1.1样本空间
随机现象: 一定条件下并不总是出现相同结果的现象
特点① 出现结果不止一个
特点② 并不知道哪个结果会出现
会表现出一定的规律性,称之为统计规律性
随机试验:对随机现象进行的试验和观察 记为 E
特征①随机性
特征②可重复进行
样本点: 随机试验的一个可能的结果 记为 ω
样本空间: 随机试验所有样本点组成的集合 Ω(来自于随机试验)
分为离散样本空间和连续样本空间
随机事件
随机事件 随机试验可能结果的集合,是Ω部分元素组成的集合,多用A,B,C表示,也可以用文字表述
本质是集合,是Ω的子集
特殊事件:
①基本事件:只有一个样本点
②必然事件:包含所有样本点 Ω
③不可能事件:不含任何样本点的事件
事件A发生:随机事件出现结果ω包含在随机事件A中,也就是ω∈A
事件的关系
1)包含:A发生导致B发生,A包含于B
A
⊂
B
A\subset B
A⊂B
2)相等:A包含于B且B包含于A,A=B
3)互不相容:A与B不能同时发生
事件运算
1)交: A, B至少有一个发生构成的事件
A
∪
B
A∪B
A∪B
2)并: A和B同时发生构成的事件
A
∩
B
A∩B
A∩B或
A
B
AB
AB
3)差:A发生而B不发生的事件
A
−
B
A-B
A−B
4)对立:事件Ω\A称为A的对立事件
A
‾
\overline{A}
A
5)对称差:A\B和B\A的并
A
△
B
A\triangle B
A△B
补充①
A
∪
B
=
B
∪
A
,
A
B
=
B
A
A∪B = B∪A, AB = BA
A∪B=B∪A,AB=BA
补充②
一般
A
\
B
≠
B
\
A
A\backslash B \ne B\backslash A
A\B=B\A
A
△
B
=
B
△
A
A\triangle B = B\triangle A
A△B=B△A
补充③
A
B
=
∅
⇔
A
和
B
互
不
相
容
AB = \emptyset \Leftrightarrow A和B互不相容
AB=∅⇔A和B互不相容
补充④
A,B对立,则一定互不相容
补充⑤
A
‾
‾
=
A
;
A
‾
=
B
⇔
A
B
=
∅
且
A
∪
B
=
Ω
\overline{\overline{A}} = A;\overline{A} = B \Leftrightarrow AB = \emptyset且A∪B = Ω
A=A;A=B⇔AB=∅且A∪B=Ω
补充⑥
A
△
B
=
(
A
\
B
)
+
(
B
\
A
)
A\triangle B = (A\backslash B) + (B\backslash A)
A△B=(A\B)+(B\A)
A
∪
B
=
(
A
△
B
)
+
(
A
B
)
A∪B = (A\triangle B)+(AB)
A∪B=(A△B)+(AB)
对偶公式
A
∪
B
‾
=
A
‾
∩
B
‾
A
∩
B
‾
=
A
‾
∪
B
‾
\overline{A∪B} = \overline{A}∩ \overline{B}\quad\quad \overline{A∩B} = \overline{A}∪\overline{B}
A∪B=A∩BA∩B=A∪B
事件域
Ω是样本空间,𝓕是Ω部分自己组成的集合类
1
)
Ω
∈
F
2
)
A
∈
F
蕴
含
A
‾
∈
F
3
)
对
于
任
意
n
≥
1
,
A
n
∈
F
蕴
含
∪
n
=
1
∞
A
n
∈
F
1)Ω∈\mathcal{F}\\ 2)A∈\mathcal{F}蕴含\overline{A}∈\mathcal{F}\\ 3)对于任意n≥1,A_n∈\mathcal{F}蕴含\cup^∞_{n=1}A_n∈\mathcal{F}
1)Ω∈F2)A∈F蕴含A∈F3)对于任意n≥1,An∈F蕴含∪n=1∞An∈F
𝓕是Ω上的事件域
概率和性质
公理
①非负性:P(A)≥0
②正则性:P(Ω)=1
③可加可列:
A
1
…
…
A
n
互
不
相
容
P
(
∑
n
=
1
∞
A
n
)
=
∑
n
=
1
∞
P
(
A
n
)
A_1……A_n互不相容 \\ P(∑^∞_{n=1}A_n)= ∑^∞_{n=1}P(A_n)
A1……An互不相容P(n=1∑∞An)=n=1∑∞P(An)
P为概率测度或概率
称三元总体(Ω,𝓕,P)是概率空间 Ω是样本空间,𝓕是事件域,P是定义在𝓕上的概率测度
性质
①
P
(
∅
)
=
0
P(\emptyset) = 0
P(∅)=0
②对立事件公式
P
(
A
‾
)
=
1
−
P
(
A
)
P(\overline{A}) = 1 - P(A)
P(A)=1−P(A)
③有限可加性
A
B
=
∅
有
P
(
A
+
B
)
=
P
(
A
)
+
P
(
B
)
AB=\emptyset 有P(A+B)=P(A)+P(B)
