洗稿浙大版的读书笔记
日常心慌, 赶快多读点这个啥
文章目录
第一章 概率论的基本概念
§ 1 随机实验
随机实验
- 可以在相同条件下重复实验
- 每次实验的可能结果不止一个, 并且能事先确定所以可能的结果
- 每次实验之前不能确定会出现哪一个结果
§ 2 样本空间, 随机事件
(一) 样本空间
样本空间:将随机试验E的所有可能结果组成的集合成为E的样本空间, 记为S, 样本空间的每个元素, 成为样本点
(二) 随机事件
随机事件:简称事件, 即S的字迹
基本事件:由一个样本点组成的单点集
其他: 必然事件, 不可能事件
(三) 事件间的关系与事件的运算
几种关系:
- 相等
- 和事件 A ∪ B = { x ∣ x ∈ A 或 x ∈ B } A \cup B=\{x \mid x \in A \text { 或 } x \in B\} A∪B={x∣x∈A 或 x∈B}
- 积事件 A ∩ B = { x ∣ x ∈ A 且 x ∈ B } A \cap B=\{x \mid x \in A \text { 且 } x \in B\} A∩B={x∣x∈A 且 x∈B}
- 差事件 A − B = { x ∣ x ∈ A 且 x ∉ B } A-B=\{x \mid x \in A \text { 且 } x \notin B\} A−B={x∣x∈A 且 x∈/B}
- 互斥事件 A ∩ B = ∅ A \cap B=\varnothing A∩B=∅
- 逆事件(两个事件必有一个发生, 且仅有一个) A ∪ B = S A \cup B=S A∪B=S 且 A ∩ B = ∅ A \cap B=\varnothing A∩B=∅
几种运算定律
-
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 \cup(B \cup C)=(A \cup B) \cup C :A∪(B∪C)=(A∪B)∪C
A ∩ ( B ∩ C ) = ( A ∩ B ) ∩ C A \cap(B \cap C)=(A \cap B) \cap C A∩(B∩C)=(A∩B)∩C -
分配律 : A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) : A \cup(B \cap C)=(A \cup B) \cap(A \cup 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∩(B∪C)=(A∩B)∪(A∩C)
-
德摩根律 : A ∪ B ‾ = A ˉ ∩ B ˉ ; A ∩ B ‾ = A ˉ ∪ B ˉ : \overline{A \cup B}=\bar{A} \cap \bar{B} ; \quad \overline{A \cap B}=\bar{A} \cup \bar{B} :A∪B=Aˉ∩Bˉ;A∩B=Aˉ∪Bˉ
-
对减法运算满足: A − B = A B ˉ A-B=A \bar{B} A−B=ABˉ
注释: 注意分辨结合律与分配律的符号啊!
§ 3 频率与概率
(一) 频率
频率的定义: 在相同条件下, 进行了n次实验, 在其中, 事件A发生的次数 n A n_A nA称为事件A发生的频数, 比值 n a / n n_a/n na/n称为事件A发生的频率, 并记成 f n ( A ) f_{n}(A) fn(A)
三大基本性质
-
0 ⩽ f n ( A ) ⩽ 1 0 \leqslant f_{n}(A) \leqslant 1 0⩽fn(A)⩽1
-
f n ( S ) = 1 f_{n}(S)=1 fn(S)=1
-
若 A 1 , A 2 , ⋯ , A k A_{1}, A_{2}, \cdots, A_{k} A1,A2,⋯,Ak 是两两互不相容的事件,则
f n ( A 1 ∪ A 2 ∪ ⋯ ∪ A k ) = f n ( A 1 ) + f n ( A 2 ) + ⋯ + f n ( A k ) f_{n}\left(A_{1} \cup A_{2} \cup \cdots \cup A_{k}\right)=f_{n}\left(A_{1}\right)+f_{n}\left(A_{2}\right)+\cdots+f_{n}\left(A_{k}\right) fn(A1∪A2∪⋯∪Ak)=fn(A1)+fn(A2)+⋯+fn(Ak)
(二) 概率
概率的定义: 设E是随机实验, S是样本空间, 对于E的每一事件A赋予一个实数, 记为 P ( A ) P(A) P(A), 称为事件A的概率.
