文章目录
概率论基础
概率论基础要点
-
概率论基础概念
-
事件与概率
-
古典概型与几何概型
-
确定性现象:条件完全决定结果
-
随机性现象:条件不能完全决定结果,在一定条件下,可能出现这样的结果,也可能出现那样的结果,我们预先无法断言,这类现象称为随机现象
-
概率论与数理统计是研究什么的?
- 随机现象:不确定性与统计规律性
- 概率论:从数量上研究随机现象的统计规律性的科学
- 数理统计:从应用角度研究处理随机性数据,建立有效的统计方法,进行统计推理
随机试验
定义1:概率论中,将具有以下三个特点的试验称为随机试验,简称试验。随机试验常用 E E E表示。
- 在相同的情况下试验可以多次重复进行
- 一次试验结果不止一个,且试验之前无法确定具体是哪种结果
- 全部试验结果预先是确定的,且每次试验有且仅有一个结果出现
例如: E 1 E_1 E1抛一枚硬币,观察正面 H H H、反面 T T T出现的情况
E 2 E_2 E2掷一颗骰子,观察出现的点数
都是随机试验
样本空间与样本点
定义2 样本空间:试验的所有结果所组成的集合称为试验
E
E
E的样本空间,记为
Ω
\Omega
Ω。
试验的每个可能的结果(样本空间中的元素)称为试验
E
E
E的一个样本点
例如:
E
1
E_1
E1:抛一枚硬币,观察正面
H
H
H、反面
T
T
T出现的情况;
Ω
1
=
{
H
,
T
}
\Omega_1=\{H,T\}
Ω1={H,T};
E
2
E_2
E2:掷一颗骰子,观察出现的点数;
Ω
2
=
{
1
,
2
,
3
,
4
,
5
,
6
}
\Omega_2=\{1,2,3,4,5,6\}
Ω2={1,2,3,4,5,6};
随机事件
定义3 随机事件样本空间的任意一个子集称为随机事件,简称“事件”,记作
A
,
B
,
C
A,B,C
A,B,C等。
例如在试验
E
2
E_2
E2中,令
A
A
A表示“出现奇数点”,
A
A
A就是一个随机事件。
A
A
A还可以用样本点的集合形式表示 ,即
A
=
{
1
,
3
,
5
}
A=\{1,3,5\}
A={1,3,5},它是样本空间
Ω
\Omega
Ω的一个子集
基本事件: 随机事件仅包含一个样本点
ω
\omega
ω,单点子集
{
ω
}
\{\omega\}
{ω}。
复合事件: 包含两个或两个以上样本点的事件。
事件的性质与运算
(随机)事件的材质就是集合,集合的一切性质和运算都适用于事件
频率与概率
定义4 在相同的条件下,进行了
n
n
n次试验,在这
n
n
n次试验中,事件
A
A
A发生的次数
n
A
n_A
nA称为事件
A
A
A发生的频数。比值
n
A
n
\frac{n_A}{n}
nnA称为事件发生的频率,并记为
f
n
(
A
)
f_n(A)
fn(A)
在相同的条件下进行
n
n
n次重复试验,当
n
n
n趋于无穷大时,事件
A
A
A发生的频率
f
n
(
A
)
f_n(A)
fn(A)稳定于某个确定的常数
p
p
p,称此常数
p
p
p为事件
A
A
A发生的概率,记作
P
(
A
)
=
p
P(A)=p
P(A)=p
频率学派和贝叶斯学派?
