大二下:概率论与数理统计复习 导航页:https://blog.csdn.net/COCO56/article/details/100152856
1. 随机事件与样本空间的概念
2. 事件的关系
3. 事件的运算律
- 交 换 律 : A ∪ B = B ∪ A ; A ∩ B = B ∩ A 交换律:A\cup B=B\cup A;\ A\cap B=B\cap A 交换律:A∪B=B∪A; A∩B=B∩A
- 结 合 律 : A ∪ ( B ∪ C ) = ( A ∪ B ) ∪ C ; A ∩ ( B ∩ C ) = ( A ∩ B ) ∩ C . 结合律:A\cup (B\cup C)=(A\cup B)\cup C;\ A\cap (B\cap C)=(A\cap B)\cap C. 结合律:A∪(B∪C)=(A∪B)∪C; A∩(B∩C)=(A∩B)∩C.
- 分 配 律 : A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) ; A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) . 分配律:A\cup (B\cap C)=(A\cup B)\cap (A\cup C); \ A\cap (B\cup C)=(A\cap B)\cup (A\cap C). 分配律:A∪(B∩C)=(A∪B)∩(A∪C); A∩(B∪C)=(A∩B)∪(A∩C).
-
德
摩
根
律
:
A
∪
B
‾
=
A
‾
∩
B
‾
,
A
∩
B
‾
=
A
‾
∪
B
‾
;
A
∪
B
∪
C
‾
=
A
‾
∩
B
‾
∩
C
‾
,
A
∩
B
∩
C
‾
=
A
‾
∪
B
‾
∪
C
‾
德摩根律:\overline{A\cup B}=\overline{A}\cap\overline{B}, \ \overline{A\cap B}=\overline{A}\cup \overline{B}; \\ \overline{A\cup B\cup C}=\overline{A}\cap \overline{B}\cap \overline{C}, \ \overline{A\cap B\cap C}=\overline{A}\cup \overline{B}\cup \overline{C}
德摩根律:A∪B=A∩B, A∩B=A∪B;A∪B∪C=A∩B∩C, A∩B∩C=A∪B∪C
并的补等于补的交,交的补等于补的并。 - 此 外 , 还 应 注 意 到 : A − B = A B ‾ , A = ( A B ) ∪ ( A B ‾ ) 此外,还应注意到:A-B=A\overline{B}, A=(AB)\cup(A\overline{B}) 此外,还应注意到:A−B=AB,A=(AB)∪(AB)
4. 概率的概念和性质
5. 古典概型
如果试验E的结果只有有限种,且每种结果发生的可能性相同,则称这样的试验模型为等可能概率模型或古典概率模型,简称等可能模型或古典概率。
古典概率的事件A概率为:
P
(
A
)
=
A
中
包
含
样
本
点
数
k
样
本
点
总
数
n
=
k
n
P(A)=\frac{A中包含样本点数k}{样本点总数n}=\frac{k}{n}
P(A)=样本点总数nA中包含样本点数k=nk
6. 条件概率
条件概率P(B|A)表示已知事件A发生的情况下事件B发生的概率:
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P
(
B
‾
∣
A
)
=
1
−
P
(
B
∣
A
)
=
1
−
P
(
A
B
)
P
(
A
)
\begin{aligned} P(B|A)&=\frac{P(AB)}{P(A)}\\ P(\overline{B}|A)&=1-P(B|A)=1-\frac{P(AB)}{P(A)} \end{aligned}
P(B∣A)P(B∣A)=P(A)P(AB)=1−P(B∣A)=1−P(A)P(AB)
7. 乘法定理
P ( B ∣ A ) = P ( A B ) P ( A ) ⇒ P ( A B ) = P ( B ∣ A ) P ( A ) P(B|A)=\frac{P(AB)}{P(A)} \Rightarrow P(AB)=P(B|A)P(A) P(B∣A)=P(A)P(AB)⇒P(AB)=P(B∣A)P(A)
8. 全概率公式
P ( A ) = ∑ i = 1 n P ( A B i ) = ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(A)=\sum_{i=1}^{n}P(AB_i)=\sum_{i=1}^{n}P(A|B_i)P(B_i) P(A)=i=1∑nP(ABi)=i=1∑nP(A∣Bi)P(Bi)
9. 贝叶斯公式
P
(
B
i
∣
A
)
=
P
(
B
i
A
)
P
(
A
)
=
P
(
A
∣
B
i
)
P
(
B
i
)
∑
j
=
1
n
P
(
A
∣
B
j
)
P
(
B
j
)
P(B_i|A)=\frac{P(B_iA)}{P(A)}=\frac{P(A|B_i)P(B_i)}{\sum_{j=1}^{n}P(A|B_j)P(B_j)}
P(Bi∣A)=P(A)P(BiA)=∑j=1nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi)
注:如果完备事件组只包含两部分,也就是B和
B
‾
\overline{B}
B,这样公式变为:
- 全概率公式
P ( A ) = P ( A ∣ B ) P ( B ) + P ( A ∣ B ‾ ) P ( B ‾ ) P(A)=P(A|B)P(B)+P(A|\overline{B})P(\overline{B}) P(A)=P(A∣B)P(B)+P(A∣B)P(B) - 贝叶斯公式
P ( B ∣ A ) = P ( A B ) P ( A ) = P ( A ∣ B ) P ( B ) P ( A ∣ B ) P ( B ) + P ( A ∣ B ‾ ) P ( B ‾ ) P(B|A)=\frac{P(AB)}{P(A)}=\frac{P(A|B)P(B)}{P(A|B)P(B)+P(A|\overline{B})P(\overline{B})} P(B∣A)=P(A)P(AB)=P(A∣B)P(B)+P(A∣B)P(B)P(A∣B)P(B)
10. 事件独立性
设A和B是两个事件,若P(B)>0,则可定义条件概率P(A|B)。它表示在事件B发生的条件下,事件A发生的概率;而P(A)表示不管事件B发生与否,事件A发生的概率。若P(A|B)=P(A),则表明事件B的发生并不影响事件A发生的概率,比如掷骰子实验,第一次的结果并不影响第二次的结果。这时称事件A与B相互独立,并且乘法公式变成了:
P
(
A
B
)
=
P
(
A
∣
B
)
P
(
B
)
=
P
(
A
)
P
(
B
)
P(AB)=P(A|B)P(B)=P(A)P(B)
P(AB)=P(A∣B)P(B)=P(A)P(B)
1.
