自考 02197 概率论与数理统计(二) 第一章

概率论与数理统计

第一章

第一节 随机事件

一、随机现象

1. 确定性
   • 在一定条件下必然发生的现象称为确定性现象
2. 随机现象
   • 在一定条件下可能出现也可能不出现的现象称为随机现象

二、随机试验与样本空间

1. 随机试验
   • 在概率论中，把具有一下三个特征的试验称为随机试验
     • 可以在相同的条件下重复地进行
     • 每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果
     • 进行一次试验之前不能确定哪一个结果
2. 样本空间、样本点
   • 定义：随机试验E的所有可能结果组成的集合称为E的样本空间，记为S。样本空间的元素，即试验E的每一个结果，称为样本点

三、随机事件的概念

1. 样本空间S包含所有的样本点，它是S自身的子集，在每次实验中它总是发生的，S称为必然事件
2. 空集Ø不包含任何点，它也作为样本空间的子集，它在每次实验中都不发生，Ø称为 不可能事件
3. 必然事件的对立面是不可能事件，不可能事件的对立面是必然事件，它们互称为对立事件

几点说明

1. 随机事件可简称为事件，并以大写英文字母A,B,C来表示事件
2. 随机试验、样本空间与随机事件的关系
3. 每一个随机试验相应地有一个样本空间，样本空间的子集就是随机事件

四、随机事件的关系与运算

​ 设实验的样本空间为S。而
$$A,B,A_K(K=1,...)$$
​ 是S的子集

1. 若A⊂B，则称事件A包含于事件B，这指的是事件A发生必然导致事件B发生。
   

   若A⊂B且B⊂A，则 称事件A与事件B相等

​ 2. 事件 A∪B={x|x∈A或x∈B}，称为事件A与事件B的和事件，当且仅当A，B中至少有一个发生时，事件A∪B发生

​ 逆概公式：

3. 事件A∩B={x|x∈A且x∈B}，称为事件A与事件B的积事件，当且仅当A,B同时发生时事件A∩B发生，A∩B也记作AB。

​ A和B重叠部分

4. 事件A-B={x|x∈A且x∉B}，称为事件A与事件B的差事件，当且仅当A发生，B不发生时，A-B发生

5. 若 A∩B=Ø，则称事件A与事件B是互不相容，或互斥的，这指的是事件A与事件B不能同时发生，基本事件是两两互不相容的
   

   6. 若A∪B=S且A∩B=Ø，则称事件A与事件B互不相容事件，又称事件A与事件B互为逆事件

   A的对立事件记为

对立事件与互斥事件的区别

7. 互不相容的完备事件组

设有n个事件

$$A_1,A_2,...,A_n$$
如果其满足：
$$A_i{A}_j=\Phi (i\ne j,i,j=1,2,...,n)$$

则称
$$A_1,A_2,...,A_n$$
构成互不相容的完备事件组

事件间的运算规律，设A,B,C为事件，则有

• 交换律
  $$A\cup B=B\cup A;A\cap B=B\cap A$$

• 结合律
  $$A\cup (B\cup C)=(A\cup B)\cup C;A\cap (B\cap C)=(A\cap B)\cap C$$

• 分配律
  $$A\cup (B\cap C)=(A\cup B)\cap (A\cup C);A\cap (B\cup C)=(A\cap B)\cup (A\cap C)$$

• 德摩根率

$$\begin{gathered} \overline{A\cup B}=\bar{A}\cap \bar{B} \\ \overline{A\cap B}=\bar{A}\cup \bar{B} \end{gathered}$$

第二节 概率

一、频率

1. 频率的定义

   • 在相同条件下，进行了n次2试验，在这n次试验中，事件A发生的次数
     $$n_A$$
     称为事件A发生的频数

     比值
     $$n_A/n$$
     称为事件A发生的频率，记作
     $$f_n(A)$$

     $$f_n(A)=n_A/n$$

2. 频率的性质

   设A是随机试验E的任一事件，则

   • $$0\le f_n(A)\le 1$$

   • $$f_n(S)=1$$

3. 若
   $$A_1,A_2,...,A_K$$
   是两两互不相容的事件，则
   $$f_n(A_1\cup A_2\cup \cdot \cdot \cdot \cup A_k)=f_n(A_1)+f_n(A_2)+\cdot \cdot \cdot +f_n(A_k)$$

   $$\because AB=\Phi$$

   若A∪B发生，即A或B其中之一发生，但A与B不同时发生

   所以
   $$n_{A\cup B}=n_A+n_B$$
   得
   $$f_n(A\cup B)=\frac{n_{AB}}{n}=\frac{n_A}{n}+\frac{n_B}{n}=f_n(A)+f_n(B)$$

