概率论期末考前速记 · 分布、期望与方差
这张图讲什么
「概率论期末考前速记 · 分布、期望与方差」是 SeekFlaw 编辑团队整理的思维导图,分 8 个一级分支:事件与概率的基本公式;分布函数、分布律与概率密度;常见离散分布;常见连续分布;多维随机变量;期望、方差与协方差;大数定律与中心极限定理;抽样分布与参数估计,共 70 个节点、69 张记忆卡。
这张图是概率论与数理统计期末的背诵小册,只收要背下来的公式和结论,一张卡一条。共八块:事件与概率公式、分布函数与密度、常见离散分布、常见连续分布、多维随机变量、期望方差与协方差、大数定律与中心极限定理、抽样分布与估计。建议先把七个常见分布的分布律或密度、期望、方差背到能默写,再背期望和方差的运算性质,最后背多维和统计部分。
5 个要点
- 事件与概率的基本公式:这一枝背加法、减法、乘法、全概率、贝叶斯公式和独立性。
- 分布函数、分布律与概率密度:这一枝背分布函数的性质、分布律和密度的性质,以及随机变量函数的分布。
- 常见离散分布:这一枝背 0—1 分布、二项分布、泊松分布、几何分布、超几何分布的分布律、期望和方差。
- 常见连续分布:这一枝背均匀分布、指数分布、正态分布的密度、分布函数、期望和方差,以及正态分布的标准化。
- 多维随机变量:这一枝背边缘密度、条件密度、独立性的判定、二维正态的结论、和的分布与最大值最小值的分布。
适用:大学期末复习。用法:点开任一节点先自己答,再翻面核对。
发布于
一句话:这张图把「概率论期末考前速记 · 分布、期望与方差」整理成 70 个节点、69 张记忆卡;点开节点翻面就能看答案。
概率论与数理统计期末要背的公式:概率公式、常见分布及其期望方差、协方差、极限定理和抽样分布,一卡一条,适合考前过一遍。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。
SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。
70 个节点 · 69 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-18。
先看这 3 条
- 事件的运算律和德摩根律:交换律、结合律、分配律和集合运算相同。
- 均匀分布的密度、期望和方差:$X\sim U(a,b)$:密度 $f(x)=\frac{1}{b-a}$($a\lt x\lt b$,其它为 0);分布函数在 $a\le x\lt b$ 时为 $\frac…
- 样本均值和样本方差的公式及其期望:$\bar X=\frac1n\sum_{i=1}^{n}X_i$;$S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$。
事件与概率的基本公式
- 事件的运算律和德摩根律:交换律、结合律、分配律和集合运算相同。德摩根律:$\overline{A\cup B}=\bar A\cap\bar B$,$\overline{A\cap B}=\bar A\cup\bar B$。差事件:$A-B=A\bar B=A-…
- 概率的加法公式:$P(A\cup B)=P(A)+P(B)-P(AB)$;三个事件:$P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)$。 条件 $A$、$B$ 互斥 ($AB=\varno…
- 概率的减法公式:$P(A-B)=P(A\bar B)=P(A)-P(AB)$。 条件 只有当 $B\subset A$ 时才能写成 $P(A)-P(B)$。 易错 减去的是 交事件的概率 ,不是 $P(B)$。 例 $P(A)=0.5$,$P(AB)=0…
- 条件概率公式和乘法公式:条件概率:$P(B\mid A)=\frac{P(AB)}{P(A)}$(要求 $P(A)\gt 0$)。乘法公式:$P(AB)=P(A)P(B\mid A)$;三个事件 $P(ABC)=P(A)P(B\mid A)P(C\mid AB)…
- 全概率公式怎么写?:设 $B_1,\dots,B_n$ 是一个 完备事件组 (两两互斥、并起来是必然事件,且 $P(B_i)\gt 0$),则 $P(A)=\sum_{i=1}^{n}P(B_i)P(A\mid B_i)$。 例 等可能地从甲、乙两箱中选一箱…
