概率论与数理统计教程(一)-随机事件与概率02：概率的定义及其确定方法

本文链接：https://blog.csdn.net/u013250861/article/details/136074084

$§1.2$ 概率的定义及其确定方法
在这一节中,我们要给出概率的定义及其确定方法,
这是概率论中最基本的一个问题.简单而直观的说法就是:
概率是随机事件发生的可能性大小.对此我们先看下面一些经验事实:
（1）随机事件的发生是带有偶然性的,但随机事件发生的可能性是有大小之分的,
例如口袋中有 10 个相同大小的球,其中 9 个黑球, 1 个红球, 从口袋中任取 1
球,人们的共识是:取出黑球的可能性比取出红球的可能性大.
(2)随机事件发生的可能性是可以设法度量的,
就好比一根木棒有长度,一块土地有面积一样. 例如抛一枚硬币,
出现正面与出现反面的可能性是相同的,各为 $1/2$ .
足球裁判就用抛硬币的方法让双方队长选择场地,以示机会均等.
(3) 在日常生活中,人们对一些随机事件发生的可能性大小往往是用百分比 (0
到 1 之间的一个数)进行度量的. 例如购买彩票后可能中奖,
可能不中奖,但中奖的可能性大小可以用中奖率来度量;
抽取一件产品可能为合格品,也可能为不合格品,
但产品质量的好坏可以用不合格品率来度量;新生繁儿可能为男孩,
也可能为女孩,但生男孩的可能性可以用男縏出生率来度量.这些中奖率、不合格品率、男繁出生率等都是概率的原型.
在概率论发展的历史上,曾有过概率的古典定义、概率的几何定义、概率的频率定义和概率的主观定义.这些定义各适合一类随机现象.那么如何给出适合一切随机现象的概率的最一般的定义呢?
1900年数学家希尔伯特 (Hilbert,
1862-1943)提出要建立概率的公理化定义以解决这个问题,即以最少的几条本质特性出发去刻画概率的概念.
1933年苏联数学家柯尔莫戈洛夫 (Kolmogorov,
1903-1987)首次提出了概率的公理化定义,这个定义既概括了历史上几种概率定义中的共同特性,又避免了各自的局限性和含混之处,
不管什么随机现象,只有满足该定义中的三条公理,才能说它是概率.这一公理化体系迅速获得举世公认,是概率论发展史上的一个里程碑.
有了这个公理化定义后,概率论得到了迅速发展.
1.2.1 概率的公理化定义
定义 1.2.1 设 $\Omega$ 为一个样本空间, $\mathscr{F}$ 为
$\Omega$ 的某些子集组成的一个事件域. 如果对任一事件 $\in \mathscr{F}$ ,
定义在 $\mathscr{F}$ 上的一个实值函数 $P (A)$ 满足:
(1) 非负性公理若 $\in \mathscr{F}$ , 则 $\geqslant 0$ ;
(2) 正则性公理 $P(\Omega)=1$ ;
(3) 可列可加性公理若 $A_{1}, A_{2}, \cdots, A_{n}, \cdots$ 互不相容,则
$P\left(\bigcup_{i=1}^{\infty} A_{i}\right)=\sum_{i=1}^{\infty} P\left(A_{i}\right),$
则称 $P (A)$ 为事件 $A$ 的概率,称三元素
$(\Omega, \mathscr{F}, P)$ 为概率空间.
概率的公理化定义刻画了概率的本质, 概率是集合 (事件)的函数, 若在事件域
$\mathscr{F}$ 上给出一个函数,当这个函数能满足上述三条公理,
就被称为概率;当这个函数不能满足上述三条公理中任一条,就被认为不是概率.
公理化定义没有告诉人们如何去确定概率.历史上在公理化定义出现之前,概率的频率定义、古典定义、几何定义和主观定义都在一定的场合下,有着各自确定概率的方法,
所以在有了概率的公理化定义之后,把它们看作确定概率的方法是恰当的.下面先介绍在确定概率的古典方法中大量使用的排列与组合公式,然后分别讲述确定概率的方法.
1.2.2排列与组合公式
排列与组合都是计算 “从 $n$ 个元素中任取 $r$ 个元素”
的取法总数公式,其主要区别在于: 如果不讲究取出元素间的次序,则用组合公式,
否则用排列公式. 而所谓讲究元素间的次序,可以从实际问题中得以辨别,
例如两个人相互握手是不讲次序的;而两个人排队是讲次序的,因为"甲右乙左"与"乙右甲左"是两件事.
排列与组合公式的推导都基于如下两条计数原理:
1.乘法原理
如果某件事需经 $k$ 个步骤才能完成, 做第一步有 $m_{1}$ 种方法, 做第二步有
$m_{2}$ 种方法, $\cdots \cdots$ , 做第 $k$ 步有 $m_{k}$
种方法,那么完成这件事共有 $m_{1} \times m_{2} \times \cdots \times m_{k}$
种方法.
臂如,由甲城到乙城有 3 条旅游线路, 由乙城到丙城有 2
条旅游线路,那么从甲城经乙城去丙城共有 $\times 2=6$ 条旅游线路.
2.加法原理
如果某件事可由 $k$ 类不同途径之一去完成, 在第一类途径中有 $m_{1}$
种完成方法, 在第二类途径中有 $m_{2}$ 种完成方法, $\cdots \cdots$ , 在第
$k$ 类途径中有 $m_{k}$ 种完成方法,那么完成这件事共有
$m_{1}+m_{2}+\cdots+m_{k}$ 种方法.
譬如,由甲城到乙城去旅游有三类交通工具: 汽车、火车和飞机. 而汽车有 8
个班次,火车有 5 个班次, 飞机有 3 个班次, 那么从甲城到乙城共有
$8 + 5 + 3 = 16$ 个班次供旅游者选择.
排列与组合的定义及其计算公式如下.
1.排列
从 $n$ 个不同元素中任取 $\leqslant n)$
个元素排成一列(考虑元素先后出现次序), 称此为一个排列,
此种排列的总数记为 $\mathrm{P}_{n}^{\prime}$ . 按乘法原理,
取出的第一个元素有 $n$ 种取法, 取出的第二个元素有 $n - 1$ 种取法,
$\cdots \cdots$ , 取出的第 $r$ 个元素有 $n - r + 1$ 种取法,所以有
$\mathrm{P}_{n}^{\prime}=n \times(n-1) \times \cdots \times(n-r+1)=\frac{n !}{(n-r) !} .$
若 $r = n$ ,则称为全排列,记为 $\mathrm{P}_{n}$ . 显然,
全排列 $\mathrm{P}_{n}=n !$ .
2. 重复排列
从 $n$ 个不同元素中每次取出一个,放回后再取下一个, 如此连续取
$r$ 次所得的排列称为重复排列,此种重复排列数共有 $n^{\prime}$ 个.
注意:这里的 $r$ 允许大于 $n$ .
3. 组合
从 $n$ 个不同元素中任取 $\leqslant n)$
个元素并成一组(不考虑元素间的先后次序),称此为一个组合,
此种组合的总数记为 $\left(\begin{array}{l}n \\ r\end{array}\right)$
或 $\mathrm{C}_{n}^{\prime}$ .按乘法原理此种组合的总数为
$\left(\begin{array}{l} n \\ r \end{array}\right)=\frac{\mathrm{P}_{n}^{\prime}}{r !}=\frac{n(n-1) \cdots(n-r+1)}{r !}=\frac{n !}{r !(n-r) !} .$
在此规定 $0! = 1$ 与
$\left(\begin{array}{l}n \\ 0\end{array}\right)=1$ .组合具有性质:
$\left(\begin{array}{c} n \\ r \end{array}\right)=\left(\begin{array}{c} n \\ n-r \end{array}\right)$
4.重复组合
从 $n$ 个不同元素中每次取出一个, 放回后再取下一个,如此连续取 $r$
次所得的组合称为重复组合,
此种重复组合总数为 $\left(\begin{array}{c}n+r-1 \\ r\end{array}\right)$ .
注意: 这里的 $r$ 也允许大于 $n$ .
重复组合数的得出可如下考虑:将此 $n$ 个元素画成 $n$ 个盒子 (用 $n + 1$
根火柴棒示意, 见图 1.2.1), 如果第 $i$ 个元素取到过一次,则在此盒子中用"
$O$ "作一
oo $∣0∣$ … bod
图 1.2.1重复组合示意图记号.图 1.2.1 所示意味着:第一个元素取到过 2 次, 第
2个元素取到过 0 次,第 3 个元素取到过 1 次, $\cdots \cdots$ , 第
$n$ 个元素取到过 3 次.因为共取 $r$ 次,所以共有 $r$ 个 " $O$
“, $n + 1$ 个”“.如此所有的 $r$ 个” $O$ “和 $n + 1$ 个”"
中除了两端的那两个"“不可以动外, 共有 $n + r - 1$ 个” $\bigcirc$ " 和 “”
可随意放置,不同的放置表示不同的取法. 因此重复组合数就等于在此
$n + r - 1$ 个位置上任选 $r$ 个放 " $O$ ", 或此 $n + r - 1$ 个位置上任选
$n - 1$ 个放 " $\mid$ ",
而 $\left(\begin{array}{c}n+r-1 \\ r\end{array}\right)$
和 $\left(\begin{array}{c}n+r-1 \\ n-1\end{array}\right)$ 是相等的.