二、古典概型

1. 古典概型定义

​ 若随机试验满足下述两个条件

• 样本空间S只包含有限个样本点
• 每个样本点（基本事件）出现得可能性相同

​ 称这种试验为古典概型

2. 概率的古典定义

   定义：设试验E的样本空间S包含n个基本事件，事件A包含k个基本事件，则有
   $$P(A)=\frac{k}{n}=\frac{A包含的基本事件}{S中基本事件的总数}$$
   该式称为随机事件A的概率，记作P(A)

3. 解决古典概型问题的步骤如下：

   • 分析题目是否满足古典概型的条件即“样本空间有限和等可能性”两个条件

   • 计算出样本空间所包含的所有基本事件的总数n

   • 计算出事件A包含的基本事件个数k

   • 代入公式
     $$P(A)=\frac{k}{n}$$
     计算概率

     排列组合是计算古典概率的有力工具

三、概率的定义和性质

定义：设E为随机试验，S为E的样本空间，对于E的每一个事件A，赋予一个实数P(A)，称为事件A发生的概率，其中集合函数P()满足以下条件：

• 对于任意的事件A，
  $$P(A)\ge 0$$

• $$P(S)=1$$

• 对于任意两两互不相容的事件
  $$
  A_1,A_2,…,P(A_1\cup A_2 \CUP ···)=P(A_1)_ P(A_2)+···\

  A_iA_j=\Phi,i\neq j
  $$

概率的性质

• $$P(\Phi )=0，即：不可能事件发生的概率为0$$

• 有限可加性
  $$\begin{gathered} 若A_i{A}_j=\Phi （i\ne j,i,j=1,2,...n),则 \\ P(A_1\cup \cdot \cdot \cdot \cup A_n)=P(A_1)+P(A_2)+\cdot \cdot \cdot +P(A_n) \end{gathered}$$
  不交的有限个集合的总面积 = 各个集合面积相加

**推论1：**对于任意的事件A和B，有
$$P(A)=P(AB)+P(A\bar{B})$$
**推论2：：**若
$$\begin{gathered} B_1,B_2,\cdot \cdot \cdot ，B_n是样本空间S的一个划分，即B_1\cup B_2\cup B_n=S且B_i{B}_j=\Phi (i\ne j)，则 \\ P(A)=P(A{B}_1)+P(A{B}_2)+\cdot \cdot \cdot +P(A{B}_n) \\ P(A\cup B)=P(A)+P(B)-P(AB) \\ P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(BC)-P(AC)+P(ABC) \end{gathered}$$
推论3：
$$P(B-A)=P(B)-P(AB)$$
**推论4：**对于任意事件A，有
$$P(A)\le 1$$
推论5：
$$P(\bar{A})=1-P(A)$$

第三节 条件概率

一、条件概率与乘法公式

定义：
$$\begin{gathered} 设A、B是任何两个事件，P(A)>0，则称\frac{P(AB)}{P(A)}为A发生的条件下，B发生的条件概率，记作 \\ P(B\mid A)=\frac{P(AB)}{P(A)} \\ P(B\mid A)就是在A发生前提条件下， \\ 计算B发生的概率 \end{gathered}$$
乘法公式
$$\begin{gathered} 定理：设P(A)>0，则P(AB)=P(A)P(B\mid A) \\ 注1：设P(B)>0，则P(AB)=P(B)P(A\mid B) \\ 多个乘积情形设P(A_1{A}_2\cdot \cdot \cdot A_n)>0，则 \\ P(A_1{A}_2\cdot \cdot \cdot A_n)=P(A_1{A}_2\cdot \cdot \cdot A_{n-1})P(A_n\mid A_1\cdot \cdot \cdot A_{n-1}) \\ =P(A_1)P(A_2\mid A_1)\cdot \cdot \cdot P(A_{n-1}\mid A_1\cdot \cdot \cdot A_{n-2})P(A_n\mid A_1\cdot \cdot \cdot A_{n-1}) \end{gathered}$$

二、全概率公式与贝叶斯公式

全概率公式：

$A_1,A_2,...,A_n$为互不相容的完备事件组（分割），且$P(A_i)>0，i=1,2,...,n.$$B=B{A}_1\cup B{A}_2\cup ......\cup B{A}_n$,则$P(B)=P(A_1)P(B\mid A_1)+...+P(A_n)P(B\mid A_n)$

