企业官网建设流程全解析

简介：这是一份面向高校学生、考研备考生与数据分析初学者的概率论与数理统计公式整理文档，系统汇总了排列组合、加法与乘法原理、随机事件与样本空间、事件关系与运算、概率的公理化定义、古典与几何概型、条件概率、乘法公式、独立性及贝叶斯公式等章节，覆盖从基础概念到统计推断的核心内容。压缩包内为单个doc格式文档，约1.41MB，轻量便携，适合打印或随时查阅；虽然只有一个文件，但内部按章节逐步展开，从“随机事件及其概率”到“随机变量及其分布”均有清晰梳理，便于对照教材或复习提纲逐条自查。已有1052人浏览学习。文档不仅列出公式，还对互斥、对立、独立等易混关系给出说明，并配有公式适用条件，能帮助读者快速定位所需内容，减少翻书整理时间；对正在备考、期末复习或入门机器学习想补齐概率基础的读者，是一份高密度、可直接使用的整理笔记。

1. 概率论与数理统计公式整理文档：考前都能用的公式底稿

凌晨两点翻开概率论课本，最崩溃的不是题不会做，而是公式找不到——贝叶斯公式的分母到底展开成几项，正态分布的标准化式子写到一半发现不会了。这份《概率论与数理统计公式整理.doc》解决的就是这个问题：按章节顺序把从随机事件到参数估计的全部核心公式收进一份文档，章节结构跟主流教材一致，从排列组合讲到区间估计，中间还覆盖了条件概率、八大分布、数字特征、大数定律与中心极限定理、抽样分布。正在备考期末、考研数学或者做统计分析需要临时查公式的人，它能省下大量反复翻课本的时间。文档的排版有 OCR 跳字，本篇会顺手把最关键的几个坑补全，并给出使用建议。

2. 随机事件与概率：从排列组合到贝叶斯公式的运算链路

这一章是概率论的起点，也是很多人丢分最多的地方。原因在于这个部分的公式不是孤立存在的，排列、组合、事件关系、条件概率、独立性全部串在一起，一步错步步错。建议先确认集合运算完全过关，再碰全概率和贝叶斯。

2.1 排列、组合与两个原理：先选对工具再数数

文档开篇给出的排列组合公式，是所有概率计算的基础计数工具。从 m 个不同个体中取 n 个进行排列：

P_m^n = \frac{m!}{(m-n)!}

从 m 个不同个体中取 n 个组成一组，不考虑顺序：

C_m^n = \frac{m!}{n!(m-n)!}

第一个式子算的是"选出来还要排序"，第二个式子算的是"选出来就完事"。很多计算错误不是算错阶乘，而是场景判断反了。比如从 5 个人里选 3 个人排成一排，这是排列，$P_5^3=60$；从 5 个人里选 3 个人组成小组，这是组合，$C_5^3=10$。记号上，文档里写成"从 m 个人中挑出 n 个人"，默认 m≥n，实际用公式时务必先检查这个前提，否则阶乘会出现负数。

加法原理和乘法原理是更上层的选择逻辑。加法原理对应"分类"：事件由不同方式完成，方式之间用或连接，总数相加；乘法原理对应"分步"：事件由连续步骤完成，步骤之间用且连接，总数相乘。一个典型的误用场景：掷两颗骰子求点数之和为 7 的概率，先想清楚"第一颗点数固定后第二颗点数被迫固定"，本质是分步，用乘法；而"点数之和为 7 的所有有序对"是分类，用加法把六种情况相加。文档里提到的"圆排列""顺序问题"属于进阶题，重点记住环形排列的 $(n-1)!$ 和重复排列的 $\frac{n!}{k_1!k_2!\cdots}$ 形式。

2.2 事件的关系与运算：德摩根率是一切"至少""都不"题目的钥匙

事件本身是样本空间的子集，所以事件运算本质上就是集合运算。文档给出了包含、等价、并、交、差、互斥、对立这几种关系。最容易混淆的是互斥和对立：互斥只要 $AB=\emptyset$，而对立不仅要求 $AB=\emptyset$，还要求 $A\cup B=\Omega$。互斥未必对立，对立一定互斥。比如掷骰子，"点数为奇数"和"点数为 2"互斥但不对立，因为"点数为 4"既不属于前者也不属于后者。