上述四种排列组合及其计算公式,在确定概率的古典方法中经常使用,但在使用中要注意识别是否讲次序、是否重复.
1.2.3确定概率的频率方法
确定概率的频率方法是在大量重复试验中,用频率的稳定值去获得概率的一种方法,其基本思想是：
(1) 与考察事件 $A$ 有关的随机现象可大量重复进行.
(2) 在 $n$ 次重复试验中, 记 $n (A)$ 为事件 $A$ 出现的次数, 又称 $n (A)$
为事件 $A$ 的频
数.称
$f_{n}(A)=\frac{n(A)}{n}$
为事件 $A$ 出现的频率.
(3)人们的长期实践表明: 随着试验重复次数 $n$ 的增加,频率
$f_{n}(A)$ 会稳定在某一常数 $a$ 附近,
我们称这个常数为频率的稳定值.这个频率的稳定值就是我们所求的概率.
注意,确定概率的频率方法虽然是很合理的,但此方法的缺点也是很明显的:在现实世界里,
人们无法把一个试验无限次地重复下去,因此要精确获得频率的稳定值是困难的.频率方法提供了概率的一个可供想象的具体值,并且在试验重复次数
$n$ 较大时, 可用频率给出概率的一个近似值,这一点是频率方法最有价值的地方.
在统计学中就是如此做的,且称频率为概率的估计值. 譬如,
在足球比赛中,人们很关心罚点球命中的可能性大小. 有人曾对 1930 年至 1988
年世界各地的53274 场重大足球比赛作了统计: 在判罚的 15382 个点球中有
11172 个命中.由此可得罚点球命中率的估计值为 $11172/15382 = 0.726$ .
容易验证:用频率方法确定的概率满足公理化定义,它的非负性与正则性是显然的,而可加性只需注意到:
当 $A$ 与 $B$ 互不相容时, 计算 $\cup B$ 的频数可以分别计算的
$A$ 的频数和 $B$ 的频数, 然后再相加,
这意味着 $\cup B)=n(A)+n(B)$ ,从而有
$\begin{aligned} f_{n}(A \cup B) & =\frac{n(A \cup B)}{n}=\frac{n(A)+n(B)}{n} \\ & =\frac{n(A)}{n}+\frac{n(B)}{n}=f_{n}(A)+f_{n}(B) . \end{aligned}$
例1.2.1 说明频率稳定性的例子.
(1)抛硬币试验(见[3])
历史上有不少人做过抛硬币试验,其结果见表 1.2. 从表中的数据可以看出:
出现正面的频率逐渐稳定在 0.5 .用频率的方法可以说: 出现正面的概率为 0.5 .
表 1.2.1历史上抛硬币试验的若干结果
试验者抛硬币次数出现正面次数频率

德摩根(De Morgan) 2048 1061 0.5181
蒲丰(Buffon) 4040 2048 0.5069
费勒(Feller) 10000 4979 0.4979
皮尔逊(Pearson) 12000 6019 0.5016
皮尔逊 24000 12012 0.5005
(2) 英文字母的频率 (见[3])
人们在生活实践中已经认识到:英文中某些字母出现的频率要高于另外一些字
母. 但
26个英文字母各自出现的频率到底是多少?有人对各类典型的英文书刊中字母出现的频率进行统计,发现各个字母的使用频率相当稳定
(见表 1.2.2).
这项研究对计算机键盘的设计(在方便的地方安排使用频率最高的字母键)、信息的编码(用较短的码编排使用频率最高的字母)
等方面都是十分有用的.
