概率论知识点总结
第一章:概率论的基本概念
1、样本空间:对于随机试验来说,由于可以事先明确试验所有可能的结果,因此称随机试验所有可能结果的集合为随机试验的样本空间,记为 Ω \Omega Ω。称随机试验中一个可能结果为一个样本点,记为 ω \omega ω,从而样本空间就是样本点的集合,即 Ω = { ω } \Omega=\{ \omega \} Ω={
ω}。
2、随机事件:一般的,称随机试验的样本空间 Ω \Omega Ω的子集为随机试验的随机事件,简称事件。在每次实验中,当且仅当随机事件所包含的样本点重点一个样本点出现时,称为这一事件发生。特别的,有一个样本点组成的单点集,称为基本事件。
3、事件的运算与关系:
Ⅰ.事件的运算
1)和事件:称事件A与事件B中至少有一个发生的事件为事件A和B的和事件。记作 A ∪ B A\cup B A∪B
2)积事件:称事件A和事件B同时发生的事件为A事件与B事件的积事件。记为 A ∩ B A\cap B A∩B
3)差事件:称事件A发生而事件B不发生的事件为事件A和事件B的差事件。记为 A − B A-B A−B
4)运算律:
吸收律: 若 A ⊂ B , 则 A ∪ B = B , A B = A 若A\subset B,则A\cup B = B,AB = A 若A⊂B,则A∪B=B,AB=A
交换律: 若 A ∪ B = B ∪ A , A B = B A 若A\cup B=B\cup A,AB = BA 若A∪B=B∪A,AB=BA
结合律: 若 A ∪ ( B ∪ C ) = ( A ∪ B ) ∪ C , A ( B C ) = ( A B ) C 若A\cup (B\cup C) = (A\cup B)\cup C,A(BC) = (AB)C 若A∪(B∪C)=(A∪B)∪C,A(BC)=(AB)C
分配律: 若 A ( B ∪ C ) = A B ∪ A C , A ∪ ( B C ) = ( A ∪ B ) ( A ∪ C ) 若A(B\cup C)=AB\cup AC,A\cup (BC) = (A\cup B)(A\cup C) 若A(B∪C)=AB∪AC,A∪(BC)=(A∪B)(A∪C)
对偶律: ∪ i = 1 n A i ‾ = ∩ i = 1 n A i ‾ , ∩ i = 1 n A i ‾ = ∪ i = 1 n A i ‾ \overline{\cup_{i=1}^nA_i}=\cap_{i=1}^n\overline{A_i},\overline{\cap_{i=1}^nA_i}=\cup_{i=1}^n\overline{A_i} ∪i=1nAi=∩i=1nAi,∩i=1nAi=∪i=1nAi
Ⅱ.事件的关系
1)包含关系:设A与B事件,如果A事件的发生必然导致事件B的发生则称事件B包含事件A,或称事件A是事件B的子事件,记为 A ⊂ B A\subset B A⊂B
2)相等关系:设A与B事件,如果 A ⊂ B A\subset B A⊂B且 B ⊂ A B\subset A B⊂A,则称事件A与事件B相等,记为 A = B A = B A=B
3)互不相容(互斥)关系:设A与B事件,如果事件A和事件B同时发生是不可能的,即 A B = ∅ AB = \emptyset AB=∅,则称事件A与事件B是互不相容的
4)对立关系:设A与B事件,如果 A ∪ B = Ω A\cup B=\Omega A∪B=Ω且 A B = ∅ AB=\emptyset AB=∅,则称事件A与事件B是相互对立的,称事件B是事件A的逆事件或对立事件,记为 A ‾ \overline A A
4、概率:
P ( ∅ ) = 0 P(\emptyset)=0 P(∅)=0
P ( ∪ i = 1 n A i ) = Σ i = 1 n P ( A i ) P(\cup_{i=1}^nA_i)=\Sigma_{i=1}^nP(A_i) P(∪i=1nAi)=Σi=1nP(Ai)
P ( B − A ) = P ( B ) − P ( A ) P(B-A)=P(B)-P(A) P(B−A)=P(B)−P(A)
P ( A ) ≤ 1 P(A)\leq 1 P(A)≤1
P ( A ‾ ) = 1 − P ( A ) P(\overline A)=1-P(A) P(A)=1−P(A)
P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A B ) P(A\cup B)=P(A)+P(B)-P(AB) P(A∪B)=P(A)+P(B)−P(AB)
lim n → ∞ P ( A n ) = P ( ∪ n = 1 ∞ A n ) \lim_{n\rightarrow \infty} P(A_n)=P(\cup_{n=1}^\infty A_n) limn→∞P(An)=P(∪n=1∞An)
lim n → ∞ P ( A n ) = P ( ∩ n = 1 ∞ A n ) \lim_{n\rightarrow \infty} P(A_n)=P(\cap_{n=1}^\infty A_n) limn→∞P(An)=P(∩n=1∞An)
5、古典概型(几何概率)
设随机试验的样本空间 Ω = { ω 1 、 ω 2 、 ω 3 、 ω 4 ⋯ ω n } \Omega=\{ \omega_1、\omega_2、\omega_3、\omega_4 \cdots \omega_n\} Ω={
ω1、ω2、ω3、ω4⋯ωn},n为有限的正整数,且每个基础事件(两两互不相容的事件) ω i ( i = 1 、 2 、 3 、 4 ⋯ , n ) {\omega_i}(i=1、2、3、4\cdots,n) ωi(i=1、2、3、4⋯,n)发生的可能性相同,则称这种随机试验为古典概型,或称等可能概型。
