1 概率
1.1 定义
定义 (概率的公理化定义):设
E
E
E 是随机试验,其样本空间
S
S
S ,对于
E
E
E 的每一事件
A
A
A 赋于一个实数,记为
P
(
A
)
P(A)
P(A),称为事件
A
A
A 的概率,集合函数
P
(
⋅
)
P(\cdot)
P(⋅) 满足下列条件:
(1) 非负性:对于每一个事件
A
A
A ,有
P
(
A
)
≥
0
P(A)\geq0
P(A)≥0
(2) 规范性: 对于必然事件
S
S
S ,有
P
(
S
)
=
1
P(S)=1
P(S)=1
(3) 可列可加性: 设
A
1
,
A
2
,
…
A_1,A_2,…
A1,A2,…是一组两两互不相容的事件, 即对于
i
≠
j
,
A
i
A
j
=
Φ
,
i
,
j
=
1
,
2
,
…
i≠ j, A_iA_j = Φ, i,j = 1,2, …
i=j,AiAj=Φ,i,j=1,2,…则有
P
(
A
1
∪
A
2
∪
⋯
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
P(A_1 \cup A_2 \cup ⋯) = P(A_1) + P(A_2) + ⋯
P(A1∪A2∪⋯)=P(A1)+P(A2)+⋯
1.2 性质
(1)
P
(
∅
)
=
0
P(\emptyset) = 0
P(∅)=0
(2) (有限可加性) 若
A
1
,
A
2
,
…
,
A
n
A_1,A_2,…,A_n
A1,A2,…,An是两两互不相容的事件, 则
P
(
A
1
∪
A
2
∪
⋯
∪
A
n
)
=
P
(
A
1
)
+
P
(
A
2
)
+
⋯
+
P
(
A
n
)
P(A_1 \cup A_2 \cup ⋯ \cup A_n) = P(A_1) + P(A_2) + ⋯+P(A_n)
P(A1∪A2∪⋯∪An)=P(A1)+P(A2)+⋯+P(An)
(3) (差事件的概率) 对任意事件
A
,
B
A,B
A,B有
P
(
B
−
A
)
=
P
(
B
)
−
P
(
A
B
)
P(B-A)=P(B)-P(AB)
P(B−A)=P(B)−P(AB)
(4) 对于任一事件
A
A
A,有
P
(
A
)
≤
1
P(A) ≤ 1
P(A)≤1
(5) (逆事件的概率) 对任一事件
A
A
A,
P
(
A
ˉ
)
=
1
−
P
(
A
)
P(\bar A)=1-P(A)
P(Aˉ)=1−P(A)
(6) (加法公式) 对于任意两事件
A
,
B
A,B
A,B 有
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)
推论: 设
A
1
,
A
2
,
A
3
A_1, A_2,A_3
A1,A2,A3为任意三个事件,则有:
P
(
A
1
∪
A
2
∪
A
3
)
=
P
(
A
1
)
+
P
(
A
2
∪
A
3
)
−
P
(
A
1
(
A
2
∪
A
3
)
)
=
P
(
A
1
)
+
P
(
A
2
∪
A
3
)
−
P
(
A
1
A
2
∪
A
1
A
3
)
)
=
P
(
A
1
)
+
P
(
A
2
)
+
P
(
A
3
)
−
P
(
A
1
A
2
)
−
P
(
A
1
A
3
)
−
P
(
A
2
A
3
)
+
P
(
A
1
A
2
A
3
)
\begin{aligned} P(A_1\cup A_2\cup A_3)&=P(A_1)+P(A_2\cup A_3)-P(A_1(A_2\cup A_3)) \\ &=P(A_1)+P(A_2\cup A_3)-P(A_1A_2\cup A_1A_3)) \\ &=P(A_1)+P(A_2)+P(A_3)-P(A_1A_2)-P(A_1A_3)-P(A_2A_3)+P(A_1A_2A_3) \end{aligned}
P(A1∪A2∪A3)=P(A1)+P(A2∪A3)−P(A1(A2∪A3))=P(A1)+P(A2∪A3)−P(A1A2∪A1A3))=P(A1)+P(A2)+P(A3)−P(A1A2)−P(A1A3)−P(A2A3)+P(A1A2A3)
2 古典概型
2.1 定义
定义:设
E
E
E 是试验,
S
S
S 是
E
E
E 的样本空间,若满足:
(1) 试验的样本空间的元素只有有限个
(2) 试验中每个基本事件发生的可能性相同
这种试验称为等可能概型或古典概型。
2.2 计算公式
设试验𝐸的样本空间
S
=
{
e
1
,
e
2
,
.
.
