概率公式大全500例-概率公式全览

概率论与数理统计是现代数学的重要分支，其公式体系构成了处理随机性和数据分析的理论基础。为了全面掌握这一学科，我们需要系统性地理解从基本概念到高级模型的各类公式。
下面呢内容将按照知识模块进行组织，力求详尽。

这一部分是整个概率论的基石，涉及概率的定义、基本性质和经典计算模型。

• 古典概型概率公式：若试验的样本空间包含有限个等可能的样本点，则事件A发生的概率为 P(A) = A包含的样本点数 / 样本空间的总样本点数。这是最直观的概率计算方式。
• 几何概型概率公式：当样本空间对应于一个可度量的几何区域时，事件A的概率为 P(A) = 构成事件A的区域的度量（长度、面积、体积） / 样本空间的度量。
• 概率的公理化定义与基本性质：
  • 非负性：对于任何事件A，有 P(A) ≥ 0。
  • 规范性：对于必然事件Ω，有 P(Ω) = 1。
  • 可列可加性：对于两两互斥的事件序列A₁, A₂, ...，有 P(∪A_i) = ΣP(A_i)。
  • 衍生性质：P(∅) = 0；P(A的补) = 1 - P(A)；若A⊆B，则P(A) ≤ P(B)；加法公式：P(A∪B) = P(A) + P(B) - P(A∩B)。

这部分公式用于描述事件之间的相互影响关系，是理解复杂概率模型的关键。

• 条件概率公式：在事件B发生的条件下，事件A发生的概率定义为 P(A|B) = P(AB) / P(B)，其中P(B) > 0。
• 乘法公式：由条件概率直接导出，P(AB) = P(A|B)P(B) = P(B|A)P(A)。可推广至多个事件：P(A₁A₂...A_n) = P(A₁)P(A₂|A₁)P(A₃|A₁A₂)...P(A_n|A₁...A_{n-1})。
• 全概率公式：设事件组B₁, B₂, ..., B_n是样本空间Ω的一个划分（即两两互斥且并集为Ω），且P(B_i) > 0，则对任一事件A有 P(A) = Σ_{i=1}^{n} P(A|B_i)P(B_i)。该公式是“化整为零”的思想体现，在易搜职考网的许多解题技巧讲解中常被强调。
• 贝叶斯公式（逆概率公式）：在全概率公式的条件下，有 P(B_j|A) = [P(A|B_j)P(B_j)] / [Σ_{i=1}^{n} P(A|B_i)P(B_i)]。该公式在机器学习、信号处理、医学诊断等领域有广泛应用，用于根据结果更新原因的概率。
• 事件独立性：两事件A，B独立当且仅当 P(AB) = P(A)P(B)。多事件相互独立要求其中任意多个事件的积事件的概率等于各事件概率的乘积。

随机变量是将随机现象数量化的工具，其分布函数和概率函数（或密度函数）完整描述了其统计规律。

• 分布函数：设X是一个随机变量，对任意实数x，称函数 F(x) = P(X ≤ x) 为X的分布函数。它具有单调不减、右连续、F(-∞)=0、F(+∞)=1的性质。
• 离散型随机变量：概率分布列 P(X = x_k) = p_k, k=1,2,...。常用分布包括：
  • （0-1）分布：P(X=k)=p^k(1-p)^{1-k}, k=0,1。
  • 二项分布B(n, p)：P(X=k)=C_n^k p^k (1-p)^{n-k}, k=0,1,...,n。
  • 泊松分布P(λ)：P(X=k)= (λ^k e^{-λ}) / k!, k=0,1,2,...，其中λ>0。
  • 几何分布与超几何分布公式。
• 连续型随机变量：存在非负可积函数f(x)，使得分布函数F(x)=∫_{-∞}^{x} f(t) dt。f(x)称为概率密度函数。常用分布包括：
  • 均匀分布U(a, b)：f(x)=1/(b-a), a
  • 指数分布E(λ)：f(x)=λe^{-λx}, x>0，λ>0。
  • 正态分布N(μ, σ²)：f(x)=[1/(σ√(2π))] exp{-(x-μ)²/(2σ²)}，这是统计学中最重要的分布。
• 随机变量函数的分布：已知X的分布，求Y=g(X)的分布。方法有公式法（要求g严格单调）和分布函数法。