计算公式: P ( A ) = k n = 有 利 于 事 件 A 发 生 的 基 本 事 件 数 Ω 中 基 本 事 件 的 总 数 P(A)=\frac{k}{n}=\frac{有利于事件A发生的基本事件数}{\Omega中基本事件的总数} P(A)=nk=Ω中基本事件的总数有利于事件A发生的基本事件数
6、条件概率和概率的三大公式
P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A) = \frac{P(AB)}{P(A)} P(B∣A)=P(A)P(AB)
1)乘法公式: P ( A B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(AB)=P(A|B)P(B)=P(B|A)P(A) P(AB)=P(A∣B)P(B)=P(B∣A)P(A)
2)全概率公式:
P ( A ) = Σ i = 1 n P ( B i ) P ( A ∣ B i ) P(A)=\Sigma_{i=1}^nP(B_i)P(A|B_i) P(A)=Σi=1nP(Bi)P(A∣Bi)
P ( B i ∣ A ) = P ( B i ) P ( A ∣ B i ) Σ j = 1 n P ( B j ) P ( A ∣ B j ) P(B_i|A)=\frac{P(B_i)P(A|B_i)}{\Sigma_{j=1}^nP(B_j)P(A|B_j)} P(Bi∣A)=Σj=1nP(Bj)P(A∣Bj)P(Bi)P(A∣Bi)
7、事件的独立性
1) P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
2)A,B相互独立,A的运算与B的运算也相互独立
3)A,B,C相互独立,A,B,C任意两者的运算和第三事件的运算相互独立。若事件 A 1 , A 2 ⋯ A n A_1,A_2\cdots A_n A1,A2⋯An相互独立,则其两两独立,但反之不然。
4) A 1 , A 2 ⋯ A n A_1,A_2\cdots A_n A1,A2⋯An相互独立,则
①其中任意k个事件也相互独立
②将其中任意K个事件换成它们各自的对立事件,所得到的n个事件也相互独立
③将 A 1 , A 2 , ⋯ , A n A_1,A_2,\cdots,A_n A1,A2,⋯,An任意分为k个没有相同事件的不同小组,并对每个小组中的事件施以和、积、差、逆运算后,所得到的k个事件也相互独立。
第二章:随机变量及其分布
1、随机变量的分布函数
设X是一个随机变量,称函数 F ( x ) = P ( X ≤ x ) F(x)=P(X\leq x) F(x)=P(X≤x)为随机变量X的分布函数。
从几何上看,如果把X看成数轴上的随机点坐标,那么分布函数F(x)就是在x处的函数值就表示X落在区间 ( − ∞ , x ] (-\infty,x ] (−∞,x]上的(即随机点落在点x的左边)概率。
1) P ( x 1 < X ≤ x 2 ) = F ( x 2 ) − F ( x 1 ) P(x_1<X\leq x_2)=F(x_2)-F(x_1) P(x1<X≤x2)=F(x2)−F(x1)
2) 0 ≤ F ( x ) ≤ 1 0 \leq F(x)\leq 1 0≤F(x)≤1且 F ( − ∞ ) = 0 , F ( + ∞ ) = 1 F(-\infty)=0,F(+\infty) = 1 F(−∞)=0,F(+∞)=1
3)F(x)函数是单调不递减函数
4)F(x)是右连续的,即 F ( x + 0 ) = F ( x ) F(x+0)=F(x) F(x+0)=F(x)
2、离散型随机变量的分布律
设X是离散型随机变量,其可能的取值为 x 1 , x 2 , ⋯ , x i ⋯ x_1,x_2,\cdots,x_i\cdots x1,x2,⋯,xi⋯,称 P ( X = X i ) = p i , i = 1 , 2 , ⋯ P(X = X_i) = p_i,i=1,2,\cdots P(X=Xi)=pi,i=1,2,⋯为X的分布律。【可能值+可能值出现概率】
或表示为
X | x 1 x_1 x1 | x 2 x_2 x2 | ⋯ \cdots ⋯ | x i x_i xi | ⋯ \cdots ⋯ |
---|---|---|---|---|---|
P | p 1 p_1 p1 | p 2 p_2 p2 | ⋯ \cdots ⋯ | p i p_i pi | ⋯ \cdots ⋯ |
求离散型随机变量X的分布律,其方法是:X可能的取值便是分布函数F(x)的间断点(分界点) x i ( i = 1 , 2 , ⋯ ) x_i(i=1,2,\cdots) xi(i=1,2,⋯),从而X的分布律为 p i = P ( X = x i ) = F ( x i + 0 ) − F ( x i − 0 ) = F ( x i ) − F ( x i − 0 ) p_i=P(X=x_i)=F(x_i+0)-F(x_i-0)=F(x_i)-F(x_i-0) pi=P(X=xi)=F(xi+0)−F(xi−0)=F(xi)−F(xi−0)
3、几种重要的离散型随机变量
1)0-1分布
离散型随机变量X只能取0和1两个值,他的分布律为
P ( X = k ) = p k ( 1 − p ) 1 − k , 0 < p < 1 , k = 0 , 1 P(X=k)=p^k(1-p)^{1-k},0<p<1,k = 0,1 P(X=k)=pk(1−p)1−k,0<p