概率论复习笔记(一)随机事件及其概率 |
您所在的位置:网站首页 › 随机抽数 千千万的概率是多少啊 › 概率论复习笔记(一)随机事件及其概率 |
概率论复习笔记(一)随机事件及其概率
基本概念随机试验样本空间随机事件事件分类事件及其运算关系运算规律
频率与概率概率的统计定义概率的公理化定义概率的性质等可能概型( 古典概型 )古典概型:常用排列与组合的公式
几何概型
条件概率定义性质乘法公式全概率公式贝叶斯公式:
独立性两事件的独立性三事件的独立性
n
n
n个事件的独立性 :
典型例题用事件之间的运算关系表示事件事件概率的计算利用概率的性质求概率利用古典概型求概率利用几何概型求概率利用条件概率求概率利用乘法定理求概率利用全概率、贝叶斯公式求概率利用事件的独立性求概率
本章小结重点与难点重点难点
基本概念
随机试验
(1)试验可以在相同条件下重复进行; (2)每次试验的可能结果不止一个,但能事先明确试验的所有可能结果; (3)进行一 次试验之前 ,不能确定哪一个结果会出现 。 具有以上三个特征的试验叫做随机试验。 简称为试验,用记号 E 表示。 样本空间把随机试验的所有基本事件组成的集合称为样本空间,常用 Ω \Omega Ω来记。其中基本事件也称为样本点。 随机事件随机试验中的每一个可能结果称为随机事件(简称为事件),常用大写字母A,B,C等表示。 不可能再分的事件称为基本事件;而由基本事件复合而成的事件,称为复合事件 。 事件分类基本事件: 不可能再分的事件。 复合事件:由基本事件复合而成的事件。 必然事件: 一定发生的事件,记作 Ω \Omega Ω。 不可能事件:一定不发生的事件,记作 ϕ \phi ϕ。 无 论 是 必 然 事 件 、随 机 事 件 还 是 不 可能 事 件 , 都 是 相 对 “ 一 定 条 件 ” 而 言 的 。条 件 发 生 变 化 , 事 件 的 性 质 也 发 生 变 化 。 事件及其运算关系若记 Ω \Omega Ω:样本空间, ϕ \phi ϕ:不可能事件, e: 基本事件,A, B,… 为随机事件。则有事件之间的运算关系如下: (1)包含关系:如果事件 A 发生必导致事件 B发生, 称事件 B 包含事件 A,记作A
⊂
\subset
⊂B (3)和事件:事件A与B中,至少有—个发生,记作
A
∪
B
A\cup B
A∪B; (5)差事件: 事件 A与事件 B 的差事件,记作
A
−
B
A-B
A−B,表示 A发生而 B不发生;
对立事件一定是互斥事件, 但互斥事件不一定是对立事件. 运算规律(1)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 (2)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 (3)分配律: A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( B ∪ C ) ; A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( B ∩ C ) A\cup(B\cap C)=(A\cup B)\cap(B\cup C);A\cap(B\cup C)=(A\cap B)\cup(B\cap C) A∪(B∩C)=(A∪B)∩(B∪C);A∩(B∪C)=(A∩B)∪(B∩C) (4)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 (5) 差积转换律: A − B = A B ‾ A-B=A\overline{B} A−B=AB 频率与概率 概率的统计定义频率:在相同的条件下, 进行了 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 ,比值 n A n \frac {n_A}{n} nnA 称为事件 A发生的 频率 ,记作 f n ( A ) f_n(A) fn(A) 频率的一般性质: 0 ≤ f n ( A ) ≤ 1 0\leq f_n(A)\leq 1 0≤fn(A)≤1 f n ( Ω ) = 1 f_n(\Omega)=1 fn(Ω)=1可列可加性 : 设 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,有 f n ( A 1 ∪ A 2 ∪ ⋯ ∪ A k ) = f n ( A 1 ) + f n ( A 2 ) + ⋯ + f n ( A k ) f_n(A_1\cup A_2\cup \cdots\cup A_k)=f_n(A_1)+f_n(A_2)+\cdots+f_n(A_k) fn(A1∪A2∪⋯∪Ak)=fn(A1)+fn(A2)+⋯+fn(Ak)概率的统计定义:在随机试验 E E E中, 当试验次数 n n n逐渐增大时, 频率值 f n ( A ) f_n(A) fn(A) 趋于稳定, 即在某个数 p p p附近波动,称数为事件 A 的概率, 即 P ( A ) = p P(A)=p P(A)=p。