- 贝叶斯公式怎么写?:在全概率公式的条件下,$P(B_i\mid A)=\frac{P(B_i)P(A\mid B_i)}{\sum_{j=1}^{n}P(B_j)P(A\mid B_j)}$,用于「 已知结果求原因 」。 例 等可能地从甲、乙两箱中选一箱再取…
- 事件独立和互斥有什么区别?:独立:$P(AB)=P(A)P(B)$,说的是概率上互不影响。互斥:$AB=\varnothing$,说的是不能同时发生。 公式 当 $P(A)\gt 0$ 且 $P(B)\gt 0$ 时,互斥和独立 不能同时成立 。$A$ 与 $B$ …
- n 重伯努利试验中恰好成功 k 次的概率:每次试验成功的概率为 $p$、各次 相互独立 ,$n$ 次中恰好成功 $k$ 次的概率为 $C_n^kp^k(1-p)^{n-k}$($k=0,1,\dots,n$)。 例 掷一枚均匀硬币 3 次,恰好 2 次正面:$C_3^2\left…
- 古典概型的概率公式是什么,什么时候能用?:古典概型:$P(A)=\frac{k}{n}$,$n$ 是样本点总数,$k$ 是事件 $A$ 包含的样本点数。 条件 样本点只有 有限个 ,而且每个样本点出现的 可能性相同 ;样本点无限多、按长度或面积均匀分布时用几何概型:概率等于事件区…
- 概率有哪些基本性质?:非负性和规范性:$0\le P(A)\le1$,$P(\Omega)=1$,$P(\varnothing)=0$。对立事件:$P(\bar A)=1-P(A)$。单调性:若 $A\subset B$,则 $P(A)\le P(B)$。 考…
分布函数、分布律与概率密度
- 分布函数有哪些性质?:$F(x)=P(X\le x)$ 满足:①单调不减;②$F(-\infty)=0$,$F(+\infty)=1$;③ 右连续 。反过来,满足这三条的函数一定是某个随机变量的分布函数。 公式 $P(a\lt X\le b)=F(b)-F(a…
- 离散型随机变量分布律的性质:分布律 $P(X=x_k)=p_k$ 满足:$p_k\ge0$;$\sum_kp_k=1$。分布函数 $F(x)=\sum_{x_k\le x}p_k$ 是 阶梯函数 ,在每个 $x_k$ 处跳跃,跳跃高度就是 $p_k$。 例 $P(X…
- 概率密度有哪些性质?:密度 $f(x)$ 满足:$f(x)\ge0$;$\int_{-\infty}^{+\infty}f(x)\,dx=1$;$P(a\lt X\le b)=\int_a^bf(x)\,dx$;在 $f$ 的连续点处 $F'(x)=f(x)$…
- 连续型随机变量函数 Y=g(X) 的密度怎么求?:通用的是 分布函数法 :先求 $F_Y(y)=P(g(X)\le y)$,再对 $y$ 求导。 公式 若 $g$ 严格单调且可导,反函数为 $x=h(y)$,则 $f_Y(y)=f_X(h(y))\,|h'(y)|$($y$ 在 $g$ …
常见离散分布
- 0—1 分布的分布律、期望和方差:$P(X=1)=p$,$P(X=0)=1-p$($0\lt p\lt 1$);$E(X)=p$,$D(X)=p(1-p)$。 记法 它是 $n=1$ 的二项分布;$n$ 个相互独立、同参数的 0—1 变量 之和 服从二项分布 $B(n,p…
- 二项分布的分布律、期望和方差:$X\sim B(n,p)$:$P(X=k)=C_n^kp^k(1-p)^{n-k}$($k=0,1,\dots,n$);$E(X)=np$,$D(X)=np(1-p)$。 条件 背景是 $n$ 次 独立重复试验 中成功的次数,每次成功的…
- 泊松分布的分布律、期望和方差:$X\sim P(\lambda)$($\lambda\gt 0$):$P(X=k)=\frac{\lambda^ke^{-\lambda}}{k!}$($k=0,1,2,\dots$);$E(X)=D(X)=\lambda$。 记法 期…
- 几何分布的分布律、期望和方差:独立重复试验中 首次成功 所需的试验次数 $X$:$P(X=k)=(1-p)^{k-1}p$($k=1,2,\dots$);$E(X)=\frac1p$,$D(X)=\frac{1-p}{p^2}$。 例 每次成功的概率 $p=0.2$:…
- 超几何分布的分布律和期望:$N$ 件产品中有 $M$ 件次品, 不放回 地取 $n$ 件,次品数 $X$:$P(X=k)=\frac{C_M^kC_{N-M}^{n-k}}{C_N^n}$;$E(X)=\frac{nM}{N}$。 区分 不放回抽样是超几何分布,有…
