概率论与数理统计 第一章 概率论的基本概念

文章目录

  • [第一章 概率论的基本概念](#第一章 概率论的基本概念)
    • [1.1 随机试验](#1.1 随机试验)
      • [1.1.1 前言](#1.1.1 前言)
      • [1.1.2 随机试验](#1.1.2 随机试验)
    • [1.2 样本空间、随机事件](#1.2 样本空间、随机事件)
      • [1.2.1 样本空间](#1.2.1 样本空间)
      • [1.2.2 随机事件](#1.2.2 随机事件)
      • [1.2.3 事件的关系、事件的运算、运算法则](#1.2.3 事件的关系、事件的运算、运算法则)
        • [1.2.3.1 事件的关系](#1.2.3.1 事件的关系)
        • [1.2.3.2 事件的运算](#1.2.3.2 事件的运算)
        • [1.2.3.3 运算法则](#1.2.3.3 运算法则)
    • [1.3 频率与概率](#1.3 频率与概率)
      • [1.3.1 概率的描述性定义](#1.3.1 概率的描述性定义)
      • [1.3.2 概率的统计性定义------频率](#1.3.2 概率的统计性定义——频率)
      • [1.3.3 概率的公理性定义](#1.3.3 概率的公理性定义)
    • [1.4 古典概型(等可能概型)](#1.4 古典概型(等可能概型))
      • [1.4.1 中学概率知识](#1.4.1 中学概率知识)
      • [1.4.2 古典概型](#1.4.2 古典概型)
      • [1.4.3 古典概型基本模型](#1.4.3 古典概型基本模型)
        • [1.4.3.1 分球模型](#1.4.3.1 分球模型)
        • [1.4.3.2 分球入盒模型](#1.4.3.2 分球入盒模型)
        • [1.4.3.3 分组问题](#1.4.3.3 分组问题)
        • [1.4.3.4 超几何分布](#1.4.3.4 超几何分布)
      • [1.4.4 几何概型(等可能概型)](#1.4.4 几何概型(等可能概型))
    • [1.5 条件概率](#1.5 条件概率)
      • [1.5.1 条件概率](#1.5.1 条件概率)
      • [1.5.2 乘法定理](#1.5.2 乘法定理)
      • [1.5.3 全概率公式 & 贝叶斯公式](#1.5.3 全概率公式 & 贝叶斯公式)
        • [1.5.3.1 全概率公式(由因求果)](#1.5.3.1 全概率公式(由因求果))
        • [1.5.3.2 贝叶斯公式(由果导因)](#1.5.3.2 贝叶斯公式(由果导因))
    • [1.6 独立性](#1.6 独立性)
      • [1.6.1 描述性定义](#1.6.1 描述性定义)
      • [1.6.2 数学定义](#1.6.2 数学定义)
      • [1.6.3 多个事件的独立性](#1.6.3 多个事件的独立性)
      • [1.6.4 独立性判断](#1.6.4 独立性判断)
      • [1.6.5 独立重复试验](#1.6.5 独立重复试验)

第一章 概率论的基本概念

1.1 随机试验

1.1.1 前言

1.研究对象:

  • 确定性现象:必然发生或不发生
  • 随机现象:个别试验结果呈现不确定性,大量试验结果呈现统计规律性

2.概率论与数理统计:

​ 该学科是研究和揭示随机现象统计规律性的学科。

1.1.2 随机试验

1.定义:

  • 可以在相同条件下重复进行;
  • 每次试验的结果可能不止一个,并且能事先明确试验的所有可能结果(明确结果范围也行,如测试灯泡的寿命);
  • 进行一次试验之前不能确定哪一个结果会出现。

2.随机试验(简称试验)用字母E表示。

1.2 样本空间、随机事件

1.2.1 样本空间

1.Def:随机试验所有可能结果组成的 集合 \color{red}{集合} 集合(确定性、互异性、无序性),记为S或Ω 。

2.样本点:随机试验的每个结果,记为e或ω。

3.求样本空间:

