概率论与数理统计教程(一)-随机事件与概率01：随机事件及其运算

第一章
随机事件与概率
概率论与数理统计研究的对象是随机现象. 概率论研究随机现象的模型
(即概率分布) 及其性质, 详见前四章,
数理统计研究随机现象的数据收集、处理及统计推断,
详见后四章.下面从随机现象开始逐步叙述这些内容.
§ 1.1 随机事件及其运算
1.1.1 随机现象
在一定的条件下, 并不总是出现相同结果的现象称为随机现象,
如抛一枚硬币与掷一颗骰子.随机现象有两个特点:
(1) 结果不止一个;
(2) 哪一个结果出现, 人们事先并不知道.
只有一个结果的现象称为确定性现象.例如, 太阳从东方升起, 水往低处流,
异性电荷相吸,一个口袋中有十只完全相同的白球, 从中任取一只必然为白球.
例 1.1.1 随机现象的例子.
（1）抛一枚硬币,有可能正面朝上,也有可能反面朝上.
(2) 掷一颗骰子, 出现的点数.
(3) 一天内进人某商场的顾客数.
(4) 某种型号电视机的寿命.
(5) 测量某物理量 (长度、直径等) 的误差.
随机现象到处可见.
对在相同条件下可以重复的随机现象的观察、记录、实验称为随机试验.
也有很多随机现象是不能重复的, 例如某场足球赛的输赢是不能重复的,
某些经济现象 (如失业、经济增长速度等) 也不能重复.
概率论与数理统计主要研究能大量重复的随机现象,但也十分注意研究不能重复的随机现象.
1.1.2 样本空间
随机现象的一切可能基本结果组成的集合称为样本空间,记为
Ω = { ω } \Omega=\{\omega\} Ω={ ω},其中 $\omega$ 表示基本结果, 又称为样本点.
样本点是今后抽样的最基本单元. 认识随机现象首先要列出它的样本空间.
例 1.1.2 下面给出例 1.1.1 中随机现象的样本空间.
（1）抛一枚硬币的样本空间为
Ω 1 = { ω 1 , ω 2 } \Omega_{1}=\left\{\omega_{1}, \omega_{2}\right\} Ω1​={ ω1​,ω2​}, 其中 ${\omega }_1$
表示正面朝上, ${\omega }_2$ 表示反面朝上.
(2) 郑一颗骰子的样本空间为
Ω 2 = { ω 1 , ω 2 , ⋯   , ω 6 } \Omega_{2}=\left\{\omega_{1}, \omega_{2}, \cdots, \omega_{6}\right\} Ω2​={ ω1​,ω2​,⋯,ω6​},
其中 ${\omega }_i$ 表示出现 $i$ 点, $i=1$, $2,\cdots ,6$.
也可更直接明了地记此样本空间为 Ω 2 = { 1 , 2 , ⋯   , 6 } \Omega_{2}=\{1,2, \cdots, 6\} Ω2​={ 1,2,⋯,6}.
(3) 一天内进人某商场的顾客数的样本空间为
$${\Omega }_3=\left\{0,1,2,\cdots ,500,\cdots ,10^5,\cdots \right\},$$
其中" 0 “表示"一天内无人进人此商场”, 而 " $10^5$ “表示
“一天内有十万人进人此商场”.虽然此两种情况很少发生,
但我们无法说此两种情况不可能发生,
甚至于我们不能确切地说出一天内进人该商场的最多人数,
所以该样本空间用非负整数集表示, 既不脱离实际情况, 又便于数学上的处理.
(4) 电视机寿命的样本空间为 Ω 4 = { t : t ⩾ 0 } \Omega_{4}=\{t: t \geqslant 0\} Ω4​={ t:t⩾0}, 其中 $t$
为一台电视机开始工作到首次发生故障的时间间隔.
(5) 测量误差的样本空间为 Ω 5 = { x : − ∞ < x < ∞ } \Omega_{5}=\{x:-\infty<x<\infty\} Ω5​={ x:−∞<x<∞}, 其中 $x$
为测量值 $y$ 与真值 $\mu$ 之间的差, 即 $x=y-\mu$.
需要注意的是:
(1) 样本空间中的元素可以是数也可以不是数.
(2) 随机现象的样本空间至少有两个样本点,
如果将确定性现象放在一起考虑,则含有一个样本点的样本空间对应的为确定性现象.
(3) 从样本空间含有样本点的个数来区分, 样本空间可分为有限与无限两类,
臂如以上样本空间 ${\Omega }_1$ 和 ${\Omega }_2$ 中样本点的个数为有限个, 而
${\Omega }_3,{\Omega }_4$ 及 ${\Omega }_5$ 中样本点的个数为无限个. 但
${\Omega }_3$ 中样本点的个数为可列个, 而 ${\Omega }_4$ 和 ${\Omega }_5$
中的样本点的个数为不可列无限个. 在以后的数学处理上,
我们往往将样本点的个数为有限个或可列的情况归为一类, 称为离散样本空间.
而将样本点的个数为不可列无限个的情况归为另一类,
称为连续样本空间.由于这两类样本空间有着本质上的差异,故分别称呼之.