- 泊松定理:二项分布什么时候可以用泊松分布近似?:当 $n$ 很大 、$p$ 很小 而 $np$ 大小适中时,$B(n,p)$ 可以用参数 $\lambda=np$ 的泊松分布近似:$C_n^kp^k(1-p)^{n-k}\approx\frac{\lambda^ke^{-\lambda…
常见连续分布
- 均匀分布的密度、期望和方差:$X\sim U(a,b)$:密度 $f(x)=\frac{1}{b-a}$($a\lt x\lt b$,其它为 0);分布函数在 $a\le x\lt b$ 时为 $\frac{x-a}{b-a}$;$E(X)=\frac{a+b}{2…
- 指数分布的密度、分布函数、期望和方差:参数为 $\lambda$($\lambda\gt 0$)的指数分布:密度 $f(x)=\lambda e^{-\lambda x}$($x\gt 0$,其它为 0);分布函数 $F(x)=1-e^{-\lambda x}$($x\gt …
- 指数分布的无记忆性是什么?:对任意 $s\gt 0$、$t\gt 0$,$P(X\gt s+t\mid X\gt s)=P(X\gt t)$:已经用了 $s$ 小时没坏,再用 $t$ 小时不坏的概率与 已用时间无关 。 例 寿命服从 $\lambda=0.1$ 的指…
- 正态分布的密度、期望和方差:$X\sim N(\mu,\sigma^2)$:$f(x)=\frac{1}{\sqrt{2\pi}\,\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$;$E(X)=\mu$,$D(X)=\sigma^2$…
- 正态分布怎么标准化求概率?:若 $X\sim N(\mu,\sigma^2)$,则 $\frac{X-\mu}{\sigma}\sim N(0,1)$,所以 $P(a\lt X\le b)=\Phi\left(\frac{b-\mu}{\sigma}\right)-…
- 正态分布的 3σ 原则是什么?:$X\sim N(\mu,\sigma^2)$ 落在 $\mu$ 左右 1 倍、2 倍、3 倍标准差内的概率分别约为 0.6827、0.9545、0.9973。 记法 落在 $(\mu-3\sigma,\mu+3\sigma)$ 之外的概…
多维随机变量
- 边缘密度和条件密度的公式:边缘密度:$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,dy$,$f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,dx$。条件密度:$f_{X\mid Y}(x\mid y)…
- 两个随机变量相互独立怎么判定?:$X$ 与 $Y$ 独立 $\Leftrightarrow$ $F(x,y)=F_X(x)F_Y(y)$ 对一切 ${x,y}$ 成立。离散型:$p_{ij}=p_{i\cdot}\,p_{\cdot j}$ 对 所有 ${i,j}$ 成…
- 二维均匀分布的密度和概率怎么算?:$(X,Y)$ 在平面区域 $D$ 上服从均匀分布:$f(x,y)=\frac{1}{S_D}$($(x,y)\in D$,其它为 0),其中 $S_D$ 是 $D$ 的面积。$P((X,Y)\in G)$ 等于 $G$ 与 $D$ 公共…
- 二维正态分布有哪些结论?:$(X,Y)\sim N(\mu_1,\mu_2,\sigma_1^2,\sigma_2^2,\rho)$:①两个边缘分布都是正态,$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2…
- 两个随机变量之和 Z=X+Y 的密度公式:$f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,dx$;$X$ 与 $Y$ 独立时就是 卷积公式 $f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,dx$。…
- 独立随机变量的最大值、最小值的分布函数:$X$ 与 $Y$ 独立时:$F_{\max}(z)=F_X(z)F_Y(z)$;$F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)]$。 记法 最大值不超过 $z$ 等于 两个都不超过 ;最小值大于 $z$ 等于两个都…