AB=∅有P(A+B)=P(A)+P(B)
④可减性
A
⊃
B
有
P
(
A
−
B
)
=
P
(
A
)
−
P
(
B
)
A\supset B 有P(A-B) = P(A)-P(B)
A⊃B有P(A−B)=P(A)−P(B)
⑤单调性
A
⊃
B
有
P
(
A
)
≥
P
(
B
)
A\supset B有P(A)≥P(B)
A⊃B有P(A)≥P(B)
⑥有界性
0
≤
P
(
A
)
≤
1
0≤P(A)≤1
0≤P(A)≤1
⑦加法公式
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)
⑧次可加性
P
(
A
∪
B
)
≤
P
(
A
)
+
P
(
B
)
P(A\cup B)≤P(A)+P(B)
P(A∪B)≤P(A)+P(B)
1.2概率计算
古典方法
①样本空间Ω是有限集合
②基本事件的发生是等可能的
我们常用|A|代表A所含的样本点个数,定义事件发生的概率为
P
(
A
)
=
∣
A
∣
∣
Ω
∣
P(A) = \frac{|A|}{|Ω|}
P(A)=∣Ω∣∣A∣
频率方法
①随机试验可大量重复进行
②n(A)表示n次重复实验事件A发生的次数,f_nA为事件发生频率
f
n
A
=
n
(
A
)
n
f_nA=\frac{n(A)}{n}
fnA=nn(A)
③f_nA稳定于某一个常数
④频率的稳定值作为A发生的概率
几何方法
①样本空间Ω是n纬空间中的有界区域,L(Ω)>0,我们以L(A)表示A的度量
②每个样本点落在某个子区域的概率和该区域度量大小成正比
P
(
A
)
=
L
(
A
)
L
(
Ω
)
P(A) = \frac{L(A)}{L(Ω)}
P(A)=L(Ω)L(A)
1.3常见概率模型
不返回抽样
N产品,M个不合格,N-M个合格,不返回的任取n个,n中有m个不合格的概率为
C
M
m
⋅
C
N
−
M
n
−
m
C
N
n
\frac{C^m_M\cdot C^{n-m}_{N-M}}{C^n_N}
CNnCMm⋅CN−Mn−m
又叫超几何模型
返回抽样
N个产品,M个不合格,N-M个合格,有返回的抽取n个,n个中有m个不合格的概率为
C
n
m
M
m
(
N
−
M
)
n
−
m
N
n
=
C
n
m
(
M
N
)
m
(
N
−
M
N
)
n
−
m
C^m_n\frac{M^m(N-M)^{n-m}}{N^n} = C^m_n(\frac{M}{N})^m(\frac{N-M}{N})^{n-m}
CnmNnMm(N−M)n−m=Cnm(NM)m(NN−M)n−m
盒子模型
n个不同球放入N个不同盒子中,每个盒子放球数量不限,恰有n个盒子各有一球的概率为
P
N
n
N
n
=
N
!
N
n
(
N
−
n
)
!
\frac{P_N^n}{N^n}=\frac{N!}{N^n(N-n)!}
NnPNn=Nn(N−n)!N!
配对模型
n个人,n个帽子,一人任取一顶,至少一个人拿对自己帽子概率
也就是有人能拿到自己的帽子即可,所以得应用加法公式A +B+C- AB - BC - AC + ABC……
P
(
⋃
k
=
1
n
A
k
)
=
∑
k
=
1
n
(
−
1
)
k
−
1
1
k
!
P(\bigcup ^n _{k=1}A_k) = \sum ^n _ {k=1}(-1)^{k-1}\frac{1}{k!}
P(k=1⋃nAk)=k=1∑n(−1)k−1k!1
1.4条件概率
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A|B) = \frac{P(AB)}{P(B)}
P(A∣B)=P(B)P(AB)
B出现的条件下,A发生的条件概率
P(B) = 0时候,P(A|B)没有意义
P(A)是A的无条件概率,B = Ω,可以将无条件概率视为条件概率P(A) = P(A | Ω)
B∈𝓕,P(B)>0,定义集函数
P
B
(
A
)
=
P
(
A
∣
B
)
P_B(A) = P(A|B)
PB(A)=P(A∣B)
P_B性质
1)非负性
2)正则
3)可列可加
性质
①
P
(
A
‾
∣
B
)
=
1
−
P
(
A
∣
B
)
P(\overline{A}|B) = 1-P(A|B)
P(A∣B)=1−P(A∣B)
②
P
(
A
∪
C
∣
B
)
=
P
(
A
∣
B
)
+
P
(
C
∣
B
)
−
P
(
A
C
∣
B
)
P(A\cup C|B) = P(A|B) + P(C|B) - P(AC|B)
P(A∪C∣B)=P(A∣B)+P(C∣B)−P(AC∣B)
③
P
(
A
\
C
∣
B
)
=
P
(
A
∣
B
)
−
P
(
A
C
∣
B
)
P(A\backslash C|B)=P(A|B)-P(AC|B)
P(A\C∣B)=P(A∣B)−P(AC∣B)
