事件A和B，如果它们相互独立（即A的发生与B的发生没有任何关系），则它们的联合概率等于它们的乘积。

P(A交B)=P(A)*P(B)6.乘法公式：对于一系列独立事件A1，A2，...，An，它们的概率等于各个事件发生的概率的乘积。

P(A1交A2交...交An)=P(A1)*P(A2)*...*P(An)7.加法公式：对于两个事件A和B，它们的并集的概率等于各个事件发生的概率之和减去它们的交集的概率。

P(A并B)=P(A)+P(B)-P(A交B)8.期望值公式：对于一个随机变量X和它的概率分布P(X)，它的期望值可以表示为：E(X)=Σ(Xi*P(Xi))9.方差公式：对于一个随机变量X和它的期望值E(X)，它的方差可以表示为：Var(X) = Σ((Xi - E(X))^2 * P(Xi))，i为X的取值范围内的索引10.协方差公式：对于两个随机变量X和Y，它们的协方差可以表示为：Cov(X, Y) = E((X - E(X)) * (Y - E(Y)))11.相关系数公式：对于两个随机变量X和Y，它们的相关系数可以表示为：Corr(X, Y) = Cov(X, Y) / (σ(X) * σ(Y))，其中σ(X)和σ(Y)分别是X和Y的标准差12.大数定律：对于独立同分布的随机变量序列X1，X2，...，Xn，当n趋向于无穷大时，它们的算术平均值逐渐接近它们的期望值。