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 E 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 ω \omega ω,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 Ω \Omega Ω
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 A A, B B 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 Ω \Omega Ω表示,不可能事件用 ∅ \emptyset ∅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 A A发生必然导致事件 B B B发生,则称事件 B B B包含事件 A A A,或称 A A A是 B B B的子事件,记为 A ⊆ B A \subseteq B A⊆B或 B ⊇ A B \supseteq A B⊇A
-
如果 A ⊆ B A \subseteq B A⊆B且 B ⊆ A B \subseteq A B⊆A则称 A A A与 B B B相等,记为 A = B A = B A=B
-
A 1 ∪ A 2 ∪ ⋯ ∪ A n A_{1} \cup A_{2} \cup \cdots \cup A_{n} A1∪A2∪⋯∪An记为 ⋃ i = 1 n A i \bigcup\limits_{i = 1}^{n}{A_{i}} i=1⋃nAi,可列多个事件 A 1 A_{1} A1, A 2 A_{2} A2, ⋯ \cdots ⋯, A n A_{n} An, ⋯ \cdots ⋯的和记为 ⋃ i = 1 ∞ A i \bigcup\limits_{i = 1}^{\infty}{A_{i}} i=1⋃∞Ai
-
A B = ∅ AB = \emptyset AB=∅则称事件 A A A与 B B B是互不相容事件(互斥事件)
-
A ∪ B = Ω A \cup B = \Omega A∪B=Ω且 A B = ∅ AB = \emptyset AB=∅则称 B B B为 A A A的对立事件(逆事件,补事件),记为 B = A ˉ B = \bar{A} B=Aˉ
-
A A A发生而 B B B不发生的事件,称为事件 A A A与 B B B的差,记为 A − B A - B 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 B ˉ A - B = A \bar{B} A−B=ABˉ
例题 1 1 1
-
问题:设 A A A, B B B, C C C是三个事件,试用 A A A, B B B, C C C的运算关系表示下列事件
- ( 1 1 1) M 1 M_{1} M1: A A A, B B B, C C C中至少有两个不发生
- ( 2 2 2) M 2 M_{2} M2: A A A, B B B, C C C中至少有一个发生
-
解答
-
( 1 1 1) M 1 = A ˉ B ˉ ∪ B ˉ C ˉ ∪ C ˉ A ˉ M_{1} = \bar{A} \bar{B} \cup \bar{B} \bar{C} \cup \bar{C} \bar{A} M1=AˉBˉ∪BˉCˉ∪CˉAˉ
-
( 2 2 2) M 2 = A ˉ B ˉ C ˉ ‾ = A ∪ B ∪ C M_{2} = \overline{\bar{A} \bar{B} \bar{C}} = A \cup B \cup C M2=AˉBˉCˉ=A∪B∪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 Ω \Omega Ω包含 n n n个样本点,而对任意事件 A A A, A A A包含了 k k k个样本点,则定义比值 k n \cfrac{k}{n} nk为事件 A A A的概率
例题 1 1 1
- 问题:从 5 5 5双不同的鞋中任取 4 4 4只,求此 4 4 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 4 4只鞋配成了两双
- P ( A ) = 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 = 13 21 P(A) = \cfrac{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}} = \cfrac{13}{21} P(A)=C104C51C22C42C21C21+C52C22C22=2113
例题 2 2 2
- 问题:袋中有 a a a个黑球, b b b个白球,现在把球随机地一个一个摸出来,求第 k k k次摸出的是黑球的概率( 1 ≤ k ≤ a + b 1 \leq k \leq a + b 1≤k≤a+b)
- 解答
- 将 a + b a + b a+b个球视为有区别,把摸出的球依次排列在 a + b a + b a+b个位置上,则样本点总数为 ( a + b ) ! (a + b)! (a+b)!