研究两个或以上随机变量之间的联合关系。

• 联合分布函数：F(x, y) = P(X ≤ x, Y ≤ y)。
• 二维离散型联合分布律：P(X=x_i, Y=y_j) = p_{ij}。
• 二维连续型联合密度函数：f(x, y)，满足 F(x, y)=∫_{-∞}^{x}∫_{-∞}^{y} f(u,v) dv du。
• 边缘分布：由联合分布求得单个随机变量的分布。离散型：P(X=x_i)=Σ_j p_{ij}；连续型：f_X(x)=∫_{-∞}^{+∞} f(x,y) dy。
• 条件分布：离散型：P(X=x_i | Y=y_j)=p_{ij} / p_{·j}；连续型：在Y=y条件下X的条件密度 f_{X|Y}(x|y)=f(x,y)/f_Y(y)。
• 随机变量的独立性：随机变量X与Y独立当且仅当 F(x,y)=F_X(x)F_Y(y)，或对几乎所有x,y有 f(x,y)=f_X(x)f_Y(y)（连续型），或 p_{ij}=p_{i·}p_{·j}（离散型）。

这些公式用于刻画随机变量某些方面的平均特征或离散程度。

• 数学期望（均值）：
  • 离散型：E(X)=Σ_k x_k p_k。
  • 连续型：E(X)=∫_{-∞}^{+∞} x f(x) dx。
  • 随机变量函数的期望：E[g(X)]直接对g(x)按上述公式计算（无需先求g(X)的分布）。
  • 性质：E(C)=C；E(CX)=CE(X)；E(X+Y)=E(X)+E(Y)；若X,Y独立，则E(XY)=E(X)E(Y)。
• 方差：D(X)=Var(X)=E{[X-E(X)]²} = E(X²) - [E(X)]²。
  • 性质：D(C)=0；D(CX)=C²D(X)；D(X+Y)=D(X)+D(Y)+2Cov(X,Y)；若X,Y独立，则D(X+Y)=D(X)+D(Y)。
  • 标准差：σ(X)=√D(X)。
• 协方差与相关系数：
  • 协方差：Cov(X,Y)=E{[X-E(X)][Y-E(Y)]} = E(XY)-E(X)E(Y)。
  • 相关系数：ρ_{XY} = Cov(X,Y) / [σ(X)σ(Y)]，|ρ|≤1。ρ衡量线性相关程度。
  • 性质：Cov(X,X)=D(X)；Cov(X,Y)=Cov(Y,X)；Cov(aX,bY)=ab Cov(X,Y)；Cov(X₁+X₂, Y)=Cov(X₁,Y)+Cov(X₂,Y)。
• 矩：k阶原点矩 E(X^k)；k阶中心矩 E{[X-E(X)]^k}。

这些定理揭示了大量随机现象平均结果的稳定性与分布规律，是数理统计的理论基石。

• 切比雪夫不等式：对任意ε>0，有 P{|X-E(X)| ≥ ε} ≤ D(X)/ε²。它给出了偏差的概率上界。
• 大数定律：设{X_n}为独立同分布随机变量序列，E(X_i)=μ，则对任意ε>0，有 lim_{n→∞} P{|(1/n)Σ_{i=1}^{n} X_i - μ| < ε} = 1。表明大量随机试验的平均结果接近于数学期望。
• 中心极限定理：设{X_n}为独立同分布随机变量序列，E(X_i)=μ，D(X_i)=σ²>0，则当n充分大时，其和或平均值的标准化变量近似服从标准正态分布。即： (Σ_{i=1}^{n} X_i - nμ) / (√n σ) ~ N(0,1) 近似分布。这是许多统计推断方法（如置信区间、假设检验）成立的根本原因。