​ ①列举法:有限样本空间,例:S={1,2,3,4}

​ ②描述法:无限样本空间,例:S={1,2,3,4,......}, S={ t|t > 0 }

1.2.2 随机事件

1.Def:样本空间S的子集称为E的随机事件,用A,B,......表示,简称事件。

2.事件发生:在每次试验中,当且仅当随机事件中的一个样本点出现。

3.基本事件:由一个样本点组成的单点集。

4.必然事件:样本空间S包含所有样本点,在每次试验中它总发生。

5.不可能事件:空集∅不包含任何样本点,在每次试验中它总不发生。

1.2.3 事件的关系、事件的运算、运算法则

1.2.3.1 事件的关系

1.包含:A⊂B, 事件A发生必然导致事件B发生。

2.相等:A=B, 事件A发生必然导致事件B发生,反之亦然。

3.互斥(互不相容):AB = ∅, 事件A和B不可能同时发生。

4.对立:A**∪**B=S 且 AB = ∅。在一次试验中,事件A和B必然有一个发生且仅有一个发生,这时候我们称事件A和B互为对立事件/逆事件,记作B=Ā。

附: \color{blue}{附:} 附:①A和Ā互为逆事件,且Ā = S - A。

​ ②事件组 A 1 , A 2 , ... ... , A n A_1,A_2,......,A_n A1,A2,......,An​中任意两个事件互不相容,则称这些事件两两互不相容 or 两两互斥(完备事件集)。

( A i A j A_iA_j AiAj=∅,i ≠ j,i、j = 1,2,3,......,n)

1.2.3.2 事件的运算

1.和事件(并):A + B 或 A∪B,两个事件A、B中,至少有一个事件发生。

2.积事件(交):AB 或 A∩B,当且仅当事件A、B同时发生时,事件AB才会发生。

3.差事件:A - B 或 A B ˉ \bar{B} Bˉ,当且仅当事件A发生,事件B不发生时,事件A - B发生。

推广 : \color{blue}{推广:} 推广:①称 ⋃ i = 1 n A k \quad\bigcup\limits_{i=1}^nA_k\quad i=1⋃nAk为n个事件 A 1 , A 2 , ... ... , A n A_1,A_2,......,A_n A1,A2,......,An的和事件。

②称 ⋂ i = 1 n A k \quad\bigcap\limits_{i=1}^nA_k i=1⋂nAk为n个事件 A 1 , A 2 , ... ... , A n A_1,A_2,......,A_n A1,A2,......,An的积事件。

附 : \color{blue}{附:} 附:可列事件:可以完全列出 or 可以按照一定规律列出的事件 { 自然数、整数 : 可列 实数 : 不可列(有理可列,无理不可列) \begin{cases} 自然数、整数:&\text{可列}\\ 实数:&\text{不可列(有理可列,无理不可列)} \end{cases} {自然数、整数:实数:可列不可列(有理可列,无理不可列)​

1.2.3.3 运算法则

1.吸收律:若A⊂B,则A∪B = B,AB = A, B ˉ \bar{B} Bˉ⊂ A ˉ \bar{A} Aˉ

2.交换律:A∪B = B∪A,AB = BA

3.结合律:A∪(B∪C)=(A∪B)∪C,A(BC)= (AB)C

4.分配律:A∪(B∩C)=(A∪B)∩(B∪C),A∩(B∪C)=(A∩B)∪(A∩C)

A(B - C)= AB - AC,A - (B∪C)= (A - B)∩(A - C),A - (B∩C)= (A - B) ∪(A - C)

5.德摩根律: A ∪ B ‾ = A ˉ ∩ B ˉ \overline{A∪B} = \bar{A}∩\bar{B} A∪B=Aˉ∩Bˉ, A ∩ B ‾ = A ˉ ∪ B ˉ \overline{A∩B} = \bar{A}∪\bar{B} A∩B=Aˉ∪Bˉ

6.矛盾律:A∩ A ˉ = \bar{A}= Aˉ=∅ ,排中律:A ∪ A ˉ = \bar{A}= Aˉ=E

7.运算符优先级:先逆,再交,最后并 or 差。

附 : \color{red}{附:} 附:​A - B,AB,B - A 为两两互斥事件,所以有A = (A - B)∪AB,B = (B - A)∪AB。

1.3 频率与概率

1.3.1 概率的描述性定义

1.Def:称随机事件A发生的可能性大小的度量(非负值)为事件A发生的概率。

1.3.2 概率的统计性定义------频率

1.Def:在相同条件下进行n次试验,在这n次试验中,事件A发生的次数 n A n_A nA,称为事件A发生的 频数 \color{blue}{频数} 频数,比值 n A n \frac{n_A}{n} nnA称为事件A发生的 频率 \color{blue}{频率} 频率,并记作 f n ( A ) f_n(A) fn(A)。

2.基本性质:

​ ①0 ⩽ \leqslant ⩽ f n ( A ) f_n(A) fn(A)$\leqslant$1;

​ ② f n ( S ) f_n(S) fn(S) = 1;

​ ③若 A 1 , A 2 , ... , A n A_1,A_2,...,A_n A1,A2,...,An为两两互不相容事件,则有

​ f ( A 1 ∪ A 2 ∪ ... ∪ A n ) = f ( A 1 ) + f ( A 2 ) + ... + f ( A n ) f(A_1∪A_2∪...∪A_n) = f(A_1) + f(A_2) + ... + f(A_n) f(A1∪A2∪...∪An)=f(A1)+f(A2)+...+f(An);

​ ④当n → ∞ \to ∞ →∞时, f n ( A ) → f_n(A)\to fn(A)→常数。(频率稳定性 or统计规律性)

1.3.3 概率的公理性定义

1.Def:设E是随机试验,S是它的样本空间,对于E的每一事件A赋予一个实数,记为 P ( A ) P(A) P(A)(A的概率)。它满足以下三个条件:

​ ①非负性:对任意事件A,有P(A)$\geqslant$0;

​ ②规范性:必然事件S,P(S)=1;

​ ③可列可加性:若 A 1 , A 2 , ... , A n , ... A_1,A_2,...,A_n,... A1,A2,...,An,...为两两互不相容事件,则

​ P ( A 1 ∪ A 2 ∪ ... ∪ A n ∪ ... ) = P ( A 1 ) + P ( A 2 ) + ... + P ( A n ) + ... P(A_1∪A_2∪...∪A_n∪...) = P(A_1) + P(A_2) + ... + P(A_n) + ... P(A1∪A2∪...∪An∪...)=P(A1)+P(A2)+...+P(An)+...

2.重要性质:

​ ①P(∅)=0;

​ ②有限可加性:若 A 1 , A 2 , ... , A n A_1,A_2,...,A_n A1,A2,...,An为两两互不相容事件,则有

​ P ( A 1 ∪ A 2 ∪ ... ∪ A n ) = P ( A 1 ) + P ( A 2 ) + ... + P ( A n ) P(A_1∪A_2∪...∪A_n) = P(A_1) + P(A_2) + ... + P(A_n) P(A1∪A2∪...∪An)=P(A1)+P(A2)+...+P(An);

​ ③设A、B是两个事件,且A⊂B,则有

​ P(A) ⩽ \leqslant ⩽​P(B),P(B - A)= P(B)- P(A);(单调性)

​ 推论 : \color{red}{推论:} 推论:对任意两个事件A、B,有 P ( B − A ) = P ( B ) − P ( A B ) \color{blue}{P(B - A)=P(B)-P(AB)} P(B−A)=P(B)−P(AB)

​ ④对任一事件A,有

​ P(A)$\leqslant$1;

​ ⑤逆事件的概率:对任意事件A,有

​ P ( A ˉ ) = 1 − P ( A ) P(\bar{A}) = 1 - P(A) P(Aˉ)=1−P(A);

​ ⑥加法公式:对任意俩事件A、B,有

​ P(A ∪ B)=P(A)+ P(B)- P(AB)

推广 : \color{red}{推广:} 推广:a.半可加性:P(A ∪ B) ⩽ \leqslant ⩽P(A)+ P(B)

​ b.三个事件:

​ P(A∪B∪C)=P(A)+P(B)+P(C)- P(AB)- P(AC)- P(BC)+P(ABC)

​ c.n个事件:

​ P ( A 1 ∪ A 2 ∪ ... ∪ A n ) = ∑ i = 1 n P ( A i ) − ∑ 1 ⩽ i < j ⩽ n P ( A i A j ) + ∑ 1 ⩽ i < j < k ⩽ n P ( A i A j A k ) + ... + ( − 1 ) n − 1 P ( A 1 A 2 ... A n ) P(A_1∪A_2∪...∪A_n)=\sum\limits_{i=1}^nP(A_i)-\sum\limits_{1\leqslant{i}<j\leqslant{n}}P(A_iA_j)+\sum\limits_{1\leqslant{i}<j<k\leqslant{n}}P(A_iA_jA_k)+...+(-1)^{n-1}P(A_1A_2...A_n) P(A1∪A2∪...∪An)=i=1∑nP(Ai)−1⩽i<j⩽n∑P(AiAj)+1⩽i<j<k⩽n∑P(AiAjAk)+...+(−1)n−1P(A1A2...An)

​ ⑦减法公式:设A、B为任意两个事件,则

​ P(A B ˉ \bar{B} Bˉ) = P(A-B)=P(A)-P(AB)

1.4 古典概型(等可能概型)

1.4.1 中学概率知识

1.加法原理:设完成一件事有n类方法(只需其中一类方法即可完成事情),若第k类方法有 m k m_k mk种方法(1 ⩽ \leqslant ⩽k ⩽ \leqslant ⩽n),则完成这件事总共有 N = m 1 + m 2 + ... + m n \color{red}{N = m_1+m_2+...+m_n} N=m1+m2+...+mn种方法。

2.乘法原理:设完成一件事有n个步骤(当且仅当n个步骤全部完成),若第k个步骤有 m k m_k mk种方法(1 ⩽ \leqslant ⩽k ⩽ \leqslant ⩽n),则完成这件事总共有 N = m 1 × m 2 × ... × m n \color{red}{N = m_1\times m_2\times ...\times m_n} N=m1×m2×...×mn种方法。

3.排列:

​ ①不同元素的选排列:从n个不同元素中任取m(m ⩽ \leqslant ⩽n)个按一定顺序排成一列,称为从n个元素中取出m个元素的选排列,共有 P n m P{^m_n} Pnm种。当m=n时,称为全排列,共有n!种。(0!=1)

​ P n m = n ( n − 1 ) ( n − 2 ) ⋯ ( n − m + 1 ) = n ! ( n − m ) ! = A n m P{^m_n}=n(n-1)(n-2)\cdots\quad(n-m+1)=\dfrac{n!}{(n-m)!}=A{^m_n} Pnm=n(n−1)(n−2)⋯(n−m+1)=(n−m)!n!=Anm

​ ②不同元素的重复排列:从n个不同元素种又放回的取m(m ⩽ \leqslant ⩽n)个进行排列,其排列总数共有 n × n × ... × n = n m \color{red}{n\times n\times ...\times n=n^m} n×n×...×n=nm​种。

​ ③不全相异元素的排列:在n个元素中,有m类元素,每类各有 k 1 , k 2 , ... , k m k_1,k_2,...,k_m k1,k2,...,km个,将这n个元素做全排列,共有如下种方式:

​ N= n ! k 1 ! k 2 ! ... k n ! \dfrac{n!}{k_1!k_2!...k_n!} k1!k2!...kn!n!​

​ ④环排列:从n个不同的元素中,选出m个不同的元素排成一个圈,共有如下种方式:

​ n ( n − 1 ) ( n − 2 ) ... ( n − m + 1 ) m = C n m ( m − 1 ) ! \dfrac{n(n-1)(n-2)...(n-m+1)}{m}=C{^m_n}(m-1)! mn(n−1)(n−2)...(n−m+1)=Cnm(m−1)!

4.组合:

​ ①从n个元素中取出m个( 不放回抽样 \color{blue}{不放回抽样} 不放回抽样)组成一组,不同的分发方式共有:

​ ( n m ) = C n m = n ! m ! ( n − m ) ! = P n m m ! \begin{pmatrix}n\\m\end{pmatrix}=C{^m_n}=\dfrac{n!}{m!(n-m)!}=\dfrac{P{^m_n}}{m!} (nm)=Cnm=m!(n−m)!n!=m!Pnm

​ ②从n个元素中取出m个( 放回抽样 \color{blue}{放回抽样} 放回抽样)组成一组,不同的分发方式共有:

​ H n m = ( n + m − 1 m ) H{^m_n}=\begin{pmatrix}n+m-1\\m\end{pmatrix} Hnm=(n+m−1m)

1.4.2 古典概型

1.Def:若随机试验E满足:

​ (1)样本空间S只含有限个样本点,S={ e 1 , e 2 , ... , e n e_1,e_2,...,e_n e1,e2,...,en};

​ (2)每个基本事件(样本点)发生的可能性相同;

则称此随机试验的概率模型为等可能概型,又称古典概型。

2.古典概型中,事件A={ e i 1 , e i 2 , ... , e i k e_{i1},e_{i2},...,e_{ik} ei1,ei2,...,eik}发生的概率为

​ P ( A ) = k n = A 包含的基本事件数 S 包含的基本事件总数 P(A)=\dfrac{k}{n}=\dfrac{A包含的基本事件数}{S包含的基本事件总数} P(A)=nk=S包含的基本事件总数A包含的基本事件数

1.4.3 古典概型基本模型

1.4.3.1 分球模型

1.无放回摸球(不放回抽样):

2.有放回的摸球(放回抽样):

1.4.3.2 分球入盒模型

1.盒子容量无限:

2.每个盒子只能装一个球:

3.综合例题:

1.4.3.3 分组问题
1.4.3.4 超几何分布

1.Def:设有N件产品,其中有D件次品,今从中任取n件,问其中恰有k( k ⩽ N k\leqslant N k⩽N)件次品的概率为:
p = ( D k ) = ( N − D n − k ) / ( N n ) p=\begin{pmatrix}D\\k\end{pmatrix}=\begin{pmatrix}N-D\\n-k\end{pmatrix}/\begin{pmatrix}N\\n\end{pmatrix} p=(Dk)=(N−Dn−k)/(Nn)

附 : 实际推断原理 : 概率很小的事件在一次试验中实际上几乎是不发生的。 \color{blue}{附:实际推断原理:概率很小的事件在一次试验中实际上几乎是不发生的。} 附:实际推断原理:概率很小的事件在一次试验中实际上几乎是不发生的。

