概率论与数理统计（湖南大学教材《大学数学4（第三版）》）笔记（一）

第一章：随机事件及其概率

---

第一节|随机事件及其运算

随机试验

• 对随机现象所进行的观察、实验或试验等称为随机试验，记为$E$
• 特点
  • 在相同条件下可以重复进行
  • 试验的结果不止一个且所有可能的结果事先已知
  • 每次试验之前，无法预料哪个结果会出现
• 随机试验中每一个基本的可能结果称为一个样本点，记为$\omega$，一个随机试验的全体样本点构成的集合称为该随机试验的样本空间，记为$\Omega$

随机事件

• 随机试验中可能出现也可能不出现的结果称为一个随机事件，常用英文大写字母$A$，$B$，$\cdots$表示

• 每一个样本点的单点集也是一个随机事件，称为基本事件

• 必然事件用$\Omega$表示，不可能事件用$\varnothing$表示

  • 必然事件与不可能事件本质上并没有不确定性，但是作为极端情形，把它们看作随机事件

事件的关系和运算

• 如果事件$A$发生必然导致事件$B$发生，则称事件$B$包含事件$A$，或称$A$是$B$的子事件，记为$A\subseteq B$或$B\supseteq A$

• 如果$A\subseteq B$且$B\subseteq A$则称$A$与$B$相等，记为$A=B$

• $A_1\cup A_2\cup \cdots \cup A_n$记为$\bigcup _{i=1}^n{A}_i$，可列多个事件$A_1$，$A_2$，$\cdots$，$A_n$，$\cdots$的和记为$\bigcup _{i=1}^{\infty }{A}_i$

• $AB=\varnothing$则称事件$A$与$B$是互不相容事件（互斥事件）

• $A\cup B=\Omega$且$AB=\varnothing$则称$B$为$A$的对立事件（逆事件，补事件），记为$B=\bar{A}$

• $A$发生而$B$不发生的事件，称为事件$A$与$B$的差，记为$A-B$，即 A − B = {   ω ∈ Ω ∣ ω ∈ A 且 ω ∉ B   } A - B = \set{\omega \in \Omega | \omega \in A 且 \omega \notin B} A−B={ ω∈Ω∣ω∈A且ω∈/B}

  • $A-B=A\bar{B}$

例题$1$

• 问题：设$A$，$B$，$C$是三个事件，试用$A$，$B$，$C$的运算关系表示下列事件

  • （$1$）$M_1$：$A$，$B$，$C$中至少有两个不发生
  • （$2$）$M_2$：$A$，$B$，$C$中至少有一个发生

• 解答

  • （$1$）$M_1=\bar{A}\bar{B}\cup \bar{B}\bar{C}\cup \bar{C}\bar{A}$

  • （$2$）$M_2=\overline{\bar{A}\bar{B}\bar{C}}=A\cup B\cup C$

---

第二节|概率及其运算性质

古典概型

• 概率论早期研究的是具有下列特点的一类随机现象
  • 试验的可能结果（即样本点）为有限个
  • 每个样本点发生的可能性都是一样的
• 一般地，若样本空间$\Omega$包含$n$个样本点，而对任意事件$A$，$A$包含了$k$个样本点，则定义比值$\frac{k}{n}$为事件$A$的概率

例题$1$

• 问题：从$5$双不同的鞋中任取$4$只，求此$4$只鞋中至少有两只配成一双的概率
• 解答
  • 一种情形为恰有两只鞋配成一双，另一种情形为$4$只鞋配成了两双
  • $P(A)=\frac{C_5^1{C}_2^2{C}_4^2{C}_2^1{C}_2^1+C_5^2{C}_2^2{C}_2^2}{C_{10}^4}=\frac{13}{21}$

例题$2$

• 问题：袋中有$a$个黑球，$b$个白球，现在把球随机地一个一个摸出来，求第$k$次摸出的是黑球的概率（$1\le k\le a+b$）
• 解答
  • 将$a+b$个球视为有区别，把摸出的球依次排列在$a+b$个位置上，则样本点总数为$(a+b)!$
  • 第$k$个位置为黑球有$a$种放法，而其他$a+b-1$个位置上相当于$a+b-1$个球进行全排列，有$(a+b-1)!$种放法
  • $P=\frac{a(a+b-1)!}{(a+b)!}=\frac{a}{a+b}$
• 摸出黑球的概率与摸球次序数$k$无关，同样，在抽签活动中，中签的概率与抽签的先后次序无关