- 第 k k k个位置为黑球有 a a a种放法,而其他 a + b − 1 a + b - 1 a+b−1个位置上相当于 a + b − 1 a + b - 1 a+b−1个球进行全排列,有 ( a + b − 1 ) ! (a + b - 1)! (a+b−1)!种放法
- P = a ( a + b − 1 ) ! ( a + b ) ! = a a + b P = \cfrac{a (a + b - 1)!}{(a + b)!} = \cfrac{a}{a + b} P=(a+b)!a(a+b−1)!=a+ba
- 摸出黑球的概率与摸球次序数 k k 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 3 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 ) a (a > 0) a(a>0),若向该平面上投掷一枚长为 l ( l < a ) l (l < a) l(l<a)的针,试求针与平行线相交的概率
-
解答
- 以 x x x表示针的中点与最近一条平行线的距离,又以 φ \varphi φ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 A 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≤2lsinφ}
- P ( A ) = A 的面积 Ω 的面积 = ∫ 0 π l 2 sin φ d φ a 2 ⋅ π = 2 l π a P(A) = \cfrac{A 的面积}{\Omega 的面积} = \cfrac{\displaystyle\int_{0}^{\pi}{\frac{l}{2} \sin{\varphi} d \varphi}}{\frac{a}{2} \cdot \pi} = \cfrac{2l}{\pi a} P(A)=Ω的面积A的面积=2a⋅π∫0π2lsinφdφ=πa2l
-
这个投针问题是法国科学家蒲丰于 1777 1777 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 E E,重复进行 n n n次,设事件 A A A发生的次数为 m m m,当 n n n充分大时,若 A A A发生的频率 m n \cfrac{m}{n} nm能稳定地在一个确定的数值 p p p附近摆动,则定义 A A A的概率 P ( A ) = p P(A) = p 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 n + 1 n+1次试验计算出的频率会比 n n 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 n n到底取多大为好,并且 n n 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 p 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 1933 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 1 1:若样本空间 Ω \Omega Ω的一些子集所构成的集合 F \mathscr{F} F满足
- Ω ∈ F \Omega \in \mathscr{F} Ω∈F
- 若 A ∈ F A \in \mathscr{F} A∈F,则 A ˉ ∈ F \bar{A} \in \mathscr{F} Aˉ∈F
- 若 A i ∈ F ( i = 1 , 2 , ⋯ ) A_{i} \in \mathscr{F} (i = 1 , 2 , \cdots) Ai∈F(i=1,2,⋯),则 ⋃ i = 1 ∞ A i ∈ F \bigcup\limits_{i = 1}^{\infty}{A_{i}} \in \mathscr{F} i=1⋃∞Ai∈F
- 则称 F \mathscr{F} F为 Ω \Omega Ω的一个事件域, F \mathscr{F} F中的集合称为事件
- 由定义 1 1 1容易得到事件域还具有以下性质
- ∅ ∈ F \emptyset \in \mathscr{F} ∅∈F
- 若 A i ∈ F ( i = 1 , 2 , ⋯ ) A_{i} \in \mathscr{F} (i = 1 , 2 , \cdots) Ai∈F(i=1,2,⋯),则 ⋂ i = 1 ∞ A i ∈ F \bigcap\limits_{i = 1}^{\infty}{A_{i}} \in \mathscr{F} i=1⋂∞Ai∈F
- 若 A i ∈ F ( i = 1 , 2 , ⋯ , n ) A_{i} \in \mathscr{F} (i = 1 , 2 , \cdots , n) Ai∈F(i=1,2,⋯,n),则 ⋂ i = 1 n A i ∈ F \bigcap\limits_{i = 1}^{n}{A_{i}} \in \mathscr{F} i=1⋂nAi∈F, ⋃ i = 1 n A i ∈ F \bigcup\limits_{i = 1}^{n}{A_{i}} \in \mathscr{F} i=1⋃nAi∈F
- 若 A ∈ F A \in \mathscr{F} A∈F, B ∈ F B \in \mathscr{F} B∈F,则 A − B ∈ F A - B \in \mathscr{F} A−B∈F
- 上述性质表明,事件域 F \mathscr{F} F对集合的所有运算都是封闭的
- 由定义 1 1 1容易得到事件域还具有以下性质
- 定义 2 2 2:设 F \mathscr{F} F是样本空间 Ω \Omega Ω的一个事件域,若对于任一事件 A ∈ F A \in \mathscr{F} A∈F,定义在 F \mathscr{F} F上的一个实值函数 P ( A ) P(A) P(A)满足
- 非负性: ∀ A ∈ F \forall A \in \mathscr{F} ∀A∈F,有 P ( A ) ≥ 0 P(A) \geq 0 P(A)≥0
- 规范性: P ( Ω ) = 1 P(\Omega) = 1 P(Ω)=1
- 完全可加性:若 A i ∈ F ( i = 1 , 2 , ⋯ ) A_{i} \in \mathscr{F} (i = 1 , 2 , \cdots) Ai∈F(i=1,2,⋯),且 A i A j = ∅ ( i ≠ j ) A_{i} A_{j} = \emptyset (i \neq j) AiAj=∅(i=j),则有 P ( ⋃ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) P(\bigcup\limits_{i = 1}^{\infty}{A_{i}}) = \sum\limits_{i = 1}^{\infty}{P(A_{i})} P(i=1⋃∞Ai)=i=1∑∞P(Ai)
- 则称 P ( A ) P(A) P(A)为事件 A A A的概率
- 定义 2 2 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 Ω \Omega Ω,给定了 Ω \Omega Ω上的事件域 F \mathscr{F} F,定义了 F \mathscr{F} F上的概率 P P P,称 ( Ω , F , P ) (\Omega , \mathscr{F} , P) (Ω,F,P)为概率空间
概率的性质
-
性质 1 1 1: P ( ∅ ) = 0 P(\emptyset) = 0 P(∅)=0
- 证明:因为 Ω = Ω ∪ ∅ ∪ ∅ ∪ ⋯ ∪ ∅ ∪ ⋯ \Omega = \Omega \cup \emptyset \cup \emptyset \cup \cdots \cup \emptyset \cup \cdots Ω=Ω∪∅∪∅∪⋯∪∅∪⋯,所以 P ( Ω ) = P ( Ω ) + P ( ∅ ) + P ( ∅ ) + ⋯ + P ( ∅ ) + ⋯ P(\Omega) = P(\Omega) + P(\emptyset) + P(\emptyset) + \cdots + P(\emptyset) + \cdots P(Ω)=P(Ω)+P(∅)+