- 哪些分布具有可加性?:设 $X$ 与 $Y$ 相互独立 :$B(n_1,p)$ 与 $B(n_2,p)$ 之和服从 $B(n_1+n_2,p)$;$P(\lambda_1)$ 与 $P(\lambda_2)$ 之和服从 $P(\lambda_1+\lambda…
- 二维离散型随机变量的联合分布律和边缘分布律:联合分布律:$P(X=x_i,Y=y_j)=p_{ij}$,满足 $p_{ij}\ge0$ 且所有 $p_{ij}$ 之和等于 1。边缘分布律:$P(X=x_i)=\sum_j p_{ij}$(把联合分布表 按行相加 ),$P(Y=y_j…
期望、方差与协方差
- 数学期望的定义公式:离散型:$E(X)=\sum_kx_kp_k$;连续型:$E(X)=\int_{-\infty}^{+\infty}xf(x)\,dx$。 条件 要求级数或积分 绝对收敛 ,否则期望不存在。 例 $f(x)=2x$($0\lt x\lt …
- 随机变量函数的期望怎么算?:不必先求 $Y=g(X)$ 的分布, 直接用 原变量 $X$ 的分布:离散型 $E[g(X)]=\sum_kg(x_k)p_k$;连续型 $E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\,dx$。二维:…
- 数学期望有哪些运算性质?:$E(C)=C$;$E(aX+b)=aE(X)+b$;$E(X+Y)=E(X)+E(Y)$;$X$ 与 $Y$ 独立时 $E(XY)=E(X)E(Y)$。 条件 和的期望等于期望的和 不需要独立 ;积的期望等于期望的积需要独立(不相关就够…
- 方差的定义和计算公式:定义:$D(X)=E\{[X-E(X)]^2\}$。计算公式:$D(X)=E(X^2)-[E(X)]^2$。 考法 常 反过来用 :$E(X^2)=D(X)+[E(X)]^2$。 例 $f(x)=2x$($0\lt x\lt 1$,其它为…
- 方差有哪些运算性质?:$D(C)=0$;$D(aX+b)=a^2D(X)$;$D(X\pm Y)=D(X)+D(Y)\pm2\mathrm{Cov}(X,Y)$;$X$ 与 $Y$ 独立(或不相关)时 $D(X\pm Y)=D(X)+D(Y)$。 易错 系数要…
- 常见分布的期望和方差一览:0—1 分布:$p$,$p(1-p)$。二项分布 $B(n,p)$:$np$,$np(1-p)$。泊松分布 $P(\lambda)$:$\lambda$,$\lambda$。几何分布:$\frac1p$,$\frac{1-p}{p^2}$…
- 随机变量的标准化是什么?:设 $E(X)=\mu$,$D(X)=\sigma^2\gt 0$,则 $X^*=\frac{X-\mu}{\sigma}$ 称为 $X$ 的标准化随机变量,满足 $E(X^*)=0$,$D(X^*)=1$。 易错 标准化只是把期望变成 …
- 协方差的定义和计算公式:定义:$\mathrm{Cov}(X,Y)=E\{[X-E(X)][Y-E(Y)]\}$。计算公式:$\mathrm{Cov}(X,Y)=E(XY)-E(X)E(Y)$。 例 $E(X)=1$,$E(Y)=2$,$E(XY)=2.5$:$…
- 协方差有哪些运算性质?:$\mathrm{Cov}(X,Y)=\mathrm{Cov}(Y,X)$;$\mathrm{Cov}(X,C)=0$;$\mathrm{Cov}(aX,bY)=ab\,\mathrm{Cov}(X,Y)$;$\mathrm{Cov}(X…
- 相关系数的公式和性质:$\rho_{XY}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$(两个方差都大于 0)。性质:$|\rho_{XY}|\le1$;$|\rho_{XY}|=1$ 的充要条件是存在常数…
- 独立和不相关是什么关系?:独立一定不相关,不相关 不一定独立 。不相关的等价说法:$\rho_{XY}=0$ $\Leftrightarrow$ $\mathrm{Cov}(X,Y)=0$ $\Leftrightarrow$ $E(XY)=E(X)E(Y)$ $\…
大数定律与中心极限定理
- 切比雪夫不等式怎么写?:设 $X$ 的期望和方差都存在,则对任意 $\varepsilon\gt 0$:$P(|X-E(X)|\ge\varepsilon)\le\frac{D(X)}{\varepsilon^2}$,等价地 $P(|X-E(X)|\lt \va…