运算律里最有价值的是德摩根率，文档里这一行排版跳了字，直接补全：

\overline{A \cup B} = \overline{A} \cap \overline{B} \overline{A \cap B} = \overline{A} \cup \overline{B}

意思是"并集的补等于补集的交"，"交集的补等于补集的并"。做概率题时，"至少有一个发生"的反面是"一个都不发生"，直接用德摩根率写 $\overline{A\cup B\cup C}$，瞬间简化问题。我一般建议读者把这两条写在草稿纸最上方，凡是遇到"至少""至多"字样的题目，第一步先写对立事件。

分配率也是文档明确给出的一条：$(A\cup B)\cap C=(A\cap C)\cup(B\cap C)$。它和集合运算中的分配律一一对应，做复杂事件化简时不是靠背，而是靠画韦恩图验证一遍。

2.3 条件概率、全概率与贝叶斯公式：先验与后验别用反

条件概率的定义式是整个第二章的核心：

P(B|A) = \frac{P(AB)}{P(A)}, \quad P(A) > 0

条件概率本质是"把样本空间缩小到 A 上再数 B 的比例"。文档特别提醒：条件概率作为概率，满足所有普通概率性质，比如 $P(\Omega|B)=1$、$P(\overline{A}|B)=1-P(A|B)$，这些在推导多步条件概率时经常用到。

乘法公式是条件概率公式的移项：

P(AB) = P(A) P(B|A) = P(B) P(A|B)

扩展到 n 个事件时，文档给了链式形式 $P(A_1A_2\cdots A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)\cdots$。这个链条看着长，但每次只用当前已知信息去乘下一步的条件概率。

全概率公式解决的是"由因求果"：如果 $B_1,B_2,\dots,B_n$ 两两互斥且并集为 $\Omega$，那么对任意事件 A：

P(A) = \sum_{i=1}^{n} P(B_i) P(A|B_i)

贝叶斯公式解决的是"由果溯因"：已知结果 A 发生，反推是哪个原因 $B_i$ 导致的：

P(B_i|A) = \frac{P(B_i) P(A|B_i)}{\sum_{j=1}^{n} P(B_j) P(A|B_j)}

注意贝叶斯公式的分母，其实就是全概率公式计算出的 $P(A)$。很多同学做题时会把分母丢掉，或者把分子的 $P(B_i)P(A|B_i)$ 误写成 $P(A|B_i)$，这是高频翻车点。验证方法很简单：算完后把所有的 $P(B_i|A)$ 加起来，结果必须等于 1。如果不等于 1，要么是条件事件写反，要么是完全事件组没列全。文档原话把贝叶斯解读为"因果概率规律、由果溯因的推断"，用在复习时很形象——看到题目说"已知某种表现，求属于某个原因的概率"，直接走贝叶斯。

3. 随机变量与八大分布：分布律、密度函数与分位数表

这章从事件概率过渡到随机变量，抽象程度上升一个台阶。离散型看分布律，连续型看密度函数，两者统一用分布函数衔接。八大分布表格是这份文档最有价值的部分，几乎能覆盖全部基础题的分布识别需求。

3.1 分布律、密度函数与分布函数：三兄弟别搞混

离散型随机变量的分布律 $P(X=x_k)=p_k$ 满足两条：$p_k \ge 0$ 且 $\sum p_k=1$。连续型随机变量没有逐点概率，用密度函数 $f(x)$ 描述，满足 $f(x)\ge 0$ 且 $\int_{-\infty}^{+\infty} f(x),dx=1$。这里的直观理解是：密度函数某个点的高度没有概率意义，只有积分才有。

分布函数 $F(x)=P(X\le x)$ 统一了离散和连续两种情形。离散型对概率逐项累加：

F(x) = \sum_{x_k \le x} p_k

连续型对密度求积分：

F(x) = \int_{-\infty}^{x} f(t)\,dt

分布函数有几个性质必须刻进脑子里：单调不减、右连续、$F(-\infty)=0$、$F(+\infty)=1$。做区间概率时，有个端点问题十年考八年：$P(a < X \le b)=F(b)-F(a)$，这个式子里左开右闭。如果题目要求 $P(a \le X \le b)$，对连续型随机变量来说开闭不影响结果，因为单点概率为零；但对离散型，单点概率可能非零，必须逐点加上。这是离散与连续最典型的行为差异。