当 n 很大时, f n ( A ) ≈ p f_n(A)\approx p fn(A)≈p。人们总是用 n n n很大时 f n ( A ) f_n(A) fn(A) 作为 P ( A ) P(A) P(A) 的近似值, 即 P ( A ) ≈ f n ( A ) ( n 很 大 ) P(A)\approx f_n ( A ) ( n很大) P(A)≈fn(A)(n很大)。 概率的公理化定义设$ \Omega 是 一 样 本 空 间 , 称 满 足 下 列 三 条 公 理 的 集 函 数 是一样本空间, 称满足下列三条公理的集函数 是一样本空间,称满足下列三条公理的集函数P(·) 为 定 义 在 为定义在 为定义在n$上的概率: 非负性:对任意事件 A, P ( A ) ≥ 0 P(A)\geq0 P(A)≥0; 规范性: P ( n ) = 1 P(n) = 1 P(n)=1; 可列可加性:若两两互不相容的事件列$ \lbrace A_n\rbrace$是可列的, 则 P ( ∑ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) P(\sum_{i=1}^\infty A_i)=\sum_{i=1}^\infty P(A_i) P(i=1∑∞Ai)=i=1∑∞P(Ai) 概率的性质 P ( ∅ ) = 0. P(\emptyset) = 0. P(∅)=0.有限可加性:若 n n n个事件 A 1 , A 2 , ⋯ , A n A_1, A_2 ,\cdots , A_n A1,A2,⋯,An两两互不相容, 则 P ( A 1 + A 2 + ⋯ + A n ) = P ( A 1 ) + P ( A 2 ) + ⋯ + P ( A n ) P(A_1+A_2+\cdots+A_n)=P(A_1)+P(A_2)+\cdots+P(A_n) P(A1+A2+⋯+An)=P(A1)+P(A2)+⋯+P(An)相互对立两事件概率之和为 1, 即 P ( A ) + P ( A ‾ ) = 1. P(A)+ P(\overline{A}) = 1 . P(A)+P(A)=1.若 A ⊂ B A\subset B A⊂B,则有 P ( B − A ) = P ( B ) − P ( A ) . P(B-A) = P(B)- P(A). P(B−A)=P(B)−P(A). 0 ≤ P ( A ) ≤ 1. 0\leq P(A)\leq1. 0≤P(A)≤1. P ( A ) = 1 − P ( A ) . P(A) = 1-P(A). P(A)=1−P(A).加法公式:若A,B 是任意两个事件, 则$P( A\cup B ) = P( A ) + P( B ) - P( A B ). $ 等可能概型( 古典概型 ) 古典概型:具有下列两个特点的试验称为古典概型试验。 每次试验只有有限种可能的试验结果;每次试验中,每个基本事件出现的机会都是均等的;对于古典概型试验, 事件 A 发生的概率为 P ( A ) = A 中 基 本 事 件 数 n 中 基 本 事 件 数 = m n P(A)=\frac {A中基本事件数}{n中基本事件数}=\frac {m}{n} P(A)=n中基本事件数A中基本事件数=nm 计算古典型概率 P(A) 的关键是找出 A 中的基本事件数, 在计算过程中常常用到排列组合的知识, 有时也需要用列举法逐一分析 A 中的基本事件. 不放回抽样: 第一次抽取后, 不放回, 第二次从剩余的样本中抽取 。 放回抽样: 第一次抽取后, 观察后放回, 搅匀后再抽取.则第二次抽取前的情况和第一次抽取前的情况相同 。 常用排列与组合的公式不重复排列公式: 从 n n n个不同元素中任取 m m m个不同元素按照一定的顺序排成一列, 其排列数为 P n m = n ! ( n − m ) ! P_{n}^m= \frac{n!}{(n-m)!} Pnm=(n−m)!n! 可重复排列公式: 从 n n n个不同元素中有放回地抽取 m m m个元素, 按照一定顺序排成一列, 其排列总数为 N = n m N=n^m N=nm 组合公式: 从 " 个不同元素中每次取出个不同元素, 不考虑顺序组成一组, 其组合总数为 C n m = 1 m ! P n m = n ! m ! ( n − m ) ! C_n^m=\frac 1 {m!}P_n^m=\frac {n!}{m!(n-m)!} Cnm=m!1Pnm=m!(n−m)!n! 