学习笔记——概率论与数理统计(第一章)
学习来源:https://www.bilibili.com/video/av36206436/
引言
- 确定性现象(必然现象):一定发生(不发生)
- 随机现象(偶然现象):可能发生(不发生)
- 统计规律
一、事件的概率
1.1
1.1.1 随机事件
- 试验:观察、测量、实验
- 随机试验:① 在相同的条件下,可以重复;② 结果不止一个;③ 无法预测
- 事件:每种结果
- 随机事件:通常用大写英文字母A、B、C等表示
- 基本事件:相对于实验目的来说,事件不能再分,或者说不必再分
- 复合事件:由基本事件复合而成
- 必然事件 Ω \Omega Ω :一定发生
- 不可能事件 ∅ \varnothing ∅ :一定不发生
1.1.2 样本空间和事件的集合表示
- 样本空间 Ω \Omega Ω :所有基本事件的集合
- 样本点 ω \omega ω :样本空间中的元素
- 事件的集合表示
1.1.3 事件间的关系
-
包含
A ⊂ \subset ⊂ B(B ⊃ \supset ⊃ A):A发生必然导致B发生
∅ \varnothing ∅ ⊂ \subset ⊂ A ⊂ \subset ⊂ Ω \Omega Ω 要区分于 ω \omega ω ∈ \in ∈ Ω \Omega Ω
相等:若A ⊂ \subset ⊂ B 且B ⊂ \subset ⊂ A,则A = B -
并(和)
A ∪ \cup ∪ B 或 A + B:A与B中至少有一个发生
A ⊂ \subset ⊂ A + B
A + A = A
A + ∅ \varnothing ∅ = A
A + Ω \Omega Ω = Ω \Omega Ω -
交(积)
A ∩ \cap ∩ B 或 A B
A B ⊂ \subset ⊂ A
A A = A
A ∅ \varnothing ∅ = ∅ \varnothing ∅
A Ω \Omega Ω = A
无限可列个:按某种规律排成一个序列
例:全体自然数,全体整数,全体有理数
实数集(×),直线上的点集(×) -
差
A − B:A发生而B不发生
A − B = A − A B -
互不相容事件
A B = ∅ \varnothing ∅:A、B不同时发生
n个事件:A1, A2, . . . , An
Ai Aj = ∅ \varnothing ∅ -
对立事件
A、B不互相容且A ∪ \cup ∪ B = Ω \Omega Ω
A B = ∅ \varnothing ∅且A + B = Ω \Omega Ω
A = B ‾ \overline{B} B
B = A ‾ \overline{A} AA ‾ ‾ \overline{\overline{A}} A = A
A − B = A − A B = A B ‾ \overline{B} B联系与区别:
- 两事件对立,则一定互不相容
- 互不相容适用于多个事件,对立只适用于两个事件
- 互不相容不能同时发生,可以都不发生;对立有且只有一个发生
-
完备事件组
A 1 , A 2 , ⋯ , A n A_1,A_2,\cdots,A_n A1,A2,⋯,An两两互不相容,且 ∪ i = 1 n A i = Ω \cup_{i=1}^nA_i = \Omega ∪i=1nAi=Ω -
运算律
- 交换
A ∪ \cup ∪ B = B ∪ \cup ∪ A
A ∩ \cap ∩ B = B ∩ \cap ∩ A - 结合
( A ∪ \cup ∪ B ) ∪ \cup ∪ C = A ∪ \cup ∪ ( B ∪ \cup ∪ C )
( A ∩ \cap ∩ B ) ∩ \cap ∩ C = A ∩ \cap ∩ ( B ∩ \cap ∩ C ) - 分配
( A ∪ \cup ∪ B ) ∩ \cap ∩ C = ( A ∩ \cap ∩ C ) ∪ \cup ∪ ( B ∩ \cap ∩ C )
( A ∩ \cap ∩ B ) ∪ \cup ∪ C = ( A ∪ \cup ∪ C ) ∩ \cap ∩ ( B ∪ \cup ∪ C ) - 对偶(口诀:长短换,符号变)
A ∪ B ‾ \overline{ A \cup B } A∪B = A ‾ ∩ B ‾ \overline{A} \cap \overline{B} A∩B
A ∩ B ‾ \overline{ A \cap B } A∩B = A ‾ ∪ B ‾ \overline{A} \cup \overline{B} A∪B
- 交换
1.2
1.2.1 概率的初等描述
概率:可能性的大小,P ( A )
性质:
- P( Ω \Omega Ω ) = 1,P( ∅ \varnothing ∅ ) = 0
- 0 ≤ \leq ≤ P( A ) ≤ \leq ≤ 1
1.2.2 古典概型(排列组合)
条件:
- 有限个样本点
- 等可能性
P ( A ) = A 的有利样本点 Ω 中样本点总数 = A 中包含的基本事件数 基本事件总数 P( A ) = \frac { A的有利样本点 }{ \Omega 中样本点总数 } = \frac { A中包含的基本事件数 }{ 基本事件总数 } P(A)=Ω中样本点总数A的有利样本点=基本事件总数A中包含的基本事件数
排列组合
加法原理:几类方案 加法
乘法原理:分几步 乘法
排列:
- 不重复排列
从 n 个不同的元素中取出 m 个不同的进行排列
A n m = n ( n − 1 ) ( n − 2 ) ⋯ ( n − m + 1 ) = n ! ( n − m ) ! \displaystyle A^m_n = n(n-1)(n-2)\cdots (n-m+1) = \frac{n!}{(n-m)!} Anm=n(n−1)(n−2)⋯(n−m+1)=(n−m)!n!