.
e
3
}
S=\{e_1,e_2,...e_3\}
S={e1,e2,...e3},且每个基本事件发生的可能性相同,若
A
A
A包含
k
k
k个基本事件,即则有
A
=
e
i
1
∪
e
i
2
∪
.
.
.
e
i
k
∪
(
1
≤
i
1
<
i
2
<
.
.
.
<
i
k
≤
n
)
A=e_{i_1}\cup e_{i_2}\cup ...e_{i_k}\cup (1\leq i_1< i_2<...<i_k\leq n)
A=ei1∪ei2∪...eik∪(1≤i1<i2<...<ik≤n)
P
(
A
)
=
∑
j
=
1
k
P
(
{
e
i
j
}
)
=
k
n
=
A
包
含
的
基
本
事
件
数
S
中
基
本
事
件
的
总
数
\begin{aligned} P(A)&=\sum_{j=1}^{k}P(\{e_{i_j}\}) \\ &=\frac {k}{n} \\ &=\frac {A包含的基本事件数}{S中基本事件的总数} \end{aligned}
P(A)=j=1∑kP({eij})=nk=S中基本事件的总数A包含的基本事件数
经典问题:【三门问题】
问题描述:假设你在进行一个游戏节目。现给三扇门供你选择:一扇门后面是一辆轿车,另两扇门后面分别都是一头山羊。你的目的当然是要想得到比较值钱的轿车,但你却并不能看到门后面的真实情况。主持人先让你作第一次选择。在你选择了一扇门后,知道其余两扇门后面是什么的主持人,打开了另一扇门给你看,而且,当然,那里有一头山羊。现在主持人告诉你,你还有一次选择的机会。那么,请你考虑一下,你是坚持第一次的选择不变,还是改变第一次的选择,更有可能得到轿车?
如上图所示,玩家一开始选定的门有三种情况。在不换的情况下:开始选中一号门为车,则得到车;开始选中二号门为山羊,则得不到车;开始选中三号门为山羊,则得不到车;在这种情况下选中车的概率为
1
3
\frac {1}{3}
31。在换的情况下:开始选中一号门为车,则得不到车;开始选中二号门为山羊,则得到车;开始选中三号门为山羊,则得到车;在这种情况下选中车的概率为
2
3
\frac {2}{3}
32。则换门更高概率获得车。
经典例题:
在一批
n
n
n 个产品中,有
m
m
m 个次品,从这批产品中任取
k
k
k 个产品,求其恰有
l
l
l个 (
l
≤
m
l ≤ m
l≤m) 次品的概率。
解:从
n
n
n个产品中任取
k
k
k个产品,共有
C
n
k
C^k_n
Cnk 种取法,故基本事件总数为
C
n
k
C^k_n
Cnk。
设
A
A
A=“取出
k
k
k 个产品中恰有
l
l
l 个次品”,若事件
A
A
A发生,即从
m
m
m个次品中取
l
l
l 个次品,从
m
−
n
m-n
m−n个正品中取
k
−
l
k-l
k−l个正品,故事件
A
A
A所包含的基本事件数为
C
m
l
⋅
C
n
−
m
k
−
l
C^l_m\cdot C_{n-m}^{k-l}
Cml⋅Cn−mk−l
∴
P
(
A
)
=
C
m
l
⋅
C
n
−
m
k
−
l
C
n
k
(超几何分布)
\therefore P(A)=\frac {C^l_m\cdot C_{n-m}^{k-l}}{C^k_n}\tag {超几何分布}
∴P(A)=CnkCml⋅Cn−mk−l(超几何分布)
3 条件概率
3.1 定义
定义:设 A , B A, B A,B 是两个随机事件,且 P ( A ) > 0 P(A)>0 P(A)>0,称 P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\frac {P(AB)}{P(A)} P(B∣A)=P(A)P(AB)为事件 A A A 发生的条件下事件 B B B发生的条件概率。
3.2 性质
条件概率
P
(
⋅
∣
A
)
P(\cdot|A)
P(⋅∣A) 满足概率的三个基本属性:
(1) 对于任一事件
B
B
B,有
P
(
B
∣
A
)
≥
0
P(B|A)\geq 0
P(B∣A)≥0
(2)
P
(
S
∣
A
)
=
1
P(S|A)=1
P(S∣A)=1
(3) 设
B
1
,
B
2
,
…
B_1, B_2, …
B1,B2,…是两两不相容的事件,则有
P
(
U
i
=
1
∞
B
i
∣
A
)
=
∑
i
=
1
∞
P
(
B
i
∣
A
)