三大基本性质
- 非负性, 即大于0
- 规范性, 即 P ( S ) = 1 P(S) = 1 P(S)=1
- 可列可加性, 设 A 1 , A 2 , ⋯ A_{1}, A_{2}, \cdots A1,A2,⋯ 是两两互不相容的事件, 即对于 A i A j = ∅ A_{i} A_{j}=\varnothing AiAj=∅, i ≠ j , i , j = 1 , 2 , ⋯ , i \neq j, i, j=1,2, \cdots, i=j,i,j=1,2,⋯, 有 P ( A 1 ∪ A 2 ∪ ⋯ ) = P ( A 1 ) + P ( A 2 ) + ⋯ P\left(A_{1} \cup A_{2} \cup \cdots\right)=P\left(A_{1}\right)+P\left(A_{2}\right)+\cdots P(A1∪A2∪⋯)=P(A1)+P(A2)+⋯
可以由上推出以下几个性质
-
P ( ∅ ) = 0 P(\varnothing)=0 P(∅)=0
-
(有限可加性) 若 A 1 , A 2 , ⋯ , A n A_{1}, A_{2}, \cdots, A_{n} A1,A2,⋯,An 是两两互不相容的事件,则有 P ( A 1 ∪ A 2 ∪ ⋯ ∪ A n ) = P ( A 1 ) + P ( A 2 ) + ⋯ + P ( A n ) P\left(A_{1} \cup A_{2} \cup \cdots \cup A_{n}\right)=P\left(A_{1}\right)+P\left(A_{2}\right)+\cdots+P\left(A_{n}\right) P(A1∪A2∪⋯∪An)=P(A1)+P(A2)+⋯+P(An)
-
设 A , B A, B A,B 是两个事件,若 A ⊂ B A \subset B A⊂B,则有
P ( B − A ) = P ( B ) − P ( A ) P(B-A)=P(B)-P(A) P(B−A)=P(B)−P(A)
P ( B ) ⩾ P ( A ) P(B) \geqslant P(A) P(B)⩾P(A)
-
对任意事件A, P ( A ) ⩽ 1 P(A) \leqslant 1 P(A)⩽1
-
P ( A ˉ ) = 1 − P ( A ) P(\bar{A})=1-P(A) P(Aˉ)=1−P(A)
-
对任意事件A, B, P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A B ) P(A \cup B)=P(A)+P(B)-P(A B) P(A∪B)=P(A)+P(B)−P(AB)
自己的补充: 当A, B同时发生时, C必然发生, 即为 P ( A B ) ⩽ P ( C ) P(AB)\leqslant P(C) P(AB)⩽P(C)
§ 4 古典概型(等可能概型)
古典概型性质:
- 试验的样本空间只包含有限个元素
- 试验中每个基本事件发生的可能性相同
实验推断原理: 概率很小的事件在一次实验中实际上几乎是不发生的
§ 5 条件概率
(一) 条件概率
条件概率的定义:
设
A
,
B
A, B
A,B 是两个事件,且
P
(
A
)
>
0
,
P(A)>0,
P(A)>0, 称
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P(B \mid A)=\frac{P(A B)}{P(A)}
P(B∣A)=P(A)P(AB)
为在事件 A 发生的条件下事件 B 发生的条件概率。
三大性质:
- 非负性
- 规范性
- 可列可加性
(二) 乘法定理
乘法定理: 设 P ( A ) > 0 P(A)>0 P(A)>0,则有 P ( A B ) = P ( B ∣ A ) P ( A ) P(A B)=P(B \mid A) P(A) P(AB)=P(B∣A)P(A)
(三) 全概率公式和贝叶斯公式
划分的定义:
设 S 为试验 E 的样本空间 , B 1 , B 2 , ⋯ , B n B_{1}, B_{2}, \cdots, B_{n} B1,B2,⋯,Bn 为 E E E 的一组事件.若
(i) B i B j = ∅ , i ≠ j , i , j = 1 , 2 , ⋯ , n B_{i} B_{j}=\varnothing, i \neq j, i, j=1,2, \cdots, n BiBj=∅,i=j,i,j=1,2,⋯,n
(ii) B 1 ∪ B 2 ∪ ⋯ ∪ B n = S B_{1} \cup B_{2} \cup \cdots \cup B_{n}=S B1∪B2∪⋯∪Bn=S
则称 B 1 , B 2 , ⋯ , B n B_{1}, B_{2}, \cdots, B_{n} B1,B2,⋯,Bn 为样本空间 S S S 的一个划分.