组合性质 : C n m = C n n − m ; C n m = C n − 1 m + C n − 1 m − 1 ; ∑ r = 0 m C n 1 r C n 2 m − r = C n 1 + n 2 m ; ∑ m = 0 m C n m = 2 n C_n^m=C_n^{n-m};C_n^m=C_{n-1}^m+C_{n-1}^{m-1};\sum_{r=0}^{m}C_{n_1}^{r}C_{n_2}^{m-r}=C_{n_1+n_2}^{m};\sum_{m=0}^{m}C_n^m=2^n Cnm=Cnn−m;Cnm=Cn−1m+Cn−1m−1;r=0∑mCn1rCn2m−r=Cn1+n2m;m=0∑mCnm=2n 加法原理: 如果完成一件工作有 m m m个不同方法, 其中任何一个方法都可一次完成这件工作。假设第 i i i个方法有 n i n_i ni个方案, i = 1 , 2 , ⋯ , m , i=1,2,\cdots,m, i=1,2,⋯,m, 则完成该工作的全部方案有 n 1 + n 2 + ⋯ + n m n_1+n_2+\cdots+n_m n1+n2+⋯+nm个 。 乘法原理: 如果一件工作需先后经 m m m个不同步骤才能最后完成, 其中第 i i i个步骤有 n i n_i ni个不同方案, i = 1 , ⋯ , m , i=1,\cdots,m, i=1,⋯,m,则完成该件工作共有 n 1 n 2 ⋯ n m n_1n_2\cdots n_m n1n2⋯nm种不同方案。 几何概型几何概型 : 如果随机试验的样本空间是一个区域(例如直线上的区间、平面或空间中的区域) , 而且样本空间中每个试验结果的出现具有等可能性,那么事件 A 的概率为 P ( A ) = A 的 测 度 ( 长 度 、 面 积 、 体 积 ) 样 本 空 间 的 测 度 ( 长 度 、 面 积 、 体 积 V ) P(A)=\frac {A 的测度(长度、 面积、体积)}{样本空间的测度(长度、 面积、体积V)} P(A)=样本空间的测度(长度、面积、体积V)A的测度(长度、面积、体积) 几何概率的计算中往往需要利用定积分及重积分求面积或体积 条件概率 定义条件概率 :设两事件 A , B A,B A,B 且$ P(A)> 0,$则称 P ( B ∣ A ) = P ( A B ) P ( A ) P(B\mid A)=\frac {P(AB)}{P(A)} P(B∣A)=P(A)P(AB) 为事件 A 发生的条件下, 事件 B 发生的条件概率 。 性质条件概率与概率有相同的性质 : 对任意事件B, 0 ≤ P ( B ∣ A ) ≤ 1 0\leq P(B\mid A)\leq 1 0≤P(B∣A)≤1 P ( Ω ∣ A ) = 1 P(\Omega\mid A)=1 P(Ω∣A)=1 若 B 1 , B 2 , ⋯ B_1,B_2,\cdots B1,B2,⋯是两两互斥事件,则有 P ( ⋃ i = 1 ∞ B i ∣ A ) = ∑ i = 1 ∞ P ( B i ∣ A ) P(\bigcup_{i=1}^\infty B_i\mid A)=\sum_{i=1}^\infty P(B_i\mid A) P(i=1⋃∞Bi∣A)=i=1∑∞P(Bi∣A) 对任意两事件 B 1 , B 2 , B_1,B_2, B1,B2,有 P ( B 1 ∪ B 2 ∣ A ) = P ( B 1 ∣ A ) + P ( B 2 ∣ A ) − P ( B 1 B 2 ∣ A ) . P(B_1\cup B_2\mid A)=P(B_1\mid A)+P(B_2\mid A)-P(B_1B_2\mid A). P(B1∪B2∣A)=P(B1∣A)+P(B2∣A)−P(B1B2∣A). ① 条件概率与一般概率的区别. 条件概率是指在事件 A 发生的条件下事件 B 发生的概率.条件概率是以 A 这样一个新的样本空间来考虑问题的 ; 一般概率是以基本事件的总数构成的样本空间来考虑的. ② 注 意 条 件 概 率 和 乘 法 之 间 的 区 别. P(BA)表示 A 发生并且 B 发生的概率; P(B|A) 表示在A 发生的条件下 B 发生的概率. 乘法公式P ( A B ) = { P ( A ) P ( B ∣ A ) , 当 P ( A ) > 0 P ( B ) P ( A ∣ B ) , 当 P ( B ) > 0 P(AB)= \begin{cases} P(A)P(B\mid A), & \text{当$P(A)>0$} \\ P(B)P(A\mid B), & \text{当$P(B)>0$} \end{cases} P(AB)={P(A)P(B∣A),P(B)P(A∣B),当P(A)>0当P(B)>0 全概率公式划分:设 Ω \Omega Ω为试验E的样本空间 , B 1 , B 2 , ⋯ , B n ,B_1,B_2,\cdots,B_n ,B1,B2,⋯,Bn为 E E E的一组事件.