在概率与数理统计中常用的公式(添加中...)

古典概率

实验中， $A$ 的基本事件有 $a$ 个，$\bar{A}$ 的基本事件有 $b$ 个，则 $A$ 的概率为:
$$P(A)=\frac{a}{a+b}$$

条件概率

$$P(A|B)=\frac{P(AB)}{P(B)}$$

全概率公式

$$P(B)=\sum _{i=1}^{n}P(A_i)P(B|A_i)$$

贝叶斯公式

$$\begin{gathered} P(A_i|B)=\frac{P(A_i)P(B|A_i)}{{\sum }_{j=1}^{n}P(A_j)P(B|A_j)} \\ 以上两公式中，A_i与A_j互斥，且\sum _{i=1}^n{A}_i=1 \end{gathered}$$

事件独立

当 $P(A)与P(B)$ 独立时，$P(AB)=P(A)P(B)$。

各类分布

平均分布

$$f(x)=\frac{1}{b-a}$$

正泰分布（Gauss分布）

• 概率密度函数
  $$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$
• 概率分布函数
  $$F(x)={\int }_{-\infty }^{\infty }f(x)dx={\int }_{-\infty }^{\infty }\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}dx$$

数学期望 E(X)

离散型：
$$E(X)=\sum _1^{\infty }{x}_k{p}_k$$
连续型：
$$E(X)={\int }_{-\infty }^{\infty }xf(x)dx$$