概率论总览(概率论与数理统计前半部分):事件、条件概率、随机变量、常见分布、极限定理
先说结论
概率论的主线是:先用事件的运算和概率公式(加法、条件概率、全概率、贝叶斯、独立)算单个事件,再引入随机变量,用分布描述它、用期望和方差概括它,然后用大数定律和中心极限定理说明「次数多了会怎样」。用法:先看导图文字版建立骨架,再背常见分布的期望方差表,然后做样题并对照易错点。
适用范围
按浙大版《概率论与数理统计》等通行教材的前半部分(概率论)整理,期末与考研通用;统计量、抽样分布、参数估计和假设检验属于数理统计部分,这页没有展开。大数定律和中心极限定理只写表述,不做推导;符号(如指数分布的参数写法)各教材略有差异,以你所用教材和老师的大纲为准。
导图文字版
以下是这张导图的文字大纲,可以按层级直接复制。
- 概率论
- 随机事件与概率
- 事件关系与运算:包含、并、交、差、互斥、对立
- 德摩根律:并的对立 = 对立的交,交的对立 = 对立的并,即 (A ∪ B)‾ = Ā ∩ B̄,(A ∩ B)‾ = Ā ∪ B̄
- 概率性质:P(Ā) = 1 − P(A);P(A ∪ B) = P(A) + P(B) − P(AB);P(A − B) = P(A) − P(AB)
- 古典概型与条件概率
- 古典概型:样本点有限且等可能,P(A) = A 包含的样本点数 / 样本点总数
- 条件概率:P(B|A) = P(AB)/P(A),P(A) > 0
- 乘法公式:P(AB) = P(A)P(B|A)
- 全概率公式与贝叶斯公式
- 划分:B₁…Bₙ 两两互斥、并为样本空间、概率都大于 0
- 全概率:P(A) = Σ P(Bᵢ)P(A|Bᵢ)(由原因算结果)
- 贝叶斯:P(Bⱼ|A) = P(Bⱼ)P(A|Bⱼ) / Σ P(Bᵢ)P(A|Bᵢ)(由结果推原因)
- 事件的独立性
- 两事件独立:P(AB) = P(A)P(B);独立时 A 与 B̄、Ā 与 B̄ 也独立
- 互斥与独立是两回事:P(A)、P(B) 都大于 0 时,互斥的两事件不独立
- 三事件相互独立:两两独立,且 P(ABC) = P(A)P(B)P(C)
- n 重伯努利试验:每次只有两种结果、各次独立、概率不变
- 一维随机变量
- 离散型:分布律 P(X = xₖ) = pₖ,各 pₖ ≥ 0 且和为 1
- 连续型:密度 f(x) ≥ 0,∫f = 1;P(X = c) = 0
- 分布函数 F(x) = P(X ≤ x):不减、右连续、F(−∞) = 0、F(+∞) = 1;P(a < X ≤ b) = F(b) − F(a)
- 连续型:F′(x) = f(x)(f 的连续点处)
- 常见分布
- 离散:0–1 分布、二项分布 B(n, p)、泊松分布 P(λ)、几何分布 G(p)
- 连续:均匀分布 U(a, b)、指数分布 E(λ)、正态分布 N(μ, σ²)
- 期望与方差见下方表;正态标准化 Z = (X − μ)/σ ~ N(0, 1)
- 数字特征
- 期望:离散 Σ xₖpₖ,连续 ∫x f(x)dx;E(aX + b) = aE(X) + b
- 方差:D(X) = E[(X − EX)²] = E(X²) − (EX)²;D(aX + b) = a²D(X)
- 独立时 D(X + Y) = D(X) + D(Y);一般 D(X + Y) = D(X) + D(Y) + 2Cov(X, Y)
- 二维随机变量(简述)
- 联合分布、边缘分布、条件分布
- 独立:联合分布 = 两个边缘分布的乘积(离散看每个格子,连续看密度)
- 协方差 Cov(X, Y) = E(XY) − EX·EY;相关系数 ρ = Cov/√(DX·DY)
- 独立 ⇒ 不相关;反过来一般不成立
- 大数定律与中心极限定理(只写表述)
- 切比雪夫不等式:P(|X − EX| ≥ ε) ≤ DX/ε²
- 伯努利大数定律:n 次试验中事件 A 的频率依概率收敛于 P(A)
- 辛钦大数定律:独立同分布、期望为 μ,则样本均值依概率收敛于 μ
- 中心极限定理(独立同分布):和的标准化趋于 N(0, 1),n 大时和近似服从 N(nμ, nσ²)
- 随机事件与概率
翻几张试试
点一下问题看答案,先自己想一想再翻。
X ~ B(n, p) 的期望和方差各是多少?