3.2 八大分布总表：参数、期望、方差与分布边界

整理这张表时，我按文档顺序把分布名称、记号、参数、分布律或密度、期望、方差全部列了出来。建议把表打印出来贴上墙，考前每天扫一遍。

表里隐藏着三条极限链，考试选择题最爱在这里挖坑。二项分布当 n 很大、p 很小时，近似泊松分布，近似条件是 $np=\lambda$；当 n 很大时，二项分布又近似正态分布，这是后面中心极限定理的雏形；超几何分布当 N 很大时，极限是二项分布。这三句话原文档都有，但散落在各处，合并起来看才能形成系统记忆。实际做题时，看到"不放回抽取"优先想超几何，看到"有放回抽取"或"n 次独立重复"优先想二项，看到"稀有事件发生次数"优先想泊松。

3.3 正态分布标准化与分位数查表：记住对称性就记住了一半

正态分布是连续型分布的重头戏。标准化的公式：

Z = \frac{X-\mu}{\sigma} \sim N(0,1)

标准化之后查标准正态分布表。文档里有一个关键对称性质：$\Phi(-x)=1-\Phi(x)$，且 $\Phi(0)=0.5$。查表时最常犯的错误是双侧概率忘了乘 2，比如要求 $P(|Z|>1.96)$，先算单侧再乘 2，而不是直接查一个数。

分位数是参数估计和假设检验的公共工具。文档区分了两类：下侧分位数 $x_\alpha$ 满足 $P(X\le x_\alpha)=\alpha$；上侧分位数满足 $P(X>x_\alpha)=\alpha$。标准正态分布常用的三个上侧分位数建议直接背：$z_{0.025}=1.96$，$z_{0.005}=2.576$，$z_{0.05}=1.645$。后面区间估计的置信区间宽度全靠这三个数撑着，现查表也行，但考场时间紧张时背下来更稳。

4. 二维随机变量与数字特征：联合、边缘、条件与相关

这一章把一维随机变量扩展成二维随机向量 $(X,Y)$，核心内容是联合分布、边缘分布、条件分布的关系，以及期望、方差、协方差、相关系数这几个数字特征。

4.1 联合分布、边缘分布与条件分布：从二维表到一维的投影

离散型二维随机变量的联合分布律 $p_{ij}=P(X=x_i,Y=y_j)$ 列成一张双行表。X 的边缘分布就是把同一行所有 $p_{ij}$ 求和：

P(X=x_i) = \sum_{j} p_{ij}

Y 的边缘分布就是对同一列求和。条件分布的本质是固定一个变量后重新归一化：

P(Y=y_j | X=x_i) = \frac{p_{ij}}{P(X=x_i)}

连续型完全平行：边缘密度是对另一个变量积分，$f_X(x)=\int_{-\infty}^{+\infty} f(x,y),dy$。条件密度是联合密度除以边缘密度，$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$。做连续型边缘密度题时，最容易翻车的点是积分上下限。如果联合密度的非零区域是三角形或梯形，对 y 积分时上限是 x 的函数而不是无穷大，必须先画区域图再定限。文档提到的"正概率密度区间为矩形"是快速判断独立性的筛选条件——如果正概率区域不是矩形，那么 X 和 Y 一定不独立；如果是矩形，还要看密度函数能否分离变量。

独立性定义式有三个等价形态，按题型选：一般型用 $F(x,y)=F_X(x)F_Y(y)$，离散型用 $p_{ij}=p_{i\cdot}p_{\cdot j}$，连续型用 $f(x,y)=f_X(x)f_Y(y)$。判断时先用"正概率区间是否矩形"排除一大批，再验证函数是否可分离变量。

4.2 期望、方差、协方差与相关系数：数字特征不是背公式而是看条件

期望和方差的性质里，最值得辨析的是两个"无条件"和一个"有条件"：

E(X+Y) = E(X) + E(Y) \quad \text{无条件成立}

D(X \pm Y) = D(X) + D(Y) \pm 2\operatorname{Cov}(X,Y) \quad \text{无条件成立}

D(X+Y) = D(X) + D(Y) \quad \text{仅当 X,Y 不相关时成立}

前两条无需任何前提，第三条要求不相关。很多同学把第三条当无条件用，这是数字特征部分最大的失分来源。协方差的计算优先用展开式：

\operatorname{Cov}(X,Y) = E(XY) - E(X)E(Y)

