1.基本概念
-
随机试验(E)
- 满足:可重复、所有可能结果明确可知且不止一个、每次出现哪个结果事先不知道
-
随机事件
-
在一次试验中可能出现,也可能不出现的结果
-
必然事件( Ω \Omega Ω):每次试验中一定发生的事件
-
不可能事件( ∅ \empty ∅):每次试验中一定不发生的事件
-
-
样本空间
- 样本点( ω \omega ω):随机试验的每一个可能结果
- 样本空间( Ω \Omega Ω):样本点的全体组成的集合, Ω = { ω } \Omega=\{\omega\} Ω={ω}
- 基本事件:由一个样本点构成的事件
2.事件的关系与运算
2.1.关系
-
包含 A ⊂ B A\subset B A⊂B
-
相等 A = B A=B A=B
-
积事件(交事件) A ∩ B A\cap B A∩B或 A B AB AB
-
相容 A B ≠ ∅ AB\ne\empty AB=∅
互斥 A B = ∅ AB=\empty AB=∅
-
和事件(并事件) A ∪ B A\cup B A∪B
-
差事件 A − B A-B A−B
-
逆事件(对立事件) A ‾ \overline{A} A
-
完备事件组 A 1 , A 2 , ⋯ , A n , ⋃ i = 1 n / ∞ A i = Ω , A i A j = ∅ A_1,A_2,\cdots,A_n,\bigcup\limits_{i=1}^{n/\infty}A_i=\Omega,A_iA_j=\empty A1,A2,⋯,An,i=1⋃n/∞Ai=Ω,AiAj=∅
2.2.运算法则
- 吸收律 A ⊂ B ⇒ A ∪ B = B , A ∩ B = A A\subset B\Rightarrow A\cup B=B,A\cap B=A A⊂B⇒A∪B=B,A∩B=A
- 交换律 A ∪ B = B ∪ A , A ∩ B = B ∩ A A\cup B=B\cup A,A\cap B=B\cap A A∪B=B∪A,A∩B=B∩A
- 结合律 ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) , ( A ∩ B ) ∩ C = A ∩ ( B ∩ C ) (A\cup B)\cup C=A\cup(B\cup C),(A\cap B)\cap C=A\cap(B\cap C) (A∪B)∪C=A∪(B∪C),(A∩B)∩C=A∩(B∩C)
- 分配律 A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) , A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) , A ∩ ( B − C ) = ( A ∩ B ) − ( A ∩ C ) A\cap(B\cup C)=(A\cap B)\cup (A\cap C),A\cup(B\cap C)=(A\cup B)\cap(A\cup C),A\cap(B-C)=(A\cap B)-(A\cap C) A∩(B∪C)=(A∩B)∪(A∩C),A∪(B∩C)=(A∪B)∩(A∪C),A∩(B−C)=(A∩B)−(A∩C)
- 对偶律(德·摩根律) A ∪ B ‾ = A ‾ ∩ B ‾ , A ∩ B ‾ = A ‾ ∪ B ‾ \overline{A\cup B}=\overline{A}\cap\overline{B},\overline{A\cap B}=\overline{A}\cup\overline{B} A∪B=A∩B,A∩B=A∪B
3.概率的定义
3.1.描述性定义
- 通常将随机事件 A A A发生的可能性大小的度量(非负值)称为事件 A A A的发生概率,记为 P ( A ) P(A) P(A)
3.2.统计性定义
-
频率:在相同条件下做重复试验,事件 A A A出现的次数 k k k和总的试验次数 n n n之比 k n \frac{k}{n} nk
-
概率:当 n n n充分大时,频率稳定于某常数 p p p
-
频率 ≠ \ne =概率,统计性定义无法准确给出某事件的概率
3.3.公理化定义
设随机试验的样本空间为 Ω , 如果对每一个事件 A 都有一个确定的实数 P ( A ) , 且事件函数 P ( ⋅ ) 满足 : ( 1 ) 非负性 : P ( A ) ⩾ 0 ( 2 ) 规范性 : P ( Ω ) = 1 ( 3 ) 可列可加性 : 对任意可列个两两互不相容事件 A 1 , A 2 , ⋯ , A n , ⋯ ( A i A j = ∅ ) , 有 P ( ⋃ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) 称 P ( ⋅ ) 为概率 , P ( A ) 为事件 A 的概率 . \begin{aligned} &设随机试验的样本空间为\Omega,如果对每一个事件A都有一个确定的实数P(A),且事件函数P(·)满足: \\&(1)非负性:P(A)\geqslant0 \\&(2)规范性:P(\Omega)=1 \\&(3)可列可加性:对任意可列个两两互不相容事件A_1,A_2,\cdots,A_n,\cdots(A_iA_j=\empty),有P(\bigcup\limits_{i=1}^\infty A_i)=\sum\limits_{i=1}^\infty P(A_i) \\&称P(·)为概率,P(A)为事件A的概率. \end{aligned} 设随机试验的样本空间为Ω,如果对每一个事件A都有一个确定的实数P(A),且事件函数P(⋅)满足:(1)非负性:P(A)⩾0(2)规范性:P(Ω)=1(3)可列可加性:对任意可列个两两互不相容事件A1,A2,⋯,An,⋯(AiAj=∅),有P(i=1⋃∞Ai)=i=1∑∞P(Ai)称P(⋅)为概率,P(A)为事件A的概率.