E(X) = np,D(X) = np(1 − p)。
方差怎么用期望算?X 取 0、1、2 的概率为 0.2、0.5、0.3,D(X) 是多少?
D(X) = E(X²) − (EX)²。E(X) = 1.1,E(X²) = 1.7,D(X) = 1.7 − 1.21 = 0.49。
X ~ N(1, 4),P(X > 3) 是多少?(Φ(1) ≈ 0.8413)
标准化:(3 − 1)/2 = 1,P = 1 − Φ(1) ≈ 0.1587。
甲线占 60%、次品率 2%,乙线占 40%、次品率 5%。抽到次品,它来自甲线的概率?
P(次品) = 0.6×0.02 + 0.4×0.05 = 0.032;P(甲|次品) = 0.012/0.032 = 0.375。
指数分布 f(x) = λe^(−λx)(x > 0)的期望和方差各是多少?
E(X) = 1/λ,D(X) = 1/λ²。
常见分布:分布律或密度、期望、方差
| 分布 | 分布律 / 密度 | 期望 | 方差 |
|---|---|---|---|
| 0–1 分布 | P(X = 1) = p,P(X = 0) = 1 − p | p | p(1 − p) |
| 二项分布 B(n, p) | P(X = k) = C(n, k)pᵏ(1 − p)ⁿ⁻ᵏ,k = 0, 1, …, n | np | np(1 − p) |
| 泊松分布 P(λ),λ > 0 | P(X = k) = λᵏ·e^(−λ)/k!,k = 0, 1, 2, … | λ | λ |
| 几何分布 G(p) | P(X = k) = (1 − p)ᵏ⁻¹p,k = 1, 2, …(首次成功出现在第 k 次) | 1/p | (1 − p)/p² |
| 均匀分布 U(a, b) | f(x) = 1/(b − a),a < x < b | (a + b)/2 | (b − a)²/12 |
| 指数分布 E(λ),λ > 0 | f(x) = λe^(−λx),x > 0 | 1/λ | 1/λ² |
| 正态分布 N(μ, σ²) | f(x) = [1/(√(2π)σ)]·e^{−(x − μ)²/(2σ²)} | μ | σ² |
- 正态分布 N(μ, σ²) 的第二个参数是方差 σ²,不是标准差;N(1, 4) 的标准差是 2。
- 指数分布有两种写法:密度 λe^(−λx)(期望 1/λ)和 (1/θ)e^(−x/θ)(期望 θ),看清教材用的是哪个参数。
- 标准正态分布表中常用值:Φ(1) ≈ 0.8413,Φ(2) ≈ 0.9772,Φ(1.96) ≈ 0.9750;Φ(−x) = 1 − Φ(x)。X ~ N(μ, σ²) 时,落在 μ ± σ、μ ± 2σ、μ ± 3σ 内的概率约为 0.683、0.954、0.997。
公式表:事件与数字特征
| 公式 | 条件 |
|---|---|
| P(A ∪ B) = P(A) + P(B) − P(AB) | 任意两事件;互斥时 P(AB) = 0 |
| P(B|A) = P(AB)/P(A) | P(A) > 0 |
| P(A) = Σ P(Bᵢ)P(A|Bᵢ) | Bᵢ 是样本空间的一个划分 |
| P(Bⱼ|A) = P(Bⱼ)P(A|Bⱼ)/P(A) | P(A) > 0,分母用全概率公式算 |
| P(AB) = P(A)P(B) | 当且仅当 A、B 独立 |
| D(X) = E(X²) − (EX)² | 方差存在 |
| D(X + Y) = D(X) + D(Y) | X、Y 独立(不相关即可) |
| Cov(X, Y) = E(XY) − EX·EY | 二阶矩存在 |
带演算的例题
- 例 1(贝叶斯):甲线产量占 60%、次品率 2%,乙线占 40%、次品率 5%。任取一件是次品的概率 P = 0.6×0.02 + 0.4×0.05 = 0.012 + 0.020 = 0.032;已知取到次品,来自甲线的概率 P(甲|次品) = 0.012/0.032 = 0.375,来自乙线 0.020/0.032 = 0.625,两个概率之和为 1。
- 例 2(方差):X 取 0、1、2 的概率依次为 0.2、0.5、0.3。E(X) = 0×0.2 + 1×0.5 + 2×0.3 = 1.1;E(X²) = 0 + 0.5 + 4×0.3 = 1.7;D(X) = 1.7 − 1.1² = 1.7 − 1.21 = 0.49。检验:按定义 Σ(x − 1.1)²p = 1.21×0.2 + 0.01×0.5 + 0.81×0.3 = 0.242 + 0.005 + 0.243 = 0.49。