1.4.4 几何概型(等可能概型)

1.Def:若随机试验E满足:

​ ①样本空间S是 R n R^n Rn(n=1,2,3)中一个可度量的几何区域;

​ ②每个样本点出现的概率相等,即样本点落入S某一可度量的子区域A的可能性大小与A的几何度量成正比,而与A的位置及形状无关,则事件A={样本点落入区域A}的概率为:
P ( A ) = A 的几何度量 ( 长度、面积、体积 ) S 的几何度量 ( 长度、面积、体积 ) P(A)=\dfrac{A的几何度量(长度、面积、体积)}{S的几何度量(长度、面积、体积)} P(A)=S的几何度量(长度、面积、体积)A的几何度量(长度、面积、体积)
注意! \color{red}{注意!} 注意! ①古典概型:基本事件有限,等可能的随机试验。

​ ②几何概型:基本事件无限,等可能的随机试验。

1.5 条件概率

1.5.1 条件概率

1.Def:设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|A)=\dfrac{P(AB)}{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

注意:这里样本空间已经从 S 坍塌到 A 了,样本空间减小。 \color{red}{注意:这里样本空间已经从S坍塌到A了,样本空间减小。} 注意:这里样本空间已经从S坍塌到A了,样本空间减小。

2.条件概率满足条件(也是概率)

已知事件A发生且P(A)>0

  • 非负性:对于每一件事件B,有 P ( B ∣ A ) ⩾ 0 P(B|A)\geqslant0 P(B∣A)⩾0。

  • 规范性:对于必然事件S,有 P ( S ∣ A ) = 1 P(S|A)=1 P(S∣A)=1。

  • 可列可加性:设 B 1 , B 2 , ... B_1,B_2,... B1,B2,...是两两互不相容事件,则有

P ( ⋃ i = 1 ∞ B i ∣ A ) = ∑ i = 1 ∞ P ( B i ∣ A ) P(\quad\bigcup\limits_{i=1}^∞B_i|A\quad) =\sum\limits_{i=1}^∞P(B_i|A) P(i=1⋃∞Bi∣A)=i=1∑∞P(Bi∣A)

3.条件概率的性质:当P(A)> 0时

  • P ( B ∣ A ) ⩾ 0 P(B|A)\geqslant 0 P(B∣A)⩾0
  • 有限可加性: P ( ⋃ i = 1 n B i ∣ A ) = ∑ i = 1 n P ( B i ∣ A ) P(\quad\bigcup\limits_{i=1}^nB_i|A\quad) =\sum\limits_{i=1}^nP(B_i|A) P(i=1⋃nBi∣A)=i=1∑nP(Bi∣A)
  • P ( S ∣ A ) = 0 , P ( ∅ ∣ A ) = 0 P(S|A)=0,P(∅|A)=0 P(S∣A)=0,P(∅∣A)=0
  • 加法公式: P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) − P ( B C ∣ A ) P(B∪C|A)=P(B|A)+P(C|A)-P(BC|A) P(B∪C∣A)=P(B∣A)+P(C∣A)−P(BC∣A)
  • 当B、C互不相容时, P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) P(B∪C|A)=P(B|A)+P(C|A) P(B∪C∣A)=P(B∣A)+P(C∣A)
  • 可减性: P ( B − C ∣ A ) = P ( B ∣ A ) − P ( B C ∣ A ) P(B-C|A)=P(B|A)-P(BC|A) P(B−C∣A)=P(B∣A)−P(BC∣A)
  • P ( B ˉ ∣ A ) = 1 − P ( B ∣ A ) P(\bar{B}|A)=1-P(B|A) P(Bˉ∣A)=1−P(B∣A)

1.5.2 乘法定理

1.Def:设P(A)> 0,P(B)> 0 ,则有
P ( A B ) = P ( B ∣ A ) P ( A ) = P ( A ∣ B ) P ( B ) P(AB)=P(B|A)P(A)=P(A|B)P(B) P(AB)=P(B∣A)P(A)=P(A∣B)P(B)

称为乘法公式。

2.推广

  • 三个事件A、B、C,且P(AB)> 0[ P ( A ) ⩾ P ( A B ) > 0 P(A)\geqslant P(AB) > 0 P(A)⩾P(AB)>0].