$\rho=0$ 与"X 和 Y 不相关"是同一个意思。文档给出了五个等价命题：$\rho=0$、$\operatorname{Cov}(X,Y)=0$、$E(XY)=E(X)E(Y)$、$D(X+Y)=D(X)+D(Y)$、$D(X-Y)=D(X)+D(Y)$。这五个命题等价的前提是各方差存在且有限，做题时验证其中一个成立即可推断另外四个。需要特别强调的关系是：独立一定不相关，但不相关不一定独立。唯一的例外是二维正态分布：在二维正态里，独立和不相关完全等价。文档里那句"若 $X\sim N(\mu_1,\sigma_1^2)$，$(X,Y)$ 未必是二维正态分布"提醒的就是：两个边缘都是正态，联合不一定是二维正态，此时不相关仍然不能推出独立。

计算相关系数时，我习惯固定一套流程：先算 $E(X)$、$E(Y)$、$E(XY)$，再算协方差，最后除以标准差。这样第三步自然落位，不会因为跳步导致某个中间量漏算。方差的计算优先走 $D(X)=E(X^2)-E^2(X)$，这个公式对离散和连续都成立，而且比定义式 $E[X-E(X)]^2$ 少一层嵌套，不容易算错。

4.3 随机变量函数分布：卷积、最大值最小值与三大抽样分布的雏形

一维函数的分布，连续型采用"分布函数法"：先写 $F_Y(y)=P(g(X)\le y)$，再对 $y$ 求导得 $f_Y(y)$。二维函数的分布里，$Z=X+Y$ 的卷积公式：

f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x)\,dx

这个公式要求 X、Y 独立，使用前提不能丢。两个独立的正态分布之和仍为正态分布，n 个独立正态变量的线性组合仍服从正态分布，这个结论在后续参数估计里反复出现，是少数可以直接背结论的定理。

最大值和最小值的分布函数是另一类高频考点。若 $X_1,\dots,X_n$ 独立同分布，分布函数为 $F(x)$，则：

F_{\max}(z) = [F(z)]^n

F_{\min}(z) = 1 - [1-F(z)]^n

这两个结论依赖独立性，不独立时不能用乘积形式。文档在第三章末尾给出的 $\chi^2$ 分布、t 分布、F 分布，实际上是在为第六章抽样分布做铺垫。$\chi^2$ 分布是一组独立标准正态变量的平方和，t 分布是标准正态除以 $\chi^2$ 与其自由度之比的平方根，F 分布是两个独立 $\chi^2$ 变量分别除以自由度后的比值。这里先建立符号印象，具体构造形式放到第六章用。

5. 大数定律与参数估计：考场高频失分点的避坑排查

这一章对应文档的第五、六、七章内容，也是公式密度最高的区域。大数定律和中心极限定理告诉我们在样本量足够大时随机现象呈现的规律，抽样分布和参数估计则把这些规律转化为具体的统计推断工具。这里把最容易丢分的点集中排查一遍。

5.1 大数定律与中心极限定理：三个大数定律的区别与适用条件

文档给出了三个大数定律。切比雪夫大数定律要求随机变量两两独立、方差存在且被同一常数界住；伯努利大数定律是它的特例，把频率与概率建立了联系；辛钦大数定律只要求独立同分布且期望存在，对方差没有要求。记忆时抓住关键词：切比雪夫管"方差一致有界"，辛钦管"独立同分布+期望存在"，伯努利管"频率趋近概率"。做题时先判断题目给的条件满足哪一条，再去写极限式。很多人直接默写"均值趋于期望"而忽略条件，这种丢分最可惜。

中心极限定理有两个版本。列维-林德伯格定理针对独立同分布随机变量序列，结论是标准化的样本均值收敛到标准正态分布：

\frac{\sum X_i - n\mu}{\sqrt{n}\sigma} \xrightarrow{d} N(0,1)