概率的性质
- 0 ≤ P ( A ) ≤ 1 , P ( ∅ ) = 0 0\le{P}(A)\le{1}, P(\varnothing)=0 0≤P(A)≤1,P(∅)=0
- 互补性: P ( A ˉ ) = 1 − P ( A ) P(\bar{A})=1-P(A) P(Aˉ)=1−P(A)
- P ( A − B ) = P ( A ) − P ( A B ) P(A-B)=P(A)-P(AB) P(A−B)=P(A)−P(AB)
- 加法公式:对于任意事件A,B,有
P
(
A
+
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
B
)
P(A+B)=P(A)+P(B)-P(AB)
P(A+B)=P(A)+P(B)−P(AB)
例:设 A , B A,B A,B为两个随机事件, P ( A ) = 0.5 , P ( A ∪ B ) = 0.8 , P ( A B ) = 0.3 , 求 P ( B ) P(A)=0.5, P(A\cup{B})=0.8,P(AB)=0.3,求P(B) P(A)=0.5,P(A∪B)=0.8,P(AB)=0.3,求P(B)
因为: P ( A ∪ B ) P(A\cup{B}) P(A∪B)=P(A)+P(B)-P(AB)
得 P ( B ) = P ( A ∪ B ) − P ( A ) + P ( A B ) = 0.8 − 0.5 + 0.3 = 0.6 P(B)=P(A\cup{B})-P(A)+P(AB)=0.8-0.5+0.3=0.6 P(B)=P(A∪B)−P(A)+P(AB)=0.8−0.5+0.3=0.6
古典概型
定义5:理论上,具有下面两个特点的随机试验的概率模型,称为古典概型(或等可能概型):
1、有限性:基本事件是总数是有限的,换句话说样本空间仅包含有限个样本点
2、等可能性:每个基本事件发生的可能性是相同的。
古典概型的概率计算公式:
设事件
A
A
A中所含的样本点个数为
r
r
r,样本空间
Ω
\Omega
Ω中样本点总数为
n
n
n,则有
P
(
A
)
=
r
n
=
A
中
样
本
点
数
Ω
中
样
本
点
总
数
P(A)=\frac{r}{n}=\frac{A中样本点数}{\Omega中样本点总数}
P(A)=nr=Ω中样本点总数A中样本点数
P
(
A
)
=
r
n
=
A
所
包
含
的
基
本
事
件
数
基
本
事
件
总
数
P(A)=\frac{r}{n}=\frac{A所包含的基本事件数}{基本事件总数}
P(A)=nr=基本事件总数A所包含的基本事件数
例2:从1-9个数字中有放回的抽取两次,这两次数字相同的概率是多少?
完备事件组=
{
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
,
9
}
\{1,2,3,4,5,6,7,8,9\}
{1,2,3,4,5,6,7,8,9}
P
(
两
次
数
字
一
样
)
P(两次数字一样)
P(两次数字一样)=1-
P
(
两
次
数
字
不
一
样
)
P(两次数字不一样)
P(两次数字不一样)
第一次是任意抽取,第二次是在不包括第一次的数中取数即可,因此
r
1
=
9
,
r
2
=
8
r_1=9,r_2=8
r1=9,r2=8
P
(
A
)
=
8
∗
9
9
∗
9
=
8
9
P(A)=\frac{8*9}{9*9}=\frac{8}{9}
P(A)=9∗98∗9=98
几何概型
把有限个样本点推广到无限个样本点的场合,人们引入了几何概型,由此形成了确定概率的另一方法-几何方法
定义6:若对于一随机试验,每个样本点出现是等可能的,样本空间
Ω
\Omega
Ω所含的样本点个数为无穷多个,且具有非零的,有限的几何度量,即
0
<
m
(
Ω
)
<
∞
0<m(\Omega)<\infty
0<m(Ω)<∞,则称这一随机试验是一几何概型。
当随机试验的样本空间是某个区域,并且任意一点落在度量(长度、面积、体积)相同的子区域是等可能的,则事件
A
A
A的概率可定义为
P
(
A
)
=
m
(
A
)
m
(
Ω
)
P(A)=\frac{m(A)}{m(\Omega)}
P(A)=m(Ω)m(A)
其中,
m
(
Ω
)
m(\Omega)
m(Ω)是样本空间的度量,
m
(
A
)
m(A)
m(A)是构成事件
A
A
A的子区域的度量,这样借助于几何上的度量来合理规定的概率称为几何概率
条件概率
条件概率
概率加法公式:若事件
A
A
A与
B
B
B互斥,则
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
P(A\cup{B})=P(A)+P(B)
P(A∪B)=P(A)+P(B),那么怎么求
A
A
A与
B
B
B的积事件
A
B
AB
AB呢?