全排列
A n n = n ( n − 1 ) ⋯ 3 × 2 × 1 = n ! \displaystyle A^n_n=n(n-1)\cdots 3\times 2\times 1=n! Ann=n(n−1)⋯3×2×1=n! - 重复排列
从 n 个不同的元素中取出 m 个进行排列
n × n × ⋯ × n = n m n\times n\times \cdots \times n=n^m n×n×⋯×n=nm
组合:
- 从 n 个不同的元素中取出 m 个不同元素
C n m = A n m m ! = n ( n − 1 ) ⋯ ( m − n + 1 ) m ( m − 1 ) ⋯ × 2 × 1 = n ! m ! ( n − m ) ! \displaystyle C_n^m=\frac{A_n^m}{m!}=\frac{n(n-1)\cdots (m-n+1)}{m(m-1)\cdots \times 2\times 1}=\frac{n!}{m!(n-m)!} Cnm=m!Anm=m(m−1)⋯×2×1n(n−1)⋯(m−n+1)=m!(n−m)!n!
C n m = C n n − m \displaystyle C_n^m=C_n^{n-m} Cnm=Cnn−m
C n 0 = C n n = 1 \displaystyle C_n^0=C_n^n=1 Cn0=Cnn=1
古典概型
性质:
- 非负性: 0 ≤ P ( A ) ≤ 1 0\leq P(A)\leq 1 0≤P(A)≤1
- 规范性: P ( Ω ) = 1 , P ( ∅ ) = 0 P(\Omega)=1,P(\varnothing)=0 P(Ω)=1,P(∅)=0
- 有限可加性:
A
1
,
A
2
,
⋯
,
A
n
A_1,A_2,\cdots,A_n
A1,A2,⋯,An互不相容
P ( A 1 + A 2 + ⋯ + A n ) = P ( A 1 ) + P ( A 2 ) + ⋯ + P ( A n ) P ( A_1 + A_2 + \cdots + A_n ) = P ( A_1 ) + P ( A_2 ) + \cdots + P ( A_n) P(A1+A2+⋯+An)=P(A1)+P(A2)+⋯+P(An)
缺点:
- 有限个结果
- 等可能性
1.2.3 几何概型
线段、平面、立体
P
(
A
)
=
μ
(
G
)
μ
(
Ω
)
\displaystyle P(A)=\frac{\mu(G)}{\mu(\Omega)}
P(A)=μ(Ω)μ(G)
μ
\mu
μ:几何区域的度量
性质:
几何概率模型具有与古典概率模型相同的性质
几何概率模型具有完全可加性
P ( ⋃ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) P(\displaystyle\bigcup_{i=1}^\infin A_i)=\displaystyle \sum_{i=1}^{\infin}P(A_i) P(i=1⋃∞Ai)=i=1∑∞P(Ai)
1.2.4 频率与概率
频率:n 次试验,事件 A 发生了 m 次,
m
n
\frac{m}{n}
nm 称为频率,记作
ω
n
(
A
)
\omega_n(A)
ωn(A)
性质:
- 非负性: 0 ≤ ω n ( A ) ≤ 1 0\leq \omega_n(A)\leq1 0≤ωn(A)≤1
- 规范性: ω n ( Ω ) = 1 , ω n ( ∅ ) = 0 \omega_n(\Omega)=1,\omega_n(\varnothing)=0 ωn(Ω)=1,ωn(∅)=0
- 可加性:若
A
1
A
2
,
⋯
,
A
m
A_1A_2,\cdots,A_m
A1A2,⋯,Am 两两互不相容
ω n ( A 1 + A 2 + ⋯ + A m ) = ω n ( A 1 ) + ω n ( A 2 ) + ⋯ + ω n ( A m ) \omega_n(A_1+A_2+\cdots+A_m)=\omega_n(A_1)+\omega_n(A_2)+\cdots+\omega_n(A_m) ωn(A1+A2+⋯+Am)=ωn(A1)+ωn(A2)+⋯+ωn(Am)
频率的稳定值称为统计概率
1.2.5 公理化
概率的四种定义:描述性定义、古典概型定义、几何概型定义、统计定义
性质:
- 非负性
- 规范性
- 可加性
公理1(非负性)
0
≤
P
(
A
)
≤
1
0\leq P(A)\leq1
0≤P(A)≤1
公理2(规范性)
P
(
Ω
)
=
1
P(\Omega)=1
P(Ω)=1
公理3(完全可加性) 若