A
和
B
相
对
独
立
⇔
P
(
A
B
)
=
P
(
A
)
P
(
B
)
A
和
B
同
时
发
生
的
概
率
=
A
发
生
的
概
率
×
B
发
生
的
概
率
⇔
P
(
B
)
=
P
(
B
∣
A
)
(
P
(
A
)
>
0
)
B
发
生
的
概
率
=
A
发
生
的
条
件
下
B
发
生
的
概
率
⇔
P
(
B
∣
A
)
=
P
(
B
∣
A
‾
)
(
0
<
P
(
A
)
<
1
)
A
发
生
的
条
件
下
B
发
生
的
概
率
=
A
不
发
生
的
条
件
下
B
发
生
的
概
率
⇔
P
(
A
∣
B
)
=
P
(
A
∣
B
‾
)
(
0
<
P
(
B
)
<
1
)
B
发
生
的
条
件
下
A
发
生
的
概
率
=
B
不
发
生
的
条
件
下
A
发
生
的
概
率
\begin{aligned} A和B相对独立&\Leftrightarrow \bf{P(AB)=P(A)P(B)} \\ &\qquad A和B同时发生的概率=A发生的概率\times B发生的概率\\ &\Leftrightarrow P(B)=P(B|A)\qquad (P(A)>0)\\ &\qquad B发生的概率=A发生的条件下B发生的概率\\ &\Leftrightarrow P(B|A)=P(B|\overline{A})\qquad (0<P(A)<1)\\ &\qquad A发生的条件下B发生的概率=A不发生的条件下B发生的概率 \\ &\Leftrightarrow P(A|B)=P(A|\overline{B})\qquad (0<P(B)<1) \\ &\qquad B发生的条件下A发生的概率=B不发生的条件下A发生的概率 \end{aligned}
A和B相对独立⇔P(AB)=P(A)P(B)A和B同时发生的概率=A发生的概率×B发生的概率⇔P(B)=P(B∣A)(P(A)>0)B发生的概率=A发生的条件下B发生的概率⇔P(B∣A)=P(B∣A)(0<P(A)<1)A发生的条件下B发生的概率=A不发生的条件下B发生的概率⇔P(A∣B)=P(A∣B)(0<P(B)<1)B发生的条件下A发生的概率=B不发生的条件下A发生的概率
2.
A
和
B
相
互
独
立
,
则
A
和
B
‾
,
A
‾
和
B
,
A
‾
和
B
‾
也
相
互
独
立
;
A和B相互独立,则A和\overline{B},\overline{A}和B,\overline{A}和\overline{B}也相互独立;
A和B相互独立,则A和B,A和B,A和B也相互独立;
3. 当两个事件的概率都大于0小于1时,也就是P(A)>0,P(B)>0,A和B相互独立与A和B互不相容不能同时成立,也就是独立则不互斥,互斥则不独立,因为:
A
和
B
互
不
相
容
⇔
A
B
=
∅
⇔
P
(
A
B
)
=
0
A和B互不相容\Leftrightarrow AB=\emptyset \Leftrightarrow P(AB)=0
A和B互不相容⇔AB=∅⇔P(AB)=0
这与P(AB)=P(A)P(B)>0是矛盾的。
4. 三个事件A,B,C相互独立,则满足:
P
(
A
B
)
=
P
(
A
)
P
(
B
)
,
P
(
A
C
)
=
P
(
A
)
P
(
C
)
,
P
(
B
C
)
=
P
(
B
)
P
(
C
)
,
P
(
A
B
C
)
=
P
(
A
)
P
(
B
)
P
(
C
)
若
只
满
足
前
三
个
式
子
,
则
叫
做
两
两
相
互
独
立
。
\begin{aligned} &P(AB)=P(A)P(B), \\ &P(AC)=P(A)P(C), \\ &P(BC)=P(B)P(C), \\ &P(ABC)=P(A)P(B)P(C) \\ \\ &若只满足前三个式子,则叫做两两相互独立。 \end{aligned}
P(AB)=P(A)P(B),P(AC)=P(A)P(C),P(BC)=P(B)P(C),P(ABC)=P(A)P(B)P(C)若只满足前三个式子,则叫做两两相互独立。