几何概型

• 古典概型保留样本点的等可能性，将样本点的个数推广到无限多个，这类概率问题则一般需要通过几何方法来解决

例题$3$

• 问题：平面上画有等距离的平行线，平行线的距离均为$a(a>0)$，若向该平面上投掷一枚长为$l(l<a)$的针，试求针与平行线相交的概率

• 解答

  • 以$x$表示针的中点与最近一条平行线的距离，又以$\phi$表示针与直线间的交角
  • 显然有 Ω = {   ( x , φ ) ∣ 0 ≤ x ≤ a 2 , 0 ≤ φ ≤ π   } \Omega = \set{(x , \varphi) | 0 \leq x \leq \cfrac{a}{2} , 0 \leq \varphi \leq \pi} Ω={ (x,φ)∣0≤x≤2a​,0≤φ≤π}
  • 令$A$表示“针与平行线相交”这一事件，则有 A = {   ( x , φ ) ∣ 0 ≤ x ≤ l 2 sin ⁡ φ   } A = \set{(x , \varphi) | 0 \leq x \leq \cfrac{l}{2} \sin{\varphi}} A={ (x,φ)∣0≤x≤2l​sinφ}
  • $P(A)=\frac{A的面积}{\Omega 的面积}=\frac{{\int }_0^{\pi }\frac{l}{2}\sin \phi d\phi }{\frac{a}{2}\cdot \pi }=\frac{2l}{\pi a}$

• 这个投针问题是法国科学家蒲丰于$1777$年提出的有关几何概型的一个著名问题

概率的统计定义

• 对于随机试验$E$，重复进行$n$次，设事件$A$发生的次数为$m$，当$n$充分大时，若$A$发生的频率$\frac{m}{n}$能稳定地在一个确定的数值$p$附近摆动，则定义$A$的概率$P(A)=p$

• 概率的统计定义提供了一种通过试验去估计概率的方法，有它实用的一面，但在理论和应用中，又有一定的局限性

  • 在理论上，没有理由断定$n+1$次试验计算出的频率会比$n$次试验计算出的频率更能刻画事件的概率
  • 在实际运用中，无法知道$n$到底取多大为好，并且$n$较大时，也不一定能保证试验条件完全一样

概率的公理化定义

• 古典概型和几何概型受“等可能性”的限制，因而其适用范围有限，概率的统计定义虽然适用于一般情况，但它存在着缺陷，如其中的"稳定地在某一数值$p$的附近摆动"等提法，不能作为严格的数学定义
• 在概率论发展的历史上，人们一直寻求严谨的、适合一切随机现象的概率的数学定义，直到$1933$年，数学家科尔莫戈罗夫创立了概率论的公理化体系，他从集合论和测度论出发，归纳总结事件及其概率的最基本的性质和关系，用公理的形式给出了概率的数学定义，才使概率论成为理论严谨的数学分支，为近代概率论奠定了坚实的理论基础
• 定义$1$：若样本空间$\Omega$的一些子集所构成的集合$\mathcal{F}$满足
  • $\Omega \in \mathcal{F}$
  • 若$A\in \mathcal{F}$，则$\bar{A}\in \mathcal{F}$
  • 若$A_i\in \mathcal{F}(i=1,2,\cdots )$，则$\bigcup _{i=1}^{\infty }{A}_i\in \mathcal{F}$
• 则称$\mathcal{F}$为$\Omega$的一个事件域，$\mathcal{F}$中的集合称为事件
  • 由定义$1$容易得到事件域还具有以下性质
    • $\varnothing \in \mathcal{F}$
    • 若$A_i\in \mathcal{F}(i=1,2,\cdots )$，则$\bigcap _{i=1}^{\infty }{A}_i\in \mathcal{F}$
    • 若$A_i\in \mathcal{F}(i=1,2,\cdots ,n)$，则$\bigcap _{i=1}^n{A}_i\in \mathcal{F}$，$\bigcup _{i=1}^n{A}_i\in \mathcal{F}$
    • 若$A\in \mathcal{F}$，$B\in \mathcal{F}$，则$A-B\in \mathcal{F}$
  • 上述性质表明，事件域$\mathcal{F}$对集合的所有运算都是封闭的
• 定义$2$：设$\mathcal{F}$是样本空间$\Omega$的一个事件域，若对于任一事件$A\in \mathcal{F}$，定义在$\mathcal{F}$上的一个实值函数$P(A)$满足
  • 非负性：$\forall A\in \mathcal{F}$，有$P(A)\ge 0$
  • 规范性：$P(\Omega )=1$
  • 完全可加性：若$A_i\in \mathcal{F}(i=1,2,\cdots )$，且$A_i{A}_j=\varnothing (i\ne j)$，则有$P(\bigcup _{i=1}^{\infty }{A}_i)=\sum _{i=1}^{\infty }P(A_i)$
• 则称$P(A)$为事件$A$的概率
  • 定义$2$中概率满足的三个基本性质被称为概率公理
• 对于一个样本空间$\Omega$，给定了$\Omega$上的事件域$\mathcal{F}$，定义了$\mathcal{F}$上的概率$P$，称$(\Omega ,\mathcal{F},P)$为概率空间

概率的性质

• 性质$1$：$P(\varnothing )=0$

  • 证明：因为$\Omega =\Omega \cup \varnothing \cup \varnothing \cup \cdots \cup \varnothing \cup \cdots$，所以$P(\Omega )=P(\Omega )+P(\varnothing )+$