A
1
,
A
2
,
⋯
A_1,A_2,\cdots
A1,A2,⋯ 两两互不相容,则
P
(
A
1
+
A
2
+
⋯
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
P(A_1+A_2+\cdots)=P(A_1)+P(A_2)+\cdots
P(A1+A2+⋯)=P(A1)+P(A2)+⋯
性质1
P(Φ)=0
性质2(有限可加性)
若
A
1
,
A
2
,
⋯
,
A
n
A_1,A_2,\cdots, A_n
A1,A2,⋯,An 两两互不相容,则
P
(
A
1
+
A
2
+
⋯
+
A
n
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
+
P
(
A
n
)
P(A_1+A_2+\cdots+A_n)=P(A_1)+P(A_2)+\cdots+P(A_n)
P(A1+A2+⋯+An)=P(A1)+P(A2)+⋯+P(An)
性质3
P(
A
‾
\overline {A}
A ) = 1 − P( A )
推论:若
A
1
+
A
2
+
⋯
+
A
n
A_1+A_2+\cdots+A_n
A1+A2+⋯+An 构成了完备事件组,则
P
(
Ω
)
=
P
(
A
1
+
A
2
+
⋯
+
A
n
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
+
P
(
A
n
)
=
1
P(\Omega)=P(A_1+A_2+\cdots+A_n)=P(A_1)+P(A_2)+\cdots+P(A_n)=1
P(Ω)=P(A1+A2+⋯+An)=P(A1)+P(A2)+⋯+P(An)=1
性质4
P ( A − B ) = P ( A ) − P ( A B )
若
A
⊃
B
A \supset B
A⊃B,则 P ( A − B ) = P ( A ) − P ( B ) 且
P
(
A
)
≥
P
(
B
)
P(A)\geq P(B)
P(A)≥P(B)
性质5(加法公式)
P( A + B ) = P( A ) + P( B ) − P( AB )
1.3
1.3.1 条件概率
定义:
设
Ω
\Omega
Ω 是样本空间,AB是两个事件,P ( B ) > 0,在 B 已经发生的条件下 A 发生的概率称为 A 对 B 的条件概率,记作P ( A ∣ B )
P ( A ) 无条件概率
⟶
\longrightarrow
⟶ 样本空间
Ω
\Omega
Ω
P ( A ∣ B ) 条件概率
⟶
\longrightarrow
⟶ 样本空间 B =
Ω
B
\Omega_B
ΩB
- P ( A ∣ B ) = n A B n B P ( A ∣ B ) = \displaystyle\frac{n_{AB}}{n_B} P(A∣B)=nBnAB
- P ( A ∣ B ) = n A B / n n B / n = P ( A B ) P ( B ) P ( A ∣ B ) = \displaystyle\frac{n_{AB}/n}{n_B/n} = \frac{P(AB)}{P(B)} P(A∣B)=nB/nnAB/n=P(B)P(AB)
性质:
- P ( A ∣ B ) ≥ 0 P(A|B)\geq 0 P(A∣B)≥0
- P ( Ω ∣ B ) = 1 P(\Omega|B)=1 P(Ω∣B)=1
- 若 A 1 , A 2 , ⋯ A_1,A_2,\cdots A1,A2,⋯两两互不相容,则 P ( ∑ i = 1 ∞ A i ∣ B ) = ∑ i = 1 ∞ P ( A i ∣ B ) P(\displaystyle\sum_{i=1}^\infin A_i|B)=\sum_{i=1}^\infin P(A_i|B) P(i=1∑∞Ai∣B)=i=1∑∞P(Ai∣B)
P ( A ∣ B ) + P ( A ‾ ∣ B ) = 1 P(A|B)+P(\overline{A}|B)=1 P(A∣B)+P(A∣B)=1
1.3.2 乘法公式
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
⇒
P
(
A
B
)
=
P
(
B
)
P
(
A
∣
B
)
P(A|B)=\displaystyle\frac{P(AB)}{P(B)} \Rarr P(AB)=P(B)P(A|B)
P(A∣B)=P(B)P(AB)⇒P(AB)=P(B)P(A∣B)
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
