在准备考研数学的过程中，概率论是必不可少的一部分，它涉及到许多重要的公式和理论。以下是对概率类公式的一个详细总结，帮助考生深入理解和应用这些概念。
我们来看随机事件及其概率的一些基本定律。吸收律指出，如果事件A发生后必然导致事件B发生，那么P(B|A) = 1。反演律则是指，如果事件A和B互斥，即A和B不能同时发生，那么P(A' | B') = 1 - P(A)。这里A'表示A的补集，B'同样表示B的补集。
概率的计算通常基于加法和乘法公式。加法公式表明，对于任意两个事件A和B，事件A或B至少发生一个的概率是P(A ∪ B) = P(A) + P(B) - P(A ∩ B)，其中P(A ∩ B)表示A和B同时发生的概率。乘法公式则是计算两个事件同时发生的概率，P(A ∩ B) = P(A) * P(B|A)。
条件概率是当我们知道某个事件已经发生时，另一个事件发生的概率。例如，全概率公式是通过已知的各个独立事件的概率来计算整体事件的概率。Bayes公式则用于反向推算，它表示了在已知结果的情况下，事件A发生的概率P(A|B)可以通过P(B|A)、P(A)和P(B)计算得出。
离散型随机变量包括0-1分布、二项分布和泊松分布。0-1分布只有两种可能的结果，即0和1，概率分别为p和1-p。二项分布常用于表示n次独立重复实验，每次实验成功概率为p的情况。泊松分布适用于描述单位时间内事件发生的次数，其概率质量函数与二项分布类似，但不依赖于特定的试验次数。
连续型随机变量则涉及均匀分布、指数分布和正态分布。均匀分布在指定区间上具有等概率；指数分布描述了事件之间的时间间隔，常见于服务时间或等待时间的建模；正态分布，又称为高斯分布，是自然界最普遍的分布，N(m, s²)表示均值为m，标准差为s的正态分布，而N(0,1)是标准正态分布。
在处理多维随机变量时，我们需要了解二维随机变量的分布函数、边缘分布和边缘密度函数。二维正态分布是两个连续随机变量共同遵循的概率分布，其特点包括联合概率密度函数的形式。
随机变量的数字特征是衡量其取值集中趋势和分散程度的关键。数学期望E(X)代表随机变量的平均值，而k阶原点矩和k阶中心矩分别用于描述分布的形状。方差D(X)是衡量随机变量离散程度的标准，而协方差Cov(X,Y)和相关系数ρ(X,Y)则反映了两个随机变量之间的线性关系强度。
以上就是考研数学概率类公式的主要内容，理解并掌握这些公式对于解答相关问题至关重要，同时也为深入学习概率论与数理统计打下了坚实的基础。希望这些总结能助力考生在考研路上一帆风顺。