P(U_{i=1}^{\infty} B_i|A)=\sum_{i=1}^{\infty}P(B_i|A)
P(Ui=1∞Bi∣A)=∑i=1∞P(Bi∣A)
由于条件概率符合概率定义的三个条件,所以前面所证明的一些概率性质对于条件概率也同样适用,如:
对于任意事件
B
1
,
B
2
B_1, B_2
B1,B2,有:
P
(
B
1
∪
B
2
∣
A
)
=
P
(
B
1
∣
A
)
+
P
(
B
2
∣
A
)
−
P
(
B
1
B
2
∣
A
)
P(B_1\cup B_2|A)= P(B_1|A)+ P(B_2|A)-P(B_1B_2|A)
P(B1∪B2∣A)=P(B1∣A)+P(B2∣A)−P(B1B2∣A)
对于任意事件
B
B
B,有:
P
(
B
ˉ
∣
A
)
=
1
−
P
(
B
∣
A
)
P(\bar B|A)=1-P(B|A)
P(Bˉ∣A)=1−P(B∣A)
3.3 乘法定理
定理(乘法定理) 对于任意的事件
A
,
B
A, B
A,B,若
P
(
A
)
>
0
P(A)>0
P(A)>0 ,
P
(
A
B
)
=
P
(
A
)
P
(
B
∣
A
)
,
乘
法
公
式
P
(
A
B
)
=
P
(
B
)
P
(
A
∣
B
)
,
P
(
B
)
>
0
\begin{aligned} P(AB)&=P(A)P(B|A),{乘法公式} \\ P(AB)&=P(B)P(A|B),{P(B)>0} \end{aligned}
P(AB)P(AB)=P(A)P(B∣A),乘法公式=P(B)P(A∣B),P(B)>0
乘法公式可以推广到多个事件的情形:
(1) 设
A
,
B
,
C
A,B,C
A,B,C为事件,且
P
(
A
B
)
>
0
P(AB)>0
P(AB)>0,则有
P
(
A
B
C
)
=
P
(
A
)
P
(
B
∣
A
)
P
(
C
∣
B
A
)
P(ABC)=P(A) P(B|A) P(C|BA)
P(ABC)=P(A)P(B∣A)P(C∣BA)
(2) 设
A
1
,
A
2
,
…
A
n
A_1, A_2, …A_n
A1,A2,…An 为n个事件, 且
P
(
A
1
A
2
…
A
n
−
1
)
>
0
P(A_1A_2…A_{n-1})>0
P(A1A2…An−1)>0:
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)
在某些问题中,条件概率是已知的或者是比较容易求得的,在这种情况下,就可以利用乘法公式来计算积事件的概率。
经典例题:
设袋中装有
r
r
r只红球,
t
t
t只白球. 每次自袋中任取一只球,观察其颜色然后放回,并再放入
a
a
a只与所取出的那只球同色的球.若在袋中连续取球四次,试求第一、二次取到红球且第三、四次取到白球的概率。
解:记
A
i
A_i
Ai = “第
i
i
i次取到红球” ,
i
i
i =
1
,
2
,
3
,
4
1,2,3,4
1,2,3,4,则
A
ˉ
i
\bar A_i
Aˉi = “第
i
i
i次取到白球” ,
i
i
i =
1
,
2
,
3
,
4
1,2,3,4
1,2,3,4,所求概率为
P
(
A
1
A
2
A
ˉ
3
A
ˉ
4
)
P(A_1A_2\bar A_3\bar A_4 )
P(A1A2Aˉ3Aˉ4)。
P
(
A
1
A
2
A
ˉ
3
A
ˉ
4
)
=
P
(
A
1
)
P
(
A
2
∣
A
1
)
P
(
A
ˉ
3
∣
A
1
A
2
)
P
(
A
ˉ
4
∣
A
1
A
2
A
ˉ
3
)
=
r
r
+
t
⋅
r
+
a
r
+
t
+
a
⋅
t
r
+
t
+
2
a
⋅
t
+
a
r
+
t
+
3
a
\begin{aligned} P(A_1A_2\bar A_3\bar A_4) &=P(A_1)P(A_2|A_1)P(\bar A_3|A_1A_2)P(\bar A_4|A_1A_2\bar A_3) \\ &=\frac {r}{r+t}\cdot \frac {r+a}{r+t+a}\cdot \frac{t}{r+t+2a}\cdot \frac{t+a}{r+t+3a} \end{aligned}
P(A1A2Aˉ3Aˉ4)=P(A1)P(A2∣A1)P(Aˉ3∣A1A2)P(Aˉ4∣A1A2Aˉ3)=r+tr⋅r+t+ar+a⋅r+t+2at⋅r+t+3at+a