数理统计研究如何从带有随机性的观测数据中推断总体特征。

• 样本与统计量：设总体X，样本X₁, X₂, ..., X_n独立同分布于总体。
  • 样本均值：(bar{X} = frac{1}{n}sum_{i=1}^{n} X_i)。
  • 样本方差：(S^2 = frac{1}{n-1}sum_{i=1}^{n} (X_i - bar{X})^2)（注意分母为n-1，这是为了满足无偏性）。
  • 样本标准差：S = √S²。
  • 样本k阶原点矩：A_k = (1/n)Σ X_i^k。
  • 样本k阶中心矩：B_k = (1/n)Σ (X_i - bar{X})^k。
• 三大抽样分布：这些分布在参数推断中起到核心作用。
  • 卡方分布：设X₁,...,X_n独立同分布于N(0,1)，则 χ² = Σ_{i=1}^{n} X_i² 服从自由度为n的卡方分布。
  • t分布：设X~N(0,1)，Y~χ²(n)，且X,Y独立，则 t = X / √(Y/n) 服从自由度为n的t分布。
  • F分布：设U~χ²(n₁)，V~χ²(n₂)，且U,V独立，则 F = (U/n₁) / (V/n₂) 服从自由度为(n₁, n₂)的F分布。

这是统计推断的两大主要内容，公式众多且应用性强。

• 点估计：
  • 矩估计法：用样本矩替代总体矩，建立方程求解参数估计值。
  • 最大似然估计法：构造似然函数L(θ)=Π f(x_i; θ)（连续型为密度乘积，离散型为概率乘积），通过最大化L(θ)或ln L(θ)求得估计值(hat{theta})。
  • 估计量的评价标准：无偏性（E((hat{theta}))=θ）、有效性（方差小）、一致性（依概率收敛于θ）。
• 区间估计：寻找一个随机区间((hat{theta}_L, hat{theta}_U))，使得该区间以一定概率（置信度1-α）包含未知参数θ。
  • 单个正态总体均值μ的区间估计（方差σ²已知）：置信区间为 (bar{X} ± z_{alpha/2} (sigma/sqrt{n}))，其中z是标准正态分位数。
  • 单个正态总体均值μ的区间估计（方差σ²未知）：置信区间为 (bar{X} ± t_{alpha/2}(n-1) (S/sqrt{n}))，其中t是t分布分位数。
  • 单个正态总体方差σ²的区间估计：置信区间为 ([(n-1)S² / chi^2_{alpha/2}(n-1), (n-1)S² / chi^2_{1-alpha/2}(n-1)])。
  • 两个正态总体均值差、方差比的区间估计公式。
• 假设检验：基本步骤包括提出原假设H0与备择假设H1、构造检验统计量、确定拒绝域、根据样本数据做出判断。
  • 单个正态总体均值检验（Z检验、t检验）。
  • 单个正态总体方差检验（卡方检验）。
  • 两个正态总体均值差检验（t检验、Z检验）。
  • 两个正态总体方差比检验（F检验）。
  • 检验的p值：根据样本计算出的、拒绝原假设的最小显著性水平。p值越小，拒绝H0的证据越强。

在更深入的领域，概率公式体系进一步扩展。

• 随机过程初步：
  • 马尔可夫链：转移概率矩阵 P = (p_{ij})，其中p_{ij}=P(X_{n+1}=j | X_n=i)。切普曼-科尔莫戈罗夫方程：p_{ij}^{(n+m)}=Σ_k p_{ik}^{(n)} p_{kj}^{(m)}。
  • 泊松过程：计数过程{N(t), t≥0}，满足独立增量性、平稳增量性，且P(N(t)=k)=[(λt)^k e^{-λt}]/k!。
• 回归分析与方差分析：
  • 一元线性回归模型：Y_i = β₀ + β₁X_i + ε_i。参数β₀, β₁的最小二乘估计公式。
  • 相关系数与判定系数R²公式。

，概率公式的海洋浩瀚无垠，以上所梳理的仅是其中最为核心和常用的部分。所谓“大全500例”，其精神在于鼓励学习者系统地、分门别类地掌握这些工具，并理解它们之间的联系与适用条件。在易搜职考网的备考资源中，类似的知识体系梳理和公式归结起来说常与典型真题、模拟练习题相结合，帮助考生将静态的公式转化为动态的解题能力。真正的掌握并非源于背诵公式的数量，而是源于对每个公式背后随机思想的领悟，以及在不同情境下准确选择并应用公式的实践。通过持续的学习和练习，这一庞大的公式体系将从记忆负担转化为解决问题的有力武器，为通过各类职业资格考试乃至从事数据分析相关工作奠定坚实的理论基础。