note:
- 事件 A A A发生对事件 B B B发生的概率没有影响,则称两事件是相互独立的
- 事件 A A A与 B B B至少有一个发生的事件叫 A A A与 B B B的和事件,记为 A ∪ B A\cup{B} A∪B或 A + B A+B A+B
- 事件 A A A与 B B B都发生的事件叫做 A A A与 B B B的积事件,记为 A ∩ B 或 A B A\cap{B}或AB A∩B或AB
- 若
A
B
AB
AB是不可能事件,则说事件
A
A
A与
B
B
B互斥
条件概率:一般地,设 A A A, B B B为两个事件,且 P ( A ) > 0 P(A)>0 P(A)>0,称:
P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\frac{P(AB)}{P(A)} P(B∣A)=P(A)P(AB)
为在事件 A A A发生的条件下,事件 B B B发生的条件概率 P ( B ∣ A ) P(B|A) P(B∣A)
读作: A A A发生的条件下 B B B的概率
在 A A A事件已经发生的情况下, P ( B ∣ A ) P(B|A) P(B∣A)相当于是 A = Ω A=\Omega A=Ω的。,因此
P ( B ∣ A ) = P ( A B ) P ( A ) ( P ( A ∩ B = P ( A B ) Ω ) ) P(B|A)=\frac{P(AB)}{P(A)}(P(A\cap{B}=\frac{P(AB)}{\Omega})) P(B∣A)=P(A)P(AB)(P(A∩B=ΩP(AB)))
分子 P ( A ∩ B ) = P ( A B ) P(A\cap{B})=P(AB) P(A∩B)=P(AB),仍然是下图中深蓝色的部分,面积不变。因为 A A A事件确定已经发生,因此分母 Ω \Omega Ω变成了 P ( A ) P(A) P(A)
- 0 ≤ P ( B ∣ A ) ≤ 1 0\le{P(B|A)}\le{1} 0≤P(B∣A)≤1
- 几何解释见上图
- 可加性:如果 B 和 C B和C B和C互斥,那么 P [ ( B ∪ C ) ∣ A ] = P ( B ∣ A ) + P ( C ∣ A ) P[(B\cup{C})|A]=P(B|A)+P(C|A) P[(B∪C)∣A]=P(B∣A)+P(C∣A)
加法公式
对于事件空间
Ω
\Omega
Ω,事件
A
A
A和
B
B
B的加法公式是
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
∩
B
)
P(A\cup{B})=P(A)+P(B)-P(A\cap{B})
P(A∪B)=P(A)+P(B)−P(A∩B),若
A
,
B
A,B
A,B事件相互独立,那么:
P
(
A
∩
B
)
=
0
P(A\cap{B})=0
P(A∩B)=0
例:设
A
,
B
A,B
A,B为两个随机事件,
P
(
A
)
=
0.6
,
P
(
B
)
=
0.4
,
P
(
A
B
)
=
0.3
P(A)=0.6, P(B)=0.4, P(AB)=0.3
P(A)=0.6,P(B)=0.4,P(AB)=0.3,求
P
(
A
∪
B
)
P(A\cup{B})
P(A∪B)。若
A
,
B
A,B
A,B相互独立,求
P
(
A
∪
B
)
P(A\cup{B})
P(A∪B)
0.6+0.4-0.3=0.7
1
乘法公式
若 P ( B ) > 0 P(B)>0 P(B)>0,
- P ( B ∣ A ) P ( A ) = P ( A B ) P(B|A)P(A)=P(AB) P(B∣A)P(A)=P(AB)
-
P
(
A
∣
B
)
P
(
B
)
=
P
(
A
B
)
P(A|B)P(B)=P(AB)
P(A∣B)P(B)=P(AB)
上式称为条件事件的乘法公式
若 A , B A,B A,B事件相互独立,那么: P ( A B ) = P ( A ) P ( B ) = 0 ? ? ? P(AB)=P(A)P(B)=0??? P(AB)=P(A)P(B)=0???