贝叶斯公式：

设$B_1,B_2,...,B_n$为样本空间E的一个划分，$P(B_j)>0$，且$P(A\mid B_j)$，则$P(B_i\mid A)=\frac{P(A{B}_i)}{P(A)}=\frac{P(B_i)P(A\mid B_i)}{\sum _{j=1}^{n}P(B_j)P(A\mid B_j)}$

方法：全概率公式+乘法公式

第四节 事件的独立性

一、事件的独立性

定义：若$P(AB)=P(A)P(B)$，则称事件A和B相互独立。

结论：若事件A和B相互独立，则A与$\bar{B}$，$\bar{A}$与B，$\bar{A}$与$\bar{B}$也相互独立

定义：若事件$A_1,A_2,...,A_n$满足条件$P(A_{i1}{A}_{i2}...A_{ik})=P(A_{i1})P(A_{i2})...P(A_{ik})(k-1,...,n)$

​ 称事件$A_1,A_2,...,A_n$相互独立。

二、n重伯努利试验

n重伯努利试验：各次试验是独立的，每次试验只有两个结果A和$\bar{A}$

这种试验的概率模型叫做伯努利概型

设P(A)=p，则在n重伯努利试验中，事件A恰好发生k次的概率是$P_n(k)=C_n^k(1-p{)}^{n-k},K=0,1,...,n$

注意：与人数、个数、次数等计数有关的概率问题往往是伯努利概型

本章小结

本章是概率论最基础的部分，所有内容围绕随机事件和概率两个概念展开。本章的重点内容包括：随机事件的关系与运算，概率的基本性质，条件概率与乘法公式，事件的独立性。本章的基本内容及要求如下：

1. 理解随机现象、随机试验和随机事件的概念，掌握事件的四种运算：事件的并、事件的交、事件的差和事件的余。掌握事件的四个运算法则：交换律、结合律、分配律和对偶律，理解事件的四种关系：包含关系、相等关系、对立关系和互不相容关系。

2. 了解古典概型的定义，会计算简单的古典概型中的相关概率。

3. 理解概率的定义，理解概率与频率的关系，掌握概率的基本性质：

   • $0<p(A)<1,P(\Omega )=1,p(\Phi )=0$

   • $P(A\cup B)=P(A)+P(B)-P(AB)$，特别地，当A与B互不相容时，$P(A\cup B)=P(A)+P(B)$

   • $P(A-B)=P(A)-P(B)$

   • $P(\bar{A})=1-P(A)$

     会用这些性质进行概率的基本运算

4. 理解条件概率的概念：
   $$P(A\mid B)=\frac{P(AB)}{P(B)}$$
   掌握乘法公式：
   $$P(AB)=P(A)P(B\mid A)=P(B)P(A\mid B),P(A)>0$$
   会用条件概率公式和乘法公式进行概念计算

5. 掌握全概率公式和贝叶斯公式，会用它们计算较简单的相关问题

6. 理解事件独立性的定义及充分必要条件，理解事件间关系相互独立、互不相容与相互独立三者的联系与区别

   有一点需注意，就是利用概率的基本性质、条件概率、乘法公式以及事件独立性计算概率，它们的综合使用略显复杂，但其间有一个重要的角色P(AB)，几乎把它们联系在一起，P(AB)是求解概率的关键。

7. 理解n重伯努利试验的定义，掌握伯努利概率的重要计算公式：
   $$P_n(k)=C_n^k{P}^k(1-P{)}^{n-k},k=0,1,...,n.其中P(A)=p$$

$
P(AB)=P(A)P(B\mid A)=P(B)P(A\mid B),P(A)>0
$$
会用条件概率公式和乘法公式进行概念计算

5. 掌握全概率公式和贝叶斯公式，会用它们计算较简单的相关问题

6. 理解事件独立性的定义及充分必要条件，理解事件间关系相互独立、互不相容与相互独立三者的联系与区别

   有一点需注意，就是利用概率的基本性质、条件概率、乘法公式以及事件独立性计算概率，它们的综合使用略显复杂，但其间有一个重要的角色P(AB)，几乎把它们联系在一起，P(AB)是求解概率的关键。

7. 理解n重伯努利试验的定义，掌握伯努利概率的重要计算公式：
   $$P_n(k)=C_n^k{P}^k(1-P{)}^{n-k},k=0,1,...,n.其中P(A)=p$$