⇒
P
(
A
B
)
=
P
(
A
)
P
(
B
∣
A
)
P(B|A)=\displaystyle\frac{P(AB)}{P(A)} \Rarr P(AB)=P(A)P(B|A)
P(B∣A)=P(A)P(AB)⇒P(AB)=P(A)P(B∣A)
P
(
A
1
A
2
⋯
A
n
)
=
P
(
A
1
)
P
(
A
2
∣
A
1
)
P
(
A
3
∣
A
1
A
2
)
⋯
P
(
A
n
∣
A
1
A
2
⋯
A
n
−
1
)
P(A_1A_2\cdots A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)\cdots P(A_n|A_1A_2\cdots A_{n-1})
P(A1A2⋯An)=P(A1)P(A2∣A1)P(A3∣A1A2)⋯P(An∣A1A2⋯An−1)
1.4
1.4.1 全概率公式
设 A 1 + A 2 + ⋯ + A n A_1+A_2+\cdots+A_n A1+A2+⋯+An 是试验 E 的一个完备事件组, P ( A i ) > 0 P(A_i)>0 P(Ai)>0, P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B)=\displaystyle\sum_{i=1}^nP(A_i)P(B|A_i) P(B)=i=1∑nP(Ai)P(B∣Ai)
1.4.2 贝叶斯公式
设
A
1
+
A
2
+
⋯
+
A
n
A_1+A_2+\cdots+A_n
A1+A2+⋯+An 是试验 E 的一个完备事件组,B 是试验 E 的一个事件,
P
(
A
i
)
>
0
,
P
(
B
)
>
0
,
P
(
A
i
∣
B
)
=
P
(
A
k
)
P
(
B
∣
A
k
)
∑
i
=
1
n
P
(
A
i
)
P
(
B
∣
A
i
)
=
P
(
A
k
B
)
P
(
B
)
P(A_i)>0 ,P ( B ) > 0,P(A_i|B)=\displaystyle\frac{P(A_k)P(B|A_k)}{\displaystyle\sum_{i=1}^nP(A_i)P(B|A_i)}=\frac{P(A_kB)}{P(B)}
P(Ai)>0,P(B)>0,P(Ai∣B)=i=1∑nP(Ai)P(B∣Ai)P(Ak)P(B∣Ak)=P(B)P(AkB)
P
(
A
i
)
P(A_i)
P(Ai):先验概率
P
(
A
i
∣
B
)
P(A_i|B)
P(Ai∣B):后验概率
1.5
1.5.1 事件的独立性
定义:A 事件发生的概率不受 B 事件发生与否的影响。P ( A ∣ B ) = P ( A )
定理:P ( A ) > 0 , P ( B ) > 0 则 A 和 B 独立的充要条件是P ( AB ) = P ( A ) P ( B )
若 P ( A ) = 0 或 P ( B ) = 0,上述公式仍成立
定义:若P ( A B ) = P ( A ) P ( B ) ,则称A B独立。
定理:
- 如果A B独立,则 A 与 B ‾ \overline{B} B, A ‾ \overline{A} A 与 B, A ‾ \overline{A} A 与 B ‾ \overline{B} B 也独立
- P ( A ) = 0 或 P ( A ) = 1,则 A 与任意事件独立
独立:可能性
互不相容:
A
B
=
∅
AB=\varnothing
AB=∅
P ( A ) > 0,P ( B ) > 0,A B独立和互不相容不能同时成立
n 个事件独立:任选 k 个事件(
k
≤
n
k\leq n
k≤n)均独立
1.5.2 伯努利模型
独立实验序列:
E
1
,
E
2
,
⋯
,
E
n
E_1,E_2,\cdots,E_n
E1,E2,⋯,En 独立
n 重独立实验:
E
,
E
,
⋯
,
E
⏟
n
个
\underbrace{E,E,\cdots,E}_{n个}
n个
E,E,⋯,E 独立
伯努利实验:结果只有两种
Ω
=
{
A
,
A
‾
}
\Omega=\{A,\overline{A}\}
Ω={A,A}
n 重伯努利实验:n 次,独立,实验结果仅有两种
伯努利实验中,设 A 发生的概率为 P,则
A
‾
\overline{A}
A 的概率为1 − P
n 重伯努利实验中,设 A 发生的概率为 P ,A 发生 k 次的概率为:
P
n
(
k
)
=
C
n
k
P
k
(
1
−
P
)
n
−
k
P_n(k)=C_n^kP^k(1-P)^{n-k}
Pn(k)=CnkPk(1−P)n−k(二项概率公式)