全概率公式 :
设试验 E 的样本空间为 S,A 为 E 的事件, B 1 , B 2 , ⋯ , B n B_{1}, B_{2}, \cdots, B_{n} B1,B2,⋯,Bn 为 S S S 的一个划分,且 P ( B i ) > 0 ( i = 1 , 2 , ⋯ , n ) , P\left(B_{i}\right)>0(i=1,2, \cdots, n), P(Bi)>0(i=1,2,⋯,n), 则
P ( A ) = P ( A ∣ B 1 ) P ( B 1 ) + P ( A ∣ B 2 ) P ( B 2 ) + ⋯ + P ( A ∣ B n ) P ( B n ) \begin{array}{c} P(A)=P\left(A \mid B_{1}\right) P\left(B_{1}\right)+P\left(A \mid B_{2}\right) P\left(B_{2}\right)+\cdots+ \\ P\left(A \mid B_{n}\right) P\left(B_{n}\right) \end{array} P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+⋯+P(A∣Bn)P(Bn)
称为全概率公式。
用处:用于计算由若干原因引起的复杂事件概率
贝叶斯公式:
设试验 E 的样本空间为 S.A 为 E 的事件,
B
1
,
B
2
,
⋯
,
B
n
B_{1}, B_{2}, \cdots, B_{n}
B1,B2,⋯,Bn 为
S
S
S 的一
个划分,且
P
(
A
)
>
0
,
P
(
B
i
)
>
0
(
i
=
1
,
2
,
⋯
,
n
)
,
P(A)>0, P\left(B_{i}\right)>0(i=1,2, \cdots, n),
P(A)>0,P(Bi)>0(i=1,2,⋯,n), 则
P
(
B
i
∣
A
)
=
P
(
A
∣
B
i
)
P
(
B
i
)
∑
j
=
1
n
P
(
A
∣
B
j
)
P
(
B
j
)
,
i
=
1
,
2
,
⋯
,
n
P\left(B_{i} \mid A\right)=\frac{P\left(A \mid B_{i}\right) P\left(B_{i}\right)}{\sum_{j=1}^{n} P\left(A \mid B_{j}\right) P\left(B_{j}\right)}, \quad i=1,2, \cdots, n
P(Bi∣A)=∑j=1nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi),i=1,2,⋯,n
称为贝叶斯 (Bayes)公式
(可以通过条件概率+乘法定理+全概率公式加以证明)
用处: 用来计算在复杂事件已发生的条件下, 某一种原因发生的条件概率
§ 6 独立性
独立的定义:
设
A
,
B
A, B
A,B 是两事件,如果满足等式
P
(
A
B
)
=
P
(
A
)
P
(
B
)
P(A B)=P(A) P(B)
P(AB)=P(A)P(B)
则称事件 A,B 相互独立,简称 A,B 独立。
两大定理:
-
设 A , B A, B A,B 是两事件,且 P ( A ) > 0. P(A)>0 . P(A)>0. 若 A , B A, B A,B 相互独立,则 P ( B ∣ A ) = P(B \mid A)= P(B∣A)=
P ( B ) . P(B) . P(B). 反之亦然. -
若事件 A 与 B 相互独立,则下列各对事件也相互独立:
A A A 与 B ˉ , A ˉ \bar{B}, \bar{A} Bˉ,Aˉ 与 B , A ˉ B, \bar{A} B,Aˉ 与 B ˉ \bar{B} Bˉ