上式可能推广到 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An个独立事件,且 P ( A 1 A 2 . . . A n ) > 0 P(A_1A_2...A_n)>0 P(A1A2...An)>0,则 P ( A 1 A 2 . . . A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P ( A 3 ∣ A 1 A 2 ) . . . P ( A n ∣ A 1 A 2 . . . A n − 1 ) P(A_1A_2...A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)...P(A_n|A_1A_2...A_{n-1}) P(A1A2...An)=P(A1)P(A2∣A1)P(A3∣A1A2)...P(An∣A1A2...An−1)
上式就是条件概率下的链式法则
排列组合
组合:从n个元素中抽取m个元素组成一组:(不考虑其顺序)的组合方式个数,记
C
n
m
C_n^m
Cnm
C
n
m
=
A
n
m
A
m
m
=
n
!
m
!
(
n
−
m
)
!
,
其
中
C
n
0
=
1
C_n^m=\frac{A_n^m}{A_m^m}=\frac{n!}{m!(n-m)!},其中C_n^0=1
Cnm=AmmAnm=m!(n−m)!n!,其中Cn0=1
排列:从n个元素中抽取m个元素的所有不同的排列数,记作
A
n
m
,
其
中
m
≤
n
A_n^m,其中m\le{n}
Anm,其中m≤n
A
n
m
=
n
(
n
−
1
)
.
.
.
(
n
−
m
−
1
)
A_n^m=n(n-1)...(n-m-1)
Anm=n(n−1)...(n−m−1)
例:求
C
4
2
和
A
5
2
C_4^2和A_5^2
C42和A52
全概率公式
当求某一事件
A
A
A的概率比较困难,而求条件概率比较容易时,可先设法将这个事件
A
A
A分成几个互不相容事件的和,再利用加法公式和乘法公式解之。
定义3,样本
B
1
,
B
2
…
B
n
B_1,B_2…B_n
B1,B2…Bn为一系列互不相容的事件,且
⋃
i
=
1
n
B
i
=
Ω
\bigcup_{i=1}^nB_i=\Omega
i=1⋃nBi=Ω
则对任一事件
A
A
A,有
P
(
A
)
=
P
(
B
1
)
P
(
A
∣
B
1
)
+
P
(
B
2
)
P
(
A
∣
B
2
)
+
.
.
.
+
P
(
B
n
)
P
(
A
∣
B
n
)
=
∑
i
=
1
n
P
(
B
i
)
P
(
A
∣
B
i
)
P(A)=P(B_1)P(A|B_1)+P(B_2)P(A|B_2)+...+P(B_n)P(A|B_n)=\sum_{i=1}^nP(B_i)P(A|B_i)
P(A)=P(B1)P(A∣B1)+P(B2)P(A∣B2)+...+P(Bn)P(A∣Bn)=i=1∑nP(Bi)P(A∣Bi)
例1,某工厂有3个车间生产同一种产品,根据以往的记录有以下数据:请问现从出厂产品中任取一件,问取到次品的概率?