表 1.2.2英文字母的使用频率
字母使用频率字母使用频率字母使用频率

$\mathrm{E}$ 0.1268 $\mathrm{~L}$ 0.0394 $\mathrm{P}$ 0.0186
$\mathrm{~T}$ 0.0978 $\mathrm{D}$ 0.0389 $\mathrm{~B}$ 0.0156
$\mathrm{~A}$ 0.0788 $\mathrm{U}$ 0.0280 $\mathrm{~V}$ 0.0102
$\mathrm{O}$ 0.0776 $\mathrm{C}$ 0.0268 $\mathrm{~K}$ 0.0060
$\mathrm{I}$ 0.0707 $\mathrm{~F}$ 0.0256 $\mathrm{X}$ 0.0016
$\mathrm{~N}$ 0.0706 $\mathrm{M}$ 0.0244 $\mathrm{~J}$ 0.0010
$\mathrm{~S}$ 0.0634 $\mathrm{~W}$ 0.0214 $\mathrm{Q}$ 0.0009
$\mathrm{R}$ 0.0594 $\mathrm{Y}$ 0.0202 $\mathrm{Z}$ 0.0006
$\mathrm{H}$ 0.0573 $\mathrm{G}$ 0.0187
(3) 女管出生频率 (见[7])
研究女繁出生频率,对人口统计是很重要的.
历史上较早研究这个问题的有拉普拉斯(Laplace,1749-1827),他对伦敦、彼得堡、柏林和全法国的大量人口资料进行研究,发现女婴出生频率总是在
$21/43$ 左右波动.
统计学家克拉默(C ramer, 1893-1985) 用瑞典 1935 年的官方统计资料 (见表 1.2
.3 $)$ ,发现女婴出生频率总是在 0.482 左右波动.
表 1.2 .3 瑞典 1935年各月出生女婴的频率
月份 1 2 3 4 5 6

姦儿数 7280 6957 7883 7884 7892 7609
女知数 3537 3407 3866 3711 3775 3665
频率 0.486 0.490 0.490 0.471 0.478 0.482
月份 7 8 9 10 11 12 全年
繁儿数 7585 7393 7203 6903 6552 7132 $\quad 273$
女翂数 3621 3596 3491 3391 3160 3371 42591
频率 0.477 0.486 0.485 0.491 0.482 0.473 0.4825
1.2.4确定概率的古典方法
确定概率的古典方法是概率论历史上最先开始研究的情形.它简单、直观,
不需要做大量重复试验,
而是在经验事实的基础上,对被考察事件的可能性进行逻辑分析后得出该事件的概率.
古典方法的基本思想如下:
(1)所涉及的随机现象只有有限个样本点, 譬如为 $n$ 个.
(2)每个样本点发生的可能性相等 (称为等可能性). 例如,
抛一枚均匀硬币,“出现正面” 与 “出现反面” 的可能性相等; 抛一枚均匀骰子,
出现各点 $\sim 6)$ 的可能性相
等;从一副扑克牌中任取一张,每张牌被取到的可能性相等.
(3) 若事件 $A$ 含有 $k$ 个样本点, 则事件 $A$ 的概率为
$P(A)=\frac{\text { 事件 } A \text { 所含样本点的个数 }}{\Omega \text { 中所有样本点的个数 }}=\frac{k}{n} .$
容易验证,由上式确定的概率满足公理化定义,它的非负性与正则性是显然的.而满足可加性的理由与频率方法类似:
当 $A$ 与 $B$ 互不相容时, 计算 $\cup B$ 的样本点个数可以分别计算 $A$
的样本点个数和 $B$ 的样本点个数, 然后再相加, 从而有可加性
$\cup B)$ $= P (A) + P (B)$ .
古典方法是概率论发展初期确定概率的常用方法,故所得的概率又称为古典概率.
在古典方法中, 求事件 $A$ 的概率归结为计算 $A$ 中含有的样本点的个数和
$\Omega$ 中含有的样本点的总数.所以在计算中经常用到排列组合工具.
例 1.2.2 郑两枚硬币,求出现一个正面一个反面的概率.
解此例的样本空间为 $\Omega=\{$ (正,正), (正, 反), (反, 正), (反, 反)
$\}$ . 所以 $\Omega$ 中含有样本点的个数为 4 , 事件
"出现一个正面一个反面"含有的样本点的个数为 2 , 因此所求概率为 $1/2$ .
注意,如果将此样本空间记成 $\Omega_{1}=\{$ (二正), (二反),
(一正一反) $\}$ , 则此 3个样本点不是等可能的.
在计算古典概率时,一般不用把样本空间详细写出,但一定要保证样本点为等可能.
以下是一些较为有用的模型,请读者熟练掌握和灵活运用.
例 1.2.3 (抽样模型) 一批产品共有 $N$ 件, 其中 $M$ 件是不合格品, $N - M$
件是合格品. 从中随机取出 $n$ 件 $\leqslant N)$ , 试求事件 $A_{m}=$
“取出的 $n$ 件产品中有 $m$ 件不合格品” 的概率
$\leqslant M, n-m \leqslant N-M)$