特殊性质
①
P
(
B
∣
B
)
=
1
P(B|B)=1
P(B∣B)=1
②
若
P
(
B
)
=
1
,
P
(
A
∣
B
)
=
P
(
A
)
若P(B)=1,P(A|B)=P(A)
若P(B)=1,P(A∣B)=P(A)
③
若
A
B
=
∅
,
P
(
A
∣
B
)
=
0
若AB=\emptyset ,P(A|B)=0
若AB=∅,P(A∣B)=0
④
若
A
⊂
B
,
P
(
A
∣
B
)
=
P
(
A
)
P
(
B
)
若A\subset B,P(A|B) =\frac{P(A)}{P(B)}
若A⊂B,P(A∣B)=P(B)P(A)
乘法公式
①
P
(
A
B
)
=
P
(
A
)
P
(
B
∣
A
)
=
P
(
B
)
(
A
∣
B
)
P(AB) = P(A)P(B|A) = P(B)(A|B)
P(AB)=P(A)P(B∣A)=P(B)(A∣B)
②
P
(
A
1
…
…
A
n
)
=
P
(
A
1
)
P
(
A
2
∣
A
1
)
…
…
P
(
A
n
∣
A
1
…
…
A
n
−
1
)
P(A_1……A_n) = P(A_1)P(A_2|A_1)……P(A_n|A_1……A_{n-1})
P(A1……An)=P(A1)P(A2∣A1)……P(An∣A1……An−1)
乘法公式的条件概率版本
P
(
A
1
…
…
A
n
∣
B
)
=
P
(
A
1
∣
B
)
P
(
A
2
∣
A
1
B
)
…
…
P
(
A
n
∣
A
1
…
…
A
n
−
1
B
)
P(A_1……A_n|B) = P(A_1|B)P(A_2|A_1B)……P(A_n|A_1……A_{n-1}B)
P(A1……An∣B)=P(A1∣B)P(A2∣A1B)……P(An∣A1……An−1B)
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)
P
(
A
)
=
P
(
A
∣
B
1
)
P
(
B
1
)
+
…
…
+
P
(
A
∣
B
n
+
1
)
P
(
B
n
+
1
)
P(A) = P(A|B_1)P(B_1)+……+P(A|B_{n+1})P(B_{n+1})
P(A)=P(A∣B1)P(B1)+……+P(A∣Bn+1)P(Bn+1)
Bayes公式
P ( B j ∣ A ) = P ( B j ) P ( A ∣ B j ) ∑ k = 1 n P ( B k ) P ( A ∣ B k ) ( j = 1 … … n ) P(B_j|A) = \frac{ P(B_j)P(A|B_j) } { \sum^n_{k = 1} P(B_k)P(A|B_k)}\quad(j = 1……n) P(Bj∣A)=∑k=1nP(Bk)P(A∣Bk)P(Bj)P(A∣Bj)(j=1……n)
1.5独立性
两个事件相互独立
P
(
A
B
)
=
P
(
A
)
⋅
P
(
B
)
P(AB) = P(A)\cdot P(B)
P(AB)=P(A)⋅P(B)
多个事件独立
两两独立
P
(
A
i
A
j
)
=
P
(
A
i
)
P
(
A
j
)
P(A_iA_j) = P(A_i)P(A_j)
P(AiAj)=P(Ai)P(Aj)
三三独立
P
(
A
i
A
j
A
k
)
=
P
(
A
i
)
P
(
A
j
)
P
(
A
k
)
P(A_iA_jA_k)=P(A_i)P(A_j)P(A_k)
P(AiAjAk)=P(Ai)P(Aj)P(Ak)
若事件A1……An相互独立
P
(
⋃
k
=
1
n
A
k
)
=
1
−
∏
k
=
1
n
(
1
−
P
(
A
k
)
)
P(\bigcup ^n_{k=1}A_k) = 1-\prod ^n_{k=1}(1- P(A_k))
P(k=1⋃nAk)=1−k=1∏n(1−P(Ak))
补充
排列组合
袋子模型 (占位模型
n球任取r个球(r个球放到盒子中
1)取球有放回,讲次序 (球有区别,装的球不限
∣
Ω
∣
=
n
r
|Ω|=n^r
∣Ω∣=nr
2)不放回,讲次序 (球有区别,最多一个球
∣
Ω
∣
=
P
n
r
|Ω| = P^r_n
∣Ω∣=Pnr
3)不放回,不讲次序 (球没区别,最多一个球
∣
Ω
∣
=
C
n
r
|\Omega| = C^r_n
∣Ω∣=Cnr
4)有返回,不讲次序 (球没区别,装球不限
【用隔板模型理解,r个球分割成n个区间,也就是n+1个隔板中有n-1个隔板(两个放在边缘)给你任意插在r+ (n - 1)插入点(每次插入一个隔板会加一个新的插入点),球数量代表取得次数
【反过来,把r看成球,分配r个球到r+n-1个空隙也是同理
∣
Ω
∣
=
C
n
+
r
−
1
r
|\Omega| = C^r_{n+r-1}
∣Ω∣=Cn+r−1r