车间 | 次品率 | 提供份额 |
---|---|---|
1 | 0.02 | 30% |
2 | 0.01 | 55% |
3 | 0.03 | 15% |
由题意可知,取到次品分别是3个车间的3种不同的概率是互不相容事件。
设取到次品的概率为
A
A
A,次品是1车间的概率为
A
B
1
AB_1
AB1,次品是2车间的概率为
A
B
2
AB_2
AB2,次品是3车间的概率为
A
B
3
AB_3
AB3,有
A
=
A
B
1
+
A
B
2
+
A
B
3
A=AB_1+AB_2+AB_3
A=AB1+AB2+AB3
P
(
A
)
=
P
(
A
B
1
)
+
P
(
A
B
2
)
+
P
(
A
B
3
)
P(A)=P(AB_1)+P(AB_2)+P(AB_3)
P(A)=P(AB1)+P(AB2)+P(AB3)
=
P
(
B
1
)
P
(
A
∣
B
1
)
+
P
(
B
2
)
P
(
A
∣
B
2
)
+
P
(
B
3
)
P
(
A
∣
B
3
)
=P(B_1)P(A|B_1)+P(B_2)P(A|B_2)+P(B_3)P(A|B_3)
=P(B1)P(A∣B1)+P(B2)P(A∣B2)+P(B3)P(A∣B3)
=
0.30
∗
0.02
+
0.55
∗
0.01
+
0.15
∗
0.03
=
0.016
=0.30*0.02+0.55*0.01+0.15*0.03=0.016
=0.30∗0.02+0.55∗0.01+0.15∗0.03=0.016
概率分布
要点
- 概率分布类型(离散型分布与连续型分布)
- 期望与方差(概念与计算方法)
- 高斯分布(最常用的连续型分布)
离散型分布与连续型分布
离散型分布:变量只能取离散值,即有限可列举的值;表达形式是分布列或语言描述
连续型分布:变量取一个或多个区间,不可列举;表达形式是函数表达式:概率密度函数
伯努利分布(又叫两点分布或01分布)
如果随机变量只有0和1两种可能的取值,并且相应的概率为:
P
(
X
=
1
)
=
p
,
P
(
X
=
0
)
=
1
−
p
P(X=1)=p, P(X=0)=1-p
P(X=1)=p,P(X=0)=1−p
则称随机变量
X
X
X服从参数为
p
p
p的伯努利分布。
二项分布
二项分布又叫
n
n
n重伯努利试验(白努力试验),
X
X
X的取值为
0
,
1
,
.
.
.
,
n
0,1,...,n
0,1,...,n。因为白努力试验的结果是0或1,设一次白努力试验结果为1的概率为
p
p
p,则
n
n
n次白努力试验之后,结果中有
k
个
1
k个1
k个1的概率为:
P
(
X
=
k
)
=
C
n
k
p
k
(
1
−
p
)
n
−
k
,
k
=
0
,
1
,
.
.
.
,
n
P(X=k)=C_n^kp^k(1-p)^{n-k},k=0,1,...,n
P(X=k)=Cnkpk(1−p)n−k,k=0,1,...,n
例:临床上用针灸治疗某种头痛,有效的概率为60%,现用该方法治疗3个病例,其中两例有效的概率是多少?
C
3
2
∗
0.
6
2
∗
0.
4
1
=
3
∗
0.36
∗
0.4
=
0.432
C_3^2*0.6^2*0.4^1=3*0.36*0.4=0.432
C32∗0.62∗0.41=3∗0.36∗0.4=0.432
再例:扔硬币10次都向上的概率是?
C
10
10
∗
0.
5
10
∗
0.
5
0
=
(
1
2
)
10
=
1
1024
=
0.0009765625
C_{10}^{10}*0.5^{10}*0.5^{0}=(\frac{1}{2})^{10}=\frac{1}{1024}=0.0009765625
C1010∗0.510∗0.50=(21)10=10241=0.0009765625
10次中6次向上的概率是?
C
10
6
∗
0.
5
6
∗
0.
5
4
=
210
∗
1
64
∗
1
16
=
C_{10}^6*0.5^6*0.5^4=210*\frac{1}{64}*\frac{1}{16}=
C106∗0.56∗0.54=210∗641∗161=
数学期望
期望的性质
E
(
C
)
=
C
E(C)=C
E(C)=C
E
(
a
X
)
=
a
E
(
X
)
E(aX)=aE(X)
E(aX)=aE(X)
E
(
X
+
Y
)
=
E
(
X
)
+
E
(
Y
)
E(X+Y)=E(X)+E(Y)
E(X+Y)=E(X)+E(Y)
当
X
Y
XY
XY相互独立时,
E
(
X
Y
)
=
E
(
X
)
E
(
Y
)
E(XY)=E(X)E(Y)
E(XY)=E(X)E(Y)