棣莫弗-拉普拉斯定理是它的二项分布特例：$X\sim B(n,p)$ 时，$\frac{X-np}{\sqrt{np(1-p)}}$ 近似服从标准正态。使用时注意中心极限定理给的是近似分布，不是精确分布，计算结果是"约等于"而不是"等于"。文档里还有一个容易被忽略的小结论：当 n 很大且 p 很小时二项分布近似泊松分布（$np=\lambda$ 为常数），这是稀有事件建模的理论依据。

5.2 样本与统计量：正态总体下的四大分布构造

样本均值、样本方差、样本 k 阶原点矩和中心矩是数理统计的基本量。样本方差用 $S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 定义，注意分母是 $n-1$ 而不是 $n$，这是为了无偏性。正态总体下的三大抽样分布：

\frac{\bar X - \mu}{S/\sqrt{n}} \sim t(n-1)

\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)

两个独立正态总体的样本方差之比：

\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F(n_1-1, n_2-1)

构造这些统计量时，分子的自由度、分母的自由度必须写对，尤其是 t 分布的自由度是 $n-1$，很多人写成 n，导致查表查错。遇到"两个正态总体比较方差"的题目，优先锁定 F 分布；遇到"单个正态总体方差未知比较均值"，优先锁定 t 分布。

5.3 矩估计与极大似然估计：一个方程解参数 vs 一组样本定参数

矩估计的核心思想是"总体矩等于样本矩"：

E(X^k) = \frac{1}{n} \sum_{i=1}^n X_i^k

列方程组解出未知参数。极大似然估计则分四步走：写出似然函数 $L(\theta)=\prod f(x_i;\theta)$；取对数 $\ln L(\theta)$；对参数求导并令导数为零；解方程得到估计量。离散型把密度换成分布律 $P(X=x_i)$ 即可，流程完全一样。

这里有一个经典反直觉题目：$X\sim U(0,\theta)$ 的极大似然估计不是样本均值，而是 $\hat\theta=\max{X_1,\dots,X_n}$。原因在于密度函数 $f(x)=\frac{1}{\theta}$ 在 $0\le x\le\theta$ 上取值，似然函数 $L(\theta)=\frac{1}{\theta^n}$ 在 $\theta\ge\max{x_i}$ 时单调递减，最大值恰好落在边界 $\max{x_i}$ 处。如果照搬"求导令零"的流程，会发现导数恒为负，这是似然函数在边界取极值的典型情况。以后遇到均匀分布参数估计，先检查定义域再求导。

5.4 区间估计与枢轴变量法：四步走完置信区间

区间估计有一套标准流程，文档称为枢轴变量法，共四步。第一步选取待估参数的优良估计量；第二步构造枢轴变量 $W$，要求 $W$ 含待估参数但不含其他未知参数，且分布已知；第三步按置信水平 $1-\alpha$ 查分位数；第四步解不等式得到置信区间。

单正态总体均值 $\mu$ 的区间估计分为两种情形。方差 $\sigma^2$ 已知时，枢轴变量：

Z = \frac{\bar X - \mu}{\sigma/\sqrt{n}} \sim N(0,1)

置信区间为 $\left(\bar X - z_{\alpha/2}\frac{\sigma}{\sqrt{n}},\ \bar X + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}\right)$。方差未知时，用样本标准差 $S$ 替代：

t = \frac{\bar X - \mu}{S/\sqrt{n}} \sim t(n-1)

置信区间为 $\left(\bar X - t_{\alpha/2}(n-1)\frac{S}{\sqrt{n}},\ \bar X + t_{\alpha/2}(n-1)\frac{S}{\sqrt{n}}\right)$。注意两个式子中分母形式相同，但查表位置不同：已知方差查标准正态表，未知方差查 t 分布表。样本量 n 大于 30 时 t 分布接近正态，但严格做题仍按题目要求查对应分位数。

方差的区间估计，均值未知时枢轴变量为 $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$，置信区间为：

