《概率论与数理统计》学习笔记
第一章 随机事件
确定性现象是指事前可以预知结果
的,即在某些确定的条件满足时,某一确定的现象必然会发生,或根据它过去的状态,完全可以预知它将来的 发展状态。
偶然性现象是指事前不能预知结果
的,即在相同的条件下重复进行实验时,每次所得到的结果未必相同,或即使知道它过去的状态,也不能肯定它将来的发展状态。
我们学习《概率论与数理统计》研究的是随机现象,虽然是随机现象,但经过前人的研究发现,随机
中有偶然性
也有必然性
,是一门值得深入研究的学科。
1.1 基本概念
1.1.1 随机试验
满足下列条件的试验称为随机试验。
(1)可以在相同的条件下重复地进行;
(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;
(3)进行依次试验之前不能确定哪一个结果会出现;
1.1.2 样本空间
我们研究随机现象的方法其实就是利用已知知道的规律来分析未知,既然随机试验的所有可能结果我们都能事先知道,那我们先把这些结果列出来。
(1)样本点:随机试验的每一个可能结果称为一个样本点;
(2)样本空间$\Omega$:所有样本点全体组成的集合
称为样本空间;
1.1.3 随机事件
随机现象往往是通过一个具体情况或具体事件出现的,比如"仍骰子扔出的点数是偶数"这个事件,相当于给扔出的点数又附加了一个条件,它的所有可能结果写成集合为{2,4,6},我们会发现这个集合是样本空间的一个子集
。
(1)随机事件:样本空间$\Omega$的子集称为随机事件,通常用大写字母$A、B、C$等表示;
(2)基本事件:由单个样本点组成的单点集;
(3)事件发生:在每次实验中,当且仅当时间的结果集合中一个样本点出现时,称这一事件发生;
(4)必然事件:在每次试验中总是发生的,称为必然事件。记为$\Omega$。必然事件包含样本空间所有的样本点。
(5)不可能事件:在任意一次试验中都不会发生的事件称为不可能事件,记做$\emptyset$。它也是样本空间子集。
1.2 事件的关系及运算
1.2.1 事件的关系
名称 | 符号 | 事件发生角度理解 | 集合定义 |
---|---|---|---|
B包含于A | A$\subset$B | 事件A发生必有事件B发生 | A是B的子集 |
A与B相等 | A=B | 事件A发生必有B发生,且事件B发生必有事件A发生 | A与B所包含样本点相同 |
A与B的和 | A$\bigcup$B或A+B | 事件A$\bigcup$B发生$\Leftrightarrow$事件A发生或事件B发生 | A与B的并集 |
A与B的积 | A$\bigcap$B或AB | 事件A$\bigcap$B发生$\Leftrightarrow$事件A发生且事件B发生 | A与B的交集 |
A与B的差 | A-B、A-AB、A$\vec{B}$ | 事件A-B发生$\Leftrightarrow$事件A发生且事件B不发生 | 属于A而不属于B的样本点构成的集合 |
A与B互斥 | AB=$\emptyset$ | 事件A与事件B不会同时发生 | A与B没有共同的样本点 |
A的对立事件 | ${\vec{A}}$ | 每次试验事件A与试验$\vec{A}$有一个发生且仅有一个发生 | A$\bigcup$$\vec{A}$=S,A$\vec{A}$=$\emptyset$ |
1.2.2 事件运算的性质
tips:懒得码公式了,这里直接放上高数叔课件上的公式(长杠变短杠,开口换方向)
1.2.3 习题
1.3 事件的概率
1.3.1 频率
在大量重复试验下,随着试验次数的增加,一个事件A出现的频率总在一个固定的数值附近摆动,我们把这个"固定的数"称为事件A的概率。
1.3.2 概率的定义
1.3.3 概率的性质
(1)$P(\emptyset)=0,P(\Omega)=1$;
(2)有限可加性:设$A_1、A_2{\cdots}A_n$是两两互不相容的事件,则有$P(A_1{\bigcup}A_2{\bigcup}{\cdots}{\bigcup}A_n) = P(A_1)+P(A_2){\cdots}P(A_n)$;
(3)逆事件的概率:对于任意事件A,有$P({\vec{A}}=1-P(A))$;
(4)减法公式:设$A、B$是两个事件,$P(A-B) = P(A)-P(AB) = P(A{\vec{B}})$。特别的若$A{\subset}B,则有P(A){\leq}P(B),且P(B-A)=P(B)-P(A)$;
(5)加法公式:对于任意两个随机事件A、B有: $P(A{\bigcup}B)=P(A)+P(B)-P(AB)$
注:$P(A{\bigcup}B{\bigcup}C)=P(A)+P(B)+P©-P(AB)-P(AC)-P(BC)+P(ABC)$
1.3.4 习题
1.4 古典概型
1.4.1 古典概型定义
定义:一个试验的样本点有限,并且每个样本点出现的可能性都相等,那这个试验就是古典概型(等可能概型),比如掷骰子,每个点数出现的可能性都是$\frac{1}{6}$。
1.4.2 计算方法
(2)计算方法:$P(A)=\frac{A中基本的事件数}{基本事件总数n}$;比如A=掷骰子扔出奇数,则$P(A) = \frac{3}{6} = \frac{1}{2}$
1.4.3 习题
1.5 几何概型
1.5.1 几何概型的定义
定义:如果试验$E$是从某一线段(或平面、空间中有界区域)$Ω$上取一点,并且所取的点位于$Ω$中任意两个长度(或平面、体积)相等的子区间(子区域)内的可能性相同,则所取得点位与$Ω$中的任意子区间(或子区域)$A$内这一事件(仍记作$A$)的概率为:$P(A) = \frac{A的长度(面积、体积)}{Ω的长度(或面积、体积)}$,与古典概型不同的是,几何概型的样本点无穷多
1.5.2 习题
1.5.3 蒲丰投针问题
1.6 条件概率
1.6.1 条件概率的定义
定义:条件概率$P(B|A)$表示已知事件$A$发生的情况下事件$B$发生的概率:$P(B|A) = \frac {P(AB)}{P(A)},(P(A)>0)$,和$P(AB)$不同点在于两中概率的样本空间不同,前者是$A$后者是$Ω$。
1.6.2 条件概率的性质
① $0{\leq}P(B|A){\leq}1$
② $P(Ω|A)=1$
③ $P(A^`|B) = 1 - P(A|B)$
④ $P(A+B|C) = P(A|C)+P(B|C)-P(AB|C)$
1.6.3 乘法公式
若$P(A)>0,P(B|A) = \frac{P(AB)}{P(A)}$,则$P(AB) = P(B|A)P(A)$