若 B i B j = ∅ , i ≠ j , i , j = 1 , 2 , ⋯ , n ; B_iB_j=\emptyset,i\neq j,i,j=1,2,\cdots,n; BiBj=∅,i=j,i,j=1,2,⋯,n; B 1 ∪ B 2 ∪ ⋯ ∪ B n = Ω B_1\cup B_2\cup\cdots\cup B_n=\Omega B1∪B2∪⋯∪Bn=Ω则称 B 1 , B 2 , ⋯ , B n B_1,B_2,\cdots,B_n B1,B2,⋯,Bn为样本空间 Ω \Omega Ω的一个划分, 也称为完备事件组. 若 B 1 , B 2 , ⋯ , B n B_1,B_2,\cdots,B_n B1,B2,⋯,Bn是样本空间的一个划分, 那么,对每次试验, 事件 B 1 , B 2 , ⋯ , B n B_1,B_2,\cdots,B_n B1,B2,⋯,Bn中必有一个且仅有一个发生. 全概率公式: 设试验 E E E的样本空间为 Ω \Omega Ω,A 为 E E E的事件 , B 1 , B 2 , ⋯ , B n ,B_1,B_2,\cdots,B_n ,B1,B2,⋯,Bn为 S 的一个划分, 且 P ( B i ) > 0 ( i = 1 , 2 , ⋯ , n ) , P(B_i)> 0(i= 1,2,\cdots,n), P(Bi)>0(i=1,2,⋯,n),则 P ( A ) = P ( A ∣ B 1 ) P ( B 1 ) + P ( A ∣ B 2 ) P ( B 2 ) + ⋯ + P ( A ∣ B n ) P ( B n ) P(A)=P(A\mid B_1)P(B_1)+P(A\mid B_2)P(B_2)+\cdots+P(A\mid B_n)P(B_n) P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+⋯+P(A∣Bn)P(Bn)称为全概率公式。 贝叶斯公式:设试验 E E E的样本空间为 Ω \Omega Ω。A为 E E E 的事件为 S , B 1 , B 2 , ⋯ , B n ,B_1,B_2,\cdots,B_n ,B1,B2,⋯,Bn 的一个划分, 且 P ( A ) > 0 , P ( B i ) > 0 ( i = 1 , 2 , ⋯ , n ) , P(A)>0,P(B_i)> 0(i= 1,2,\cdots,n), P(A)>0,P(Bi)>0(i=1,2,⋯,n), P ( B i ∣ A ) = P ( A ∣ B i ) P ( B i ) ∑ j = 1 n P ( A ∣ B j ) P ( B j ) , i = 1 , 2 , ⋯ , n . P(B_i\mid A)=\frac {P(A\mid B_i)P(B_i)}{\sum_{j=1}^{n}P(A\mid B_j)P(B_j)},i=1,2,\cdots,n. P(Bi∣A)=∑j=1nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi),i=1,2,⋯,n. 则称为贝叶斯(Bayes)公式 。 独立性 两事件的独立性设 A,B 是两事件, 如果满足等式 P ( A B ) = P ( A ) P ( B ) , P(AB ) = P(A)P(B), P(AB)=P(A)P(B),则称事件 A,B 相互独立, 简称 A,B 独立。 容易知道, 若$P(A)>0,P(B)>0, $则A,B相互独立与 A,B 互不相容不能同时成立. 定理一:设 A,B是两事件, 且$ P(A)> 0. 若 A , B 相 互 独 立 , 则 若 A,B相互独立, 则 若A,B相互独立,则 P( B|A) = P(B).$反之亦然. 定理二:若事件 A,B 相互独立,则下列事件也相互独立, A A A与 B ‾ \overline{B} B, B B B与 A ‾ \overline{A} A, A ‾ \overline{A} A,与 B ‾ \overline{B} B, A 与 B 独 立 ⇔ P ( A ∣ B ) = P ( A ∣ B ‾ ) = P ( A ) ( 0 < P ( B ) < 1 ) . ⇔ P ( B ∣ A ) = P ( B ‾ ∣ A ) = P ( B ) ( 0 < P ( A ) < 1 ) . A 与B 独立\\ \Leftrightarrow P(A\mid B)=P(A\mid \overline{B})=P(A)(0 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |