概率论与数理统计-读书笔记1

洗稿浙大版的读书笔记

日常心慌, 赶快多读点这个啥

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 $A\cap B=\varnothing$
• 逆事件(两个事件必有一个发生, 且仅有一个) $A\cup B=S$ 且 $A\cap B=\varnothing$

几种运算定律

• 交换律: $A\cup B=B\cup A;A\cap B=B\cap A$

• 结合律 $:A\cup (B\cup C)=(A\cup B)\cup C$
  $A\cap (B\cap C)=(A\cap B)\cap C$

• 分配律 $:A\cup (B\cap C)=(A\cup B)\cap (A\cup C)$

  $A\cap (B\cup C)=(A\cap B)\cup (A\cap C)$

• 德摩根律 $:\overline{A\cup B}=\bar{A}\cap \bar{B};\overline{A\cap B}=\bar{A}\cup \bar{B}$

• 对减法运算满足: $A-B=A\bar{B}$

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$n_A$称为事件A发生的频数, 比值$n_a/n$称为事件A发生的频率, 并记成$f_n(A)$

三大基本性质

1. $0⩽f_n(A)⩽1$

2. $f_n(S)=1$

3. 若 $A_1,A_2,\cdots ,A_k$ 是两两互不相容的事件,则

   $f_n\left(A_1\cup A_2\cup \cdots \cup A_k\right)=f_n\left(A_1\right)+f_n\left(A_2\right)+\cdots +f_n\left(A_k\right)$

(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$P(A)$, 称为事件A的概率.

三大基本性质

1. 非负性, 即大于0
2. 规范性, 即$P(S)=1$
3. 可列可加性, 设 $A_1,A_2,\cdots$ 是两两互不相容的事件, 即对于 $A_i{A}_j=\varnothing$, $i\ne j,i,j=1,2,\cdots ,$ 有$P\left(A_1\cup A_2\cup \cdots \right)=P\left(A_1\right)+P\left(A_2\right)+\cdots$

可以由上推出以下几个性质

• $P(\varnothing )=0$

• (有限可加性) 若 $A_1,A_2,\cdots ,A_n$ 是两两互不相容的事件,则有$P\left(A_1\cup A_2\cup \cdots \cup A_n\right)=P\left(A_1\right)+P\left(A_2\right)+\cdots +P\left(A_n\right)$

• 设 $A,B$ 是两个事件,若 $A\subset B$,则有

  $P(B-A)=P(B)-P(A)$

  $P(B)⩾P(A)$

• 对任意事件A, $P(A)⩽1$

• $P(\bar{A})=1-P(A)$

• 对任意事件A, B, $P(A\cup B)=P(A)+P(B)-P(AB)$

自己的补充: 当A, B同时发生时, C必然发生, 即为 $P(AB)⩽P(C)$

§ 4 古典概型(等可能概型)

古典概型性质:

1. 试验的样本空间只包含有限个元素
2. 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 $A,B$ 是两个事件,且 $P(A)>0,$ 称
$$P(B\mid A)=\frac{P(AB)}{P(A)}$$
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:

1. 非负性
2. 规范性
3. 可列可加性

(二) 乘法定理

乘法定理: 设 $P(A)>0$,则有 $P(AB)=P(B\mid A)P(A)$

(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 , $B_1,B_2,\cdots ,B_n$ 为 $E$ 的一组事件.若

(i) $B_i{B}_j=\varnothing ,i\ne j,i,j=1,2,\cdots ,n$

(ii) $B_1\cup B_2\cup \cdots \cup B_n=S$

则称 $B_1,B_2,\cdots ,B_n$ 为样本空间 $S$ 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, $B_1,B_2,\cdots ,B_n$ 为 $S$ 的一个划分，且 $P\left(B_i\right)>0(i=1,2,\cdots ,n),$ 则

$$\begin{array}{c}P(A)=P\left(A\mid B_1\right)P\left(B_1\right)+P\left(A\mid B_2\right)P\left(B_2\right)+\cdots +\\ P\left(A\mid B_n\right)P\left(B_n\right)\end{array}$$

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，$B_1,B_2,\cdots ,B_n$ 为 $S$ 的一
个划分，且 $P(A)>0,P\left(B_i\right)>0(i=1,2,\cdots ,n),$ 则
$$P\left(B_i\mid A\right)=\frac{P\left(A\mid B_i\right)P\left(B_i\right)}{{\sum }_{j=1}^{n}P\left(A\mid B_j\right)P\left(B_j\right)},i=1,2,\cdots ,n$$
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 $A,B$ 是两事件，如果满足等式
$$P(AB)=P(A)P(B)$$
则称事件 A，B 相互独立，简称 A,B 独立。

两大定理:

1. 设 $A,B$ 是两事件,且 $P(A)>0.$ 若 $A,B$ 相互独立,则 $P(B\mid A)=$
   $P(B).$ 反之亦然.

2. 若事件 A 与 B 相互独立，则下列各对事件也相互独立：

   $A$ 与 $\bar{B},\bar{A}$ 与 $B,\bar{A}$ 与 $\bar{B}$