P ( A B C ) = P ( C ∣ A B ) P ( B ∣ A ) P ( A ) P(ABC)=P(C|AB)P(B|A)P(A) P(ABC)=P(C∣AB)P(B∣A)P(A)

  • n( n ⩾ 2 n\geqslant2 n⩾2)个事件 A 1 , A 2 , ... A n A_1,A_2,...A_n A1,A2,...An,且 P ( A 1 A 2 ... A n − 1 ) > 0 P(A_1A_2...A_{n-1}) > 0 P(A1A2...An−1)>0,则有

P ( A 1 A 2 ... A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P ( A 3 ∣ A 2 A 1 ) ... P ( A n ∣ A n − 1 ... A 2 A 1 ) P(A_1A_2...A_n)=P(A_1)P(A_2|A_1)P(A_3|A_2A_1)...P(A_n|A_{n-1}...A_2A_1) P(A1A2...An)=P(A1)P(A2∣A1)P(A3∣A2A1)...P(An∣An−1...A2A1)

  • 注意事件发生的先后次序, A i A_i Ai先于 A i + 1 A_{i+1} Ai+1发生,可用上式。

3.先验概率 & 后验概率

  • 由以往的数据分析得到的概率叫 先验概率 \color{red}{先验概率} 先验概率。
  • 加入新数据后重新修正得到的概率叫 后验概率 \color{red}{后验概率} 后验概率。

1.5.3 全概率公式 & 贝叶斯公式

1.5.3.1 全概率公式(由因求果)

1.样本空间划分:设S为试验E的样本空间, B 1 , B 2 , ... , B n B_1,B_2,...,B_n B1,B2,...,Bn为E的一组事件,若

  • B i B j = B_iB_j= BiBj=∅, i ≠ j , i , j = 1 , 2 , ... , n i ≠ j, i,j=1,2,...,n i=j,i,j=1,2,...,n
  • B 1 ∪ B 2 ∪ ... ∪ B n = S B_1∪B_2∪...∪B_n=S B1∪B2∪...∪Bn=S

则称 B 1 , B 2 , ... , B n B_1,B_2,...,B_n B1,B2,...,Bn为样本空间S的一个划分(也叫完备事件集)。

注意 : \color{red}{注意:} 注意:①若 B 1 , B 2 , ... , B n B_1,B_2,...,B_n B1,B2,...,Bn为样本空间S的一个划分,则对每次试验,事件 B 1 , B 2 , ... , B n B_1,B_2,...,B_n B1,B2,...,Bn中必有一个且仅有一个发生。

​ ②样本空间的划分一般不唯一。

2.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,...,B_n B1,B2,...,Bn为S的一个划分,且 P ( B i ) > 0 ( i = 1 , 2 , ... , n ) P(B_i)>0(i=1,2,...,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 ) = ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+...+P(A|B_n)P(B_n)=\sum_{i=1}^nP(A|B_i)P(B_i) P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...+P(A∣Bn)P(Bn)=i=1∑nP(A∣Bi)P(Bi)

1.5.3.2 贝叶斯公式(由果导因)

1.Def: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,...,B_n B1,B2,...,Bn为S的一组划分,且P(A)> 0, P ( B i ) > 0 ( i = 1 , 2 , ... , n ) P(B_i)>0(i=1,2,...,n) P(Bi)>0(i=1,2,...,n),则
P ( B i ∣ A ) = P ( A ∣ B i ) P ( B i ) ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(B_i|A)=\dfrac{P(A|B_i)P(B_i)}{\sum\limits_{i=1}^n P(A|B_i)P(B_i)} P(Bi∣A)=i=1∑nP(A∣Bi)P(Bi)P(A∣Bi)P(Bi)

称为贝叶斯公式。

2.全概率 & 贝叶斯

取n=2,并将 B 1 B_1 B1记为 B B B, B 2 B_2 B2记为$ \bar{B}$,则全概率公式和贝叶斯公式可以写成:
P ( A ) = P ( A ∣ B ) P ( B ) + P ( A ∣ B ˉ ) P ( B ˉ ) ------全概率公式 P(A)=P(A|B)P(B)+P(A|\bar{B})P(\bar{B})------全概率公式 P(A)=P(A∣B)P(B)+P(A∣Bˉ)P(Bˉ)------全概率公式

P ( B ∣ A ) = P ( A B ) P ( A ) = P ( A ∣ B ) P ( B ) P ( A ∣ B ) P ( B ) + P ( A ∣ B ˉ ) P ( B ˉ ) ------贝叶斯公式 P(B|A)=\dfrac{P(AB)}{P(A)}=\dfrac{P(A|B)P(B)}{P(A|B)P(B)+P(A|\bar{B})P(\bar{B})}------贝叶斯公式 P(B∣A)=P(A)P(AB)=P(A∣B)P(B)+P(A∣Bˉ)P(Bˉ)P(A∣B)P(B)------贝叶斯公式