4.古典概型和几何概型
4.1.古典概型
-
样本空间满足:
- 只有有限个样本点(基本事件)
- 每个样本点发生的可能性都一样
-
P ( A ) = 事件 A 所含基本事件的个数 基本事件总数 P(A)=\frac{事件A所含基本事件的个数}{基本事件总数} P(A)=基本事件总数事件A所含基本事件的个数
-
计数方法
- 列举法
- 集合对应法
- 加法原理、乘法原理、排列、组合
- 逆数法
- P ( A ) = 1 − P ( A ‾ ) P(A)=1-P(\overline{A}) P(A)=1−P(A)
-
常见类型
-
直接用定义求概率
-
随机分配,将n个可辨质点随机地分配到N个盒子中
-
简单随机抽样
抽样方式 抽法总数 先后有放回取 n n n次 N n N^n Nn 先后无放回取 n n n次 P N n = N ( N − 1 ) ⋯ ( N − n + 1 ) P_N^n=N(N-1)\cdots(N-n+1) PNn=N(N−1)⋯(N−n+1) 任取 n n n个 C N n C_N^n CNn
-
4.2.几何概型
- 满足:
- 样本空间 Ω \Omega Ω是一个可度量的有界区域
- 每个样本点发生的可能性都一样
- P ( A ) = S A 的几何度量 Ω 的几何度量 P(A)=\frac{S_A的几何度量}{\Omega的几何度量} P(A)=Ω的几何度量SA的几何度量
5.概率的基本性质与公式
5.1.性质
- 有界性: 0 ⩽ P ( A ) ⩽ 1 , P ( ∅ ) = 0 , P ( Ω ) = 1 0\leqslant P(A)\leqslant1,P(\empty)=0,P(\Omega)=1 0⩽P(A)⩽1,P(∅)=0,P(Ω)=1
- 单调性: A ⊂ B ⇒ P ( B − A ) = P ( B ) − P ( A ) , P ( B ) ⩾ P ( A ) A\subset B\Rightarrow P(B-A)=P(B)-P(A),P(B)\geqslant P(A) A⊂B⇒P(B−A)=P(B)−P(A),P(B)⩾P(A)
-
注: A = ∅ ⇒ P ( A ) = 0 , P ( A ) = 0 ⇏ A = ∅ A=\empty\Rightarrow P(A)=0,P(A)=0\nRightarrow A=\empty A=∅⇒P(A)=0,P(A)=0⇏A=∅
A = Ω ⇒ P ( A ) = 1 , P ( A ) = 1 ⇏ A = Ω A=\Omega\Rightarrow P(A)=1,P(A)=1\nRightarrow A=\Omega A=Ω⇒P(A)=1,P(A)=1⇏A=Ω
5.2.公式
5.2.1.逆事件概率公式
P ( A ‾ ) = 1 − P ( A ) P(\overline{A})=1-P(A) P(A)=1−P(A)
5.2.2.加法公式
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)
P ( A ∪ B ∪ C ) = P ( A ) + P ( B ) + P ( C ) − P ( A B ) − P ( A C ) − P ( B C ) + P ( A B C ) P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC) P(A∪B∪C)=P(A)+P(B)+P(C)−P(AB)−P(AC)−P(BC)+P(ABC)
P ( ⋃ i = 1 n A i ) = ∑ i = 1 n P ( A i ) − ∑ 1 ⩽ i i < i 2 ⩽ n n P ( A i 1 A i 2 ) + … + ( − 1 ) n − 1 P ( ⋂ i = 1 n A i ) P(\bigcup\limits_{i=1}^nA_i)=\sum\limits_{i=1}^nP(A_i)-\sum\limits_{1\leqslant i_i<i_2\leqslant n}^nP(A_{i_1}A_{i_2})+\ldots+{(-1)}^{n-1}P(\bigcap\limits_{i=1}^nA_i) P(i=1⋃nAi)=i=1∑nP(Ai)−1⩽ii<i2⩽n∑nP(Ai1Ai2)+…+(−1)n−1P(i=1⋂nAi)
5.2.3.减法公式
P ( A − B ) = P ( A ) − P ( A B ) = P ( A B ‾ ) P(A-B)=P(A)-P(AB)=P(A\overline{B}) P(A−B)=P(A)−P(AB)=P(AB)
5.2.4.条件概率
P ( B ∣ A ) = P ( A B ) P ( A ) , P ( A ) ≠ 0 P(B|A)=\frac{P(AB)}{P(A)},P(A)\ne0 P(B∣A)=P(A)P(AB),P(A)=0
P ( B ‾ ∣ A ) = 1 − P ( B ∣ A ) P(\overline{B}|A)=1-P(B|A) P(B∣A)=1−P(B∣A)