- 例 3(二项分布):X ~ B(10, 0.3),E(X) = 10×0.3 = 3,D(X) = 10×0.3×0.7 = 2.1;P(X = 2) = C(10, 2)×0.3²×0.7⁸ = 45×0.09×0.05764801 ≈ 0.2335。
- 例 4(正态):X ~ N(1, 4),σ = 2。P(X > 3) = 1 − Φ((3 − 1)/2) = 1 − Φ(1) ≈ 1 − 0.8413 = 0.1587;P(−1 < X < 5) = Φ(2) − Φ(−1) ≈ 0.9772 − 0.1587 = 0.8185。
- 例 5(指数):X ~ E(2),即 f(x) = 2e⁻²ˣ(x > 0)。P(X > 1) = ∫₁^∞ 2e⁻²ˣdx = e⁻² ≈ 0.1353,E(X) = 1/2。
- 例 6(中心极限定理的用法):X ~ B(100, 0.5),E(X) = 50,σ = √(100×0.5×0.5) = 5,近似 X ~ N(50, 25),P(X ≤ 55) ≈ Φ((55 − 50)/5) = Φ(1) ≈ 0.841。这是近似值:精确值约 0.864,加连续性修正(用 55.5)后 Φ(1.1) ≈ 0.864。
大数定律与中心极限定理(只写表述)与易错点
- 切比雪夫不等式:随机变量 X 的方差存在,对任意 ε > 0,P(|X − EX| ≥ ε) ≤ DX/ε²。
- 伯努利大数定律:n 重伯努利试验中事件 A 发生 nₐ 次,则频率 nₐ/n 依概率收敛于 P(A)。
- 辛钦大数定律:X₁, X₂, … 独立同分布且期望 μ 存在,则 (X₁ + … + Xₙ)/n 依概率收敛于 μ。
- 中心极限定理(独立同分布情形):X₁, X₂, … 独立同分布,期望 μ,方差 σ² > 0,则 (X₁ + … + Xₙ − nμ)/(σ√n) 的分布函数趋于标准正态分布函数;n 较大时,和近似服从 N(nμ, nσ²)。二项分布的特例称为棣莫弗—拉普拉斯定理。
易错点:互斥不是独立(互斥说明不能同时发生,独立说明互不影响);连续型随机变量取某一点的概率是 0,但这不表示该点「不可能」;独立能推出不相关,不相关推不出独立(例如 X ~ U(−1, 1),Y = X²,Cov(X, Y) = 0 但 Y 由 X 决定);方差的性质是 D(aX + b) = a²D(X),常数 b 不进方差;泊松分布可以近似 n 大 p 小的二项分布,取 λ = np。
常见问题
- 概率论里什么时候用全概率公式,什么时候用贝叶斯公式?
- 已知各种「原因」发生的概率和各原因下结果发生的概率,求结果的概率,用全概率公式;已知结果发生了,反过来求某个原因的概率,用贝叶斯公式,分母就是全概率公式算出的 P(A)。
- 互斥和独立有什么区别?
- 互斥是两事件不能同时发生,P(AB) = 0;独立是 P(AB) = P(A)P(B)。两个概率都大于 0 的事件如果互斥,就不可能独立。
- 期望和方差怎么记常见分布?
- 二项 np、np(1 − p);泊松都是 λ;几何 1/p、(1 − p)/p²;均匀 (a + b)/2、(b − a)²/12;指数 1/λ、1/λ²;正态 μ、σ²。多记一张表,再用方差 = E(X²) − (EX)² 自查。
- 什么时候能用正态分布近似二项分布?
- 中心极限定理(棣莫弗—拉普拉斯形式)说明 n 较大时 B(n, p) 近似 N(np, np(1 − p))。具体 n 多大才够、要不要连续性修正,以教材和老师的要求为准。
- 大数定律和中心极限定理有什么区别?
- 大数定律说样本均值会靠近期望(收敛到一个数);中心极限定理说和(或均值)标准化后的分布趋于正态分布,描述的是波动的形状。
相关页面
依据与局限
依据:浙大版《概率论与数理统计》等通行教材前半部分(概率论)的定义、公式与定理表述;例题已逐步演算,并用数值方法核对期望、方差和正态概率(标准正态分布函数值取四位小数)。局限:只覆盖概率论,不含数理统计;大数定律和中心极限定理只写表述不写推导;各校教材、符号和考试范围不同,以教材和老师为准;不预测考什么,不承诺提分。