1.6 独立性

1.6.1 描述性定义

  • 设A、B为两个事件,如果其中任何一个事件发生的概率不受另一个事件发生与否的影响,则称事件A与B相互独立。

P ( B ∣ A ) = P ( B ) , P ( B ∣ A ˉ ) = P ( B ) , P ( A ∣ B ) = P ( A ) , P ( A ∣ B ˉ ) = P ( A ) P(B|A)=P(B),P(B|\bar{A})=P(B),P(A|B)=P(A),P(A|\bar{B})=P(A) P(B∣A)=P(B),P(B∣Aˉ)=P(B),P(A∣B)=P(A),P(A∣Bˉ)=P(A)

1.6.2 数学定义

1.Def:设A、B是两事件,如果满足等式:
P ( A B ) = P ( A ) P ( B ) P(AB)=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

  1. 注意! \color{red}{注意!} 注意!
  • 与事件中的包含、相等、相容、对立关系不同,独立是从概率角度定义的。
  • 互相独立 & 互不相容之间没有不然联系。特殊地,在 P ( A ) > 0 , P ( B ) > 0 P(A)>0,P(B)>0 P(A)>0,P(B)>0时,A、B相互独立与A、B互不相容不能同时成立。
    • 互相独立: P ( A B ) = P ( A ) P ( B ) > 0 P(AB)=P(A)P(B)>0 P(AB)=P(A)P(B)>0
    • 互不相容: P ( A B ) = P ( ∅ ) = 0 P(AB)=P(\varnothing)=0 P(AB)=P(∅)=0
  • 必然事件 及 不可能事件与任意事件互相独立。

3.定理

  • 设A、B是两事件,且 P ( A ) > 0. P(A)>0. P(A)>0.若A、B相互独立,则 P ( B ∣ A ) = P ( B ) P(B|A)=P(B) P(B∣A)=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 与 B ˉ , A ˉ 与 B , A ˉ 与 B ˉ A与\bar{B},\bar{A}与B,\bar{A}与\bar{B} A与Bˉ,Aˉ与B,Aˉ与Bˉ

1.6.3 多个事件的独立性

1.三个事件两两独立

Def:设A、B、C是三个事件,如果满足等式:
{ P ( A B ) = P ( A ) P ( B ) P ( B C ) = P ( B ) P ( C ) P ( A C ) = P ( A ) P ( C ) \begin{cases} P(AB)=P(A)P(B)\\ P(BC)=P(B)P(C)\\ P(AC)=P(A)P(C) \end{cases} ⎩ ⎨ ⎧P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)

则称事件A、B、C两两独立。

2.三个事件相互独立

Def:设A、B、C是三个事件,如果满足等式:
{ P ( A B ) = P ( A ) P ( B ) P ( B C ) = P ( B ) P ( C ) P ( A C ) = P ( A ) P ( C ) P ( A B C ) = P ( A ) P ( B ) P ( C ) \begin{cases} P(AB)=P(A)P(B)\\ P(BC)=P(B)P(C)\\ P(AC)=P(A)P(C)\\ 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)P(ABC)=P(A)P(B)P(C)

则称事件A、B、C相互独立。

3.联系

  • 相互独立 ⇒ \Rightarrow ⇒两两独立,反之不成立。

4.推广:n个事件的独立性

  • Def:一般设 A 1 , A 2 , ... , A n A_1,A_2,...,A_n A1,A2,...,An是 n ( n ⩾ 2 ) n(n\geqslant2) n(n⩾2)个事件,如果对于其中任意2个,任意3个,...,任意n个事件的积事件的概率,都等于个事件概率之和,则称事件 A 1 , A 2 , ... , A n A_1,A_2,...,A_n A1,A2,...,An相互独立

    • 共 C n 2 + C n 3 + ... + C n n = 2 n − n − 1 C^2_n+C^3_n+...+C^n_n=2^n-n-1 Cn2+Cn3+...+Cnn=2n−n−1个等式成立。
  • 推论:

    • 若事件 A 1 , A 2 , ... , A n ( n ⩾ 2 ) A_1,A_2,...,A_n(n\geqslant2) A1,A2,...,An(n⩾2)相互独立,则其中任意 k ( 2 ⩽ k ⩽ n ) k(2\leqslant k\leqslant n) k(2⩽k⩽n)个事件也是相互独立的。
    • 若事件 A 1 , A 2 , ... , A n ( n ⩾ 2 ) A_1,A_2,...,A_n(n\geqslant2) A1,A2,...,An(n⩾2)相互独立,则将事件 A 1 , A 2 , ... , A n A_1,A_2,...,A_n A1,A2,...,An中任意多个事件换成它们各自的对立事件,所得的n个事件仍相互独立。

1.6.4 独立性判断

1.直观性判断:

  • 若试验独立,则其结果必然独立。
  • 根据事件的实际意义取判断。

2.利用上述定义 及 定理判断。

1.6.5 独立重复试验

1.定义(独立试验序列)