- 三个大数定律各自的条件是什么?:结论都是「前 $n$ 个变量的算术平均值 依概率收敛 」。切比雪夫大数定律:$X_1,X_2,\dots$ 相互独立,方差存在且有共同的上界,则 $\frac1n\sum_{i=1}^{n}X_i$ 与 $\frac1n\sum_{i=1…
- 独立同分布的中心极限定理说的是什么?:设 $X_1,X_2,\dots$ 独立同分布 ,$E(X_i)=\mu$,$D(X_i)=\sigma^2\gt 0$,则 $n$ 充分大时 $\sum_{i=1}^{n}X_i$ 近似服从 $N(n\mu,n\sigma^2)$,即 …
- 棣莫弗—拉普拉斯定理怎么用?:设 $X\sim B(n,p)$,$n$ 充分大时 $\frac{X-np}{\sqrt{np(1-p)}}$ 近似服从 $N(0,1)$,即 二项分布可用正态分布近似 :$P(a\lt X\le b)\approx\Phi\left(\…
抽样分布与参数估计
- 样本均值和样本方差的公式及其期望:$\bar X=\frac1n\sum_{i=1}^{n}X_i$;$S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$。设总体期望为 $\mu$、方差为 $\sigma^2$,则 $E(\bar…
- 卡方分布怎么构造,期望和方差是多少?:设 $X_1,\dots,X_n$ 相互独立且都服从 $N(0,1)$,则 $\chi^2=X_1^2+\dots+X_n^2\sim\chi^2(n)$,自由度 $n$ 是 独立平方项的个数 。 公式 $E(\chi^2)=n$,$D(…
- t 分布怎么构造,有什么性质?:设 $X\sim N(0,1)$,$Y\sim\chi^2(n)$,且 $X$ 与 $Y$ 相互独立 ,则 $T=\frac{X}{\sqrt{Y/n}}\sim t(n)$。 公式 密度关于纵轴对称,所以上分位点满足 $t_{1-\al…
- F 分布怎么构造,有什么性质?:设 $U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$,且 $U$ 与 $V$ 相互独立,则 $F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$。 公式 若 $F\sim F(n_1,n_…
- 正态总体的抽样分布有哪四条结论?:设 $X_1,\dots,X_n$ 是来自 $N(\mu,\sigma^2)$ 的样本:①$\bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right)$;②$\frac{(n-1)S^2}{\sigma…
- 矩估计怎么做?:用 样本矩代替总体矩 :有一个未知参数时,令 $E(X)=\bar X$ 解出参数;有两个未知参数时,再加一个方程 $E(X^2)=\frac1n\sum_{i=1}^{n}X_i^2$。 例 总体 $X\sim U(0,\theta)$…
- 最大似然估计的步骤是什么?:三步:①写似然函数 $L(\theta)=\prod_{i=1}^{n}f(x_i;\theta)$(离散型用分布律);②取对数 $\ln L(\theta)$;③令 $\frac{d\ln L}{d\theta}=0$ 解出 $\hat…
- 正态总体均值的置信区间公式:置信水平为 $1-\alpha$:$\sigma^2$ 已知 时为 $\left(\bar X\pm z_{\alpha/2}\frac{\sigma}{\sqrt n}\right)$;$\sigma^2$ 未知 时为 $\left(\…
- 上 α 分位点是怎么定义的?:设 $0\lt \alpha\lt 1$,满足 $P(X\gt x_\alpha)=\alpha$ 的数 $x_\alpha$ 叫做这个分布的上 $\alpha$ 分位点,即它 右边的面积 (概率)等于 $\alpha$。标准正态分布的记…
- 估计量的无偏性、有效性和一致性是什么?:无偏性:$E(\hat\theta)=\theta$,即估计量的期望等于被估计的参数。有效性:两个无偏估计量中 方差较小 的更有效。一致性(相合性):样本容量 $n$ 趋于无穷时,$\hat\theta$ 依概率收敛于 $\theta$。…
本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。