1.1.3 随机事件
随机现象的某些样本点组成的集合称为随机事件,简称事件, 常用大写字母
$A,B$, $C,\cdots$ 表示. 如在掷一颗骰子中, $A=$ “出现奇数点”
是一个事件, 即 A = { 1 , 3 , 5 } A=\{1,3,5\} A={ 1,3,5}, 它是相应样本空间 Ω = { 1 , 2 , 3 , 4 , 5 , 6 } \Omega=\{1,2,3,4,5,6\} Ω={ 1,2,3,4,5,6}
的一个子集.
在以上事件的定义中, 要注意以下几点:
(1) 任一事件 $A$
是相应样本空间的一个子集.在概率论中常用一个长方形表示样本空间
$\Omega$,用其中一个圆或其他几何图形表示事件 $A$, 见图 1.1.1,
这类图形称为维恩 (Venn) 图.
(2) 当子集 $A$ 中某个样本点出现了, 就说事件 $A$ 发生了, 或者说事件 $A$
发生当且仅当 $A$ 中某个样本点出现了.
（3）事件可以用集合表示,也可用明白无误的语言{width=“174px”}
图 1.1 .1 事件 $A$ 的维恩图描述.
(4) 由样本空间 $\Omega$ 中的单个元素组成的子集称为基本事件.而样本空间
$\Omega$ 的最大子集 (即 $\Omega$ 本身) 称为必然事件. 样本空间 $\Omega$
的最小子集 (即空集 $\varnothing$ ) 称为不可能事件.
例 1.1.3 掷一颗骰子的样本空间为 Ω = { 1 , 2 , ⋯   , 6 } \Omega=\{1,2, \cdots, 6\} Ω={ 1,2,⋯,6}.
事件 $A=$ “出现 1 点”, 它由 $\Omega$ 的单个样本点 " 1 " 组成.
事件 $B=$ “出现偶数点”, 它由 $\Omega$ 的三个样本点 " $2,4,6$ " 组成.
事件 $C=$ “出现的点数小于 7 “, 它由 $\Omega$ 的全部样本点 "
$1,2,3,4,5,6$ " 组成, 即必然事件 $\Omega$.
事件 $D=$ “出现的点数大于 6 “,$\Omega$ 中任一样本点都不在 $D$ 中, 所以
$D$ 是空集, 即不可能事件 $\varnothing$.
1.1.4 随机变量
用来表示随机现象结果的变量称为随机变量, 常用大写字母 $X,Y,Z$ 表示.
很多事件都可用随机变量表示, 表示时应写明随机变量的含义.
而随机变量的含义是人们按需要设置出来的.下面通过一些例子来说明是如何进行设置的.
例 1.1.4 很多随机现象的结果本身就是数,
把这些数看作某特设变量的取值就可获得随机变量. 如郑一颗骰子, 可能出现
$1,2,3,4,5,6$ 诸点. 若设置 $X=$ “郑一颗骰子出现的点数”, 则 $1,2,3,4,5,6$
就是随机变量 $X$ 的可能取值, 这时
- 事件"出现 3 点” 可用 " $X=3$ " 表示.
- 事件"出现点数超过 3 点"可用 " $X>3$ " 表示.
- " $X⩽6$ " 是必然事件 $\Omega$.
- " $X=7$ " 是不可能事件 $\varnothing$.
在这个随机现象中, 若再设 $Y=$ “掷一颗骰子 6 点出现的次数”, 则 $Y$ 是仅取
0 或 1 两个值的随机变量, 这是与 $X$ 不同的另一个随机变量.这时
- " $Y=0$ " 表示事件"没有出现 6 点”.
- " $Y=1$ “表示事件"出现 6 点”.
- " $Y⩽1$ " 是必然事件 $\Omega$.
- " $Y⩾2$ " 是不可能事件 $\varnothing$.
上述讨论表明:在同一个随机现象中,不同的设置可获得不同的随机变量,如何设置可按需要进行.
例 1.1.5
有些随机现象的结果虽然不是数,但仍可根据需要设计出有意义的随机变量.如检验一件产品的可能结果有两个:
合格品与不合格品.若我们把注意点放在不合格品上, 则设置 $X=$
“检查一件产品所得的不合格品数”, $X$ 是仅取 0 与 1 的随机变量, 且 " $X=0$
“表示事件"出现合格品”; " $X=1$ " 表示事件"出现不合格品”.
若检查 10 件产品, 其中不合格品数 $Y$ 是一个随机变量, 它仅可能取
$0,1,2,\cdots ,10$等 11 个值,且
- 事件 “不合格品数不多于 1 件"可用 " $Y⩽1$ " 表示.
- " $Y=0$ " 表示事件"全是合格品”.
- " $Y=10$ " 表示事件"全是不合格品”.
- " $Y<0$ " 是不可能事件 $\varnothing$.
- " $Y⩽10$ “是必然事件 $\Omega$.
由此可见, 随机变量是人们根据研究和需要设置出来的,
若把它用等号或不等号与某些实数联结起来就可以表示很多事件.
这种表示方法形式简洁、含义明确、使用方便.
今后遇到的大量事件都将用随机变量表示,
这里关键在于随机变量的设置要事先说明.
1.1.5 事件间的关系
下面的讨论总是假设在同一个样本空间 $\Omega$ (即同一个随机现象) 中进行.
事件间的关系与集合间的关系一样, 主要有以下几种:
一、包含关系
如果属于 $A$ 的样本点必属于 $B$, 则称 $A$ 被包含在 $B$ 中 (见图 1.1.2),
或称 $B$ 包含 $A$,记为 $A\subset B$, 或 $B\supset A$.
用概率论的语言说: 事件