\left( \frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)} \right) $$ 注意卡方分布不是对称的，上下分位数不能像正态那样写成"一个数 ± 另一个数"的形式。 ### 5.5 避坑记录：五条考场真实踩坑案例 **坑 1：贝叶斯公式结果加起来不等于 1** 现象：算出的后验概率 $P(B_i|A)$ 各项之和明显小于 1。 原因：完全事件组没找全，或者分母的 $P(A)$ 用的是全概率展开前的错误值。 解决：重新列出所有互斥原因 $B_1,\dots,B_n$，验证 $\sum P(B_i)=1$，并用 $\sum P(B_i)P(A|B_i)$ 重新算分母。 **坑 2：互斥事件被误判为独立** 现象：题目说 $P(AB)=0$，有人直接写 $P(AB)=P(A)P(B)$ 从而判独立。 原因：互斥和对立定义混淆，$P(AB)=0$ 只说明不能同时发生，没有给出任何独立性信息。 解决：独立性必须验证 $P(AB)=P(A)P(B)$。若一方概率大于零、另一方概率大于零且互斥，则一定不独立。 **坑 3：离散型分布函数端点概率算错** 现象：求 $P(1\le X<3)$ 时直接套 $F(3)-F(1)$，结果少了 $P(X=1)$。 原因：离散型分布函数是阶梯函数，单点概率可能存在。 解决：把区间端点逐个对照，写成 $P(1\le X<3)=P(X=1)+P(1<X<3)$，再用 $F(3^-)-F(1)+P(X=1)$ 兜底。 **坑 4：矩估计解出不符合参数范围的根** 现象：方程组解出 $\hat\theta=-0.5$，但原参数定义为正。 原因：解方程时没有考虑参数域约束，取了无效根。 解决：每解出一个估计值，代回原参数定义域检查。不符合时取可行范围内的边界值或重新审视方程组。 **坑 5：置信区间方向写反** 现象：方差已知的均值区间写成 $\bar X \pm z_{\alpha/2}\frac{S}{\sqrt n}$，分母错用样本标准差。 原因：题目给的是总体方差还是样本方差没看清楚，以偏概全用了同一个公式。 解决：动手前先圈出题目给出的数据名称。写 $\sigma$ 还是 $S$，直接影响下一步查正态表还是 t 表。 ## 6. 把公式文档变成自查清单：三步速查法 公式太多记不住，问题往往不在记忆方法，而在缺少一个自查机制。这套流程我在复习时反复用过，核心做法是"把文档当作考官，而不是当作课本"。第一步，盖住文档里八大分布表的期望和方差两列，只留分布名称和参数，自己默写全部期望方差，写错的直接标红。第二步，针对每个章节出一道"反向题目"，比如看到全概率公式，就给自己出"已知 $P(A|B_i)$ 和 $P(B_i)$，求 $P(B_i|A)$"，然后默写贝叶斯公式的分母展开；看到正态分布，就出"给一个实际数据，写出标准化后落在 $(-1.96,1.96)$ 的概率"。第三步，连续三遍做对的公式不再复检，只把标红的条目整理成错题清单，考前只看那张清单。 | 章节 | 自测问题 | 对应文档位置 | |---|---|---| | 随机事件 | 互斥、独立、对立的判定各写一个例子 | 第 1 章关系与运算 | | 随机变量 | 二项分布和泊松分布的期望方差互推 | 第 2 章八大分布表 | | 二维随机变量 | 由联合密度求边缘密度和条件密度 | 第 3 章联合分布 | | 数字特征 | 用 $D(X)=E(X^2)-E^2(X)$ 算一个分布 | 第 4 章方差性质 | | 参数估计 | 写出均值方差的置信区间公式 | 第 7 章区间估计 | 自测时不要只背公式，要把公式的适用条件一起说出来。比如 $D(X+Y)=D(X)+D(Y)$ 必须加上"不相关"三个字，否则默认按无条件展开式带协方差项处理。距考试还有一周时，每天花二十分钟过一遍上述清单，比盲目刷题效率高得多。 还有一个小习惯很管用：把这份文档里所有"当……时"的限定短语全部圈出来，单独抄在一张纸上。概率论与数理统计的公式极少无条件成立，每个定理前面都挂着适用前提，比如",P(A)>0"、",$X,Y$ 独立"、",$n$ 很大 $p$ 很小"。我从那以后每次复习都强制走一遍这个流程——先圈限定词，再默写公式本体。公式是死的，条件是活的，希望帮到你。 <p> <a href="https://download.csdn.net/download/xianman9895/11706009" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>