5.2.5.乘法公式
P ( A B ) = P ( A ) P ( B ∣ A ) P(AB)=P(A)P(B|A) 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\ldots A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)\ldots P(A_n|A_1A_2\ldots A_{n-1}) P(A1A2…An)=P(A1)P(A2∣A1)P(A3∣A1A2)…P(An∣A1A2…An−1)
5.2.6.全概率公式
P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) ( A i 为完备事件组 ) P(B)=\sum\limits_{i=1}^nP(A_i)P(B|A_i)~~~~(A_i为完备事件组) P(B)=i=1∑nP(Ai)P(B∣Ai) (Ai为完备事件组)
5.2.7.贝叶斯公式(逆概率公式)
P ( A j ∣ B ) = P ( A j ) P ( B ∣ A j ) ∑ i = 1 n P ( A i ) P ( B ∣ A i ) ( A i 为完备事件组 ) P(A_j|B)=\frac{P(A_j)P(B|A_j)}{\sum\limits_{i=1}^nP(A_i)P(B|A_i)}~~~~(A_i为完备事件组) P(Aj∣B)=i=1∑nP(Ai)P(B∣Ai)P(Aj)P(B∣Aj) (Ai为完备事件组)
6.事件的独立性和独立重复试验
6.1.事件的独立性
- 定义
- A A A与 B B B相互独立 ⇔ P ( A B ) = P ( A ) P ( B ) \Leftrightarrow P(AB)=P(A)P(B) ⇔P(AB)=P(A)P(B)
- A 、 B 、 C A、B、C A、B、C相互独立 ⇔ { P ( A B ) = P ( A ) P ( B ) P ( B C ) = P ( B ) P ( C ) P ( A C ) = P ( A ) P ( C ) } 两两独立 P ( A B C ) = P ( A ) P ( B ) P ( C ) \Leftrightarrow\begin{cases}\left.\begin{matrix}P(AB)=P(A)P(B)\\P(BC)=P(B)P(C)\\P(AC)=P(A)P(C)\end{matrix}\right\}两两独立\\P(ABC)=P(A)P(B)P(C)\end{cases} ⇔⎩ ⎨ ⎧P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)⎭ ⎬ ⎫两两独立P(ABC)=P(A)P(B)P(C)
- 判定
- A A A与 B B B相互独立 ⇔ A \Leftrightarrow A ⇔A与 B ‾ \overline{B} B相互独立 ⇔ A ‾ \Leftrightarrow\overline{A} ⇔A与 B B B相互独立 ⇔ A ‾ \Leftrightarrow\overline{A} ⇔A与 B ‾ \overline{B} B相互独立
- 对独立事件组不含相同事件作运算,得到的新事件组仍独立
- A A A与 B B B相互独立 ⇔ P ( B ∣ A ) = P ( B ) ( P ( A ) > 0 ) \Leftrightarrow P(B|A)=P(B)~~~~(P(A)>0) ⇔P(B∣A)=P(B) (P(A)>0)
- A A A与 B B B相互独立 { ⇔ P ( B ∣ A ‾ ) = P ( B ∣ A ) ⇔ P ( B ∣ A ) + P ( B ‾ ∣ A ‾ ) = 1 ( 0 < P ( A ) < 1 ) \begin{cases}\Leftrightarrow P(B|\overline{A})=P(B|A)\\\Leftrightarrow P(B|A)+P(\overline{B}|\overline{A})=1\end{cases}~~~~(0<P(A)<1) {⇔P(B∣A)=P(B∣A)⇔P(B∣A)+P(B∣A)=1 (0<P(A)<1)
- P ( A ) = 0 P(A)=0 P(A)=0或 P ( A ) = 1 ⇒ A P(A)=1\Rightarrow A P(A)=1⇒A与任意事件 B B B相互独立
- 0 < P ( A ) < 1 , 0 < P ( B ) < 1 0<P(A)<1,0<P(B)<1 0<P(A)<1,0<P(B)<1, A A A与 B B B互斥或存在包含关系 ⇒ A \Rightarrow A ⇒A与 B B B一定不独立
6.2.试验的独立性
各个试验结果相互独立.
6.3.独立试验序列概型与n重伯努利概型
- 独立试验序列概型:在同样条件下独立重复地进行一系列完全相同的试验
- n重伯努利概型:每次试验只有两个结果 A A A和 A ‾ \overline{A} A,独立重复 n n n次