​ 设 E i ( i = 1 , 2 , ... ) {E_i}(i=1,2,...) Ei(i=1,2,...)是一列随机试验, E i E_i Ei的样本空间Ω i _i i,设 A k A_k Ak是 E k E_k Ek中的任一事件, A k ⊂ A_k \subset Ak⊂Ω k _k k,若 A k A_k Ak出现的概率都不依赖于其它各次试验 E i ( i ≠ k ) E_i(i\neq k) Ei(i=k)的结果,则称 E i {E_i} Ei是 相互独立 \color{red}{相互独立} 相互独立的随机试验序列,简称 独立试验 \color{red}{独立试验} 独立试验序列。

2.n 重贝努里(Bernoulli)试验

​ 若n次重复试验具有下列特点:

  • 每次试验的可能结果只有两个 A 、 A ˉ A、\bar{A} A、Aˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1−p)(在各次试验中p是常数,保持不变);
  • 各次试验的结果相互独立。

则称这n次重复试验为 n 重贝努利( B e r n o u l l i )试验 \color{blue}{n 重贝努利(Bernoulli)试验} n重贝努利(Bernoulli)试验,简称为 贝努里概型 \color{red}{贝努里概型} 贝努里概型。

  1. B e r n o u l l i Bernoulli Bernoulli定理:

​ 在n 重贝努里试验中,事件A发生的概率为p,则事件A发生k次的概率为:
b ( k ; n , p ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , 2 , ... , n b(k;n,p)=C^k_np^k(1-p)^{n-k},k=0,1,2,...,n b(k;n,p)=Cnkpk(1−p)n−k,k=0,1,2,...,n

E_i}(i=1,2,...) 是一列随机试验, 是一列随机试验, 是一列随机试验,E_i 的样本空间 Ω 的样本空间Ω 的样本空间Ω_i ,设 ,设 ,设A_k 是 是 是E_k 中的任一事件, 中的任一事件, 中的任一事件,A_k \subset Ω Ω Ω_k ,若 ,若 ,若A_k 出现的概率都不依赖于其它各次试验 出现的概率都不依赖于其它各次试验 出现的概率都不依赖于其它各次试验E_i(i\neq k) 的结果,则称 的结果,则称 的结果,则称{E_i} 是 是 是\color{red}{相互独立} 的随机试验序列,简称 的随机试验序列,简称 的随机试验序列,简称\color{red}{独立试验}$序列。

2.n 重贝努里(Bernoulli)试验

​ 若n次重复试验具有下列特点:

  • 每次试验的可能结果只有两个 A 、 A ˉ A、\bar{A} A、Aˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1−p)(在各次试验中p是常数,保持不变);
  • 各次试验的结果相互独立。

则称这n次重复试验为 n 重贝努利( B e r n o u l l i )试验 \color{blue}{n 重贝努利(Bernoulli)试验} n重贝努利(Bernoulli)试验,简称为 贝努里概型 \color{red}{贝努里概型} 贝努里概型。

  1. B e r n o u l l i Bernoulli Bernoulli定理:

​ 在n 重贝努里试验中,事件A发生的概率为p,则事件A发生k次的概率为:
b ( k ; n , p ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , 2 , ... , n b(k;n,p)=C^k_np^k(1-p)^{n-k},k=0,1,2,...,n b(k;n,p)=Cnkpk(1−p)n−k,k=0,1,2,...,n

相关推荐
无脑敲代码,bug漫天飞2 分钟前
COR 损失函数
人工智能·机器学习
盼海6 分钟前
排序算法(五)--归并排序
数据结构·算法·排序算法
HPC_fac130520678161 小时前
以科学计算为切入点:剖析英伟达服务器过热难题
服务器·人工智能·深度学习·机器学习·计算机视觉·数据挖掘·gpu算力
网易独家音乐人Mike Zhou3 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现(Kalman Filter)
c语言·python·单片机·物联网·算法·嵌入式·iot
Swift社区7 小时前
LeetCode - #139 单词拆分
算法·leetcode·职场和发展
Kent_J_Truman8 小时前
greater<>() 、less<>()及运算符 < 重载在排序和堆中的使用
算法
IT 青年8 小时前
数据结构 (1)基本概念和术语
数据结构·算法
Dong雨8 小时前
力扣hot100-->栈/单调栈
算法·leetcode·职场和发展
SoraLuna9 小时前
「Mac玩转仓颉内测版24」基础篇4 - 浮点类型详解
开发语言·算法·macos·cangjie
老艾的AI世界9 小时前
AI翻唱神器,一键用你喜欢的歌手翻唱他人的曲目(附下载链接)
人工智能·深度学习·神经网络·机器学习·ai·ai翻唱·ai唱歌·ai歌曲