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Ω: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Ω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Ω。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∅。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⊂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⋃B或A+B |
事件A⋃B发生⇔事件A发生或事件B发生 |
A与B的并集 |
A与B的积 |
A⋂B或AB |
事件A⋂B发生⇔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、AB |
事件A-B发生⇔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=∅ |
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 |
A |
每次试验事件A与试验A有一个发生且仅有一个发生 |
A⋃A=S,AA=∅ |
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
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)
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.2.3 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
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
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.3.3 概率的性质
(1)P(∅)=0,P(Ω)=1;
(2)有限可加性:设A1、A2⋯An是两两互不相容的事件,则有P(A1⋃A2⋃⋯⋃An)=P(A1)+P(A2)⋯P(An);
(3)逆事件的概率:对于任意事件A,有P(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(AB)。特别的若A⊂B,则有P(A)≤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⋃B)=P(A)+P(B)−P(AB)
注:P(A⋃B⋃C)=P(A)+P(B)+P(C)−P(AB)−P(AC)−P(BC)+P(ABC)
1.3.4 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
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61。
1.4.2 计算方法
(2)计算方法:P(A)=基本事件总数nA中基本的事件数;比如A=掷骰子扔出奇数,则P(A)=63=21
1.4.3 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
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)=Ω的长度(或面积、体积)A的长度(面积、体积),与古典概型不同的是,几何概型的样本点无穷多
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.5.2 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.5.3 蒲丰投针问题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
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)=P(A)P(AB),(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≤P(B∣A)≤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)=P(A)P(AB),则P(AB)=P(B∣A)P(A)
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.6.4 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.7 全概率公式和贝叶斯公式
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.7.1 全概率公式
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.7.2 贝叶斯公式
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.7.3 习题
![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.8 事件的独立性
1.8.1 定义
事件不在同一个样本空间中,那么事件就是相互独立的,毫不影响。$P(B|A) = P(B) 在A发生的条件下B发生的概率,仍为B单独发生的概率。根据乘法公式我们可以得到P(AB) = P(A)*P(B|A) = P(A)P(B)$,这就是判断事件独立性的充要条件
。
1.8.2 独立性的性质
![image-20230331090237375](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![image-20230331090745862](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.8.3 习题
![f5c396f4ac7fa714ba565726755e5f3](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
1.9 第一章习题
第二章 随机变量
2.1 随机变量的定义
定义:随机变量X是定义在随机试验样本空间S=e上的单实值函数,记为X=X(e)。
![image-20230331092755357](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.3 随机变量
随机变量需要注意以下问题
- 随机变量X=X(e)是一个单实值函数,也就是随机试验的每个结果在实数轴上只有一个值与之对应,当然,不同元素对应的实值可能是一样的,比如年龄问题,很多人都对应60这个年龄。
- X(e)体现的是对随机事件的描述。
- X(e)的各个取值都有一定的概率。
- 试验之前可知X(e)的取值范围,但是无法预知取到何值。
2.4 离散型随机变量
2.4.1 定义
离散型随机变量是指随机变量的全部可能取值是有限个
或可列无限个
(可列无穷多可以理解为有规律的离散实值,可以知道下一个取值,与自然数一一对应)。例如:加油站达到的车辆数,医院一天新生儿出生数。
2.4.2 分布律
设离散型随机变量X的所有取值为Xk,(k=1,2,3,⋯),X取到各个可能值的概率P(X=xk)=Pk,(k=1,2,3,⋯),称为随机变量X的概率分布,也叫分布律。
X |
x1 |
x2 |
x3 |
⋯ |
Pk |
P1 |
P2 |
P3 |
⋯ |
注:① Pk≥0,(k=1,2,3,⋯)
② 求和等于1(重要)
2.4.3 常见的离散型随机变量
- 两点分布
随机试验的结果只有两个,随机变量X只有可能取值0和1,其分布律可以写成
x |
0 |
1 |
Pk |
1−P |
P |
比如抛硬币,产品是否合格,一个事件是否发生。
- 二项分布
只有两个结果的随机试验称为伯努利试验,观察A发生或A不发生,将这种试验独立重复进行n次,称为n重伯努利试验。n重伯努利实验中A发生的次数
也是一个随机变量。
假设单独一次试验A发生的概率为P(0<p<1),而A不发生的概率为q(q=1−p),则n次实验中A发生k次的概率为:P(X=k)=(nk)pkqn−k,(k=0,1,2,⋯)
我们把这个n重伯努利试验中A发生的次数这个随机试验X服从的分布称为二项分布
记为B(n,p)。
![763e1c0a8ca0472eec7b2919b3f2d22](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- 泊松分布
泊松分布适合于描述单位时间(空间)内随机事件发生的次数。如加油站一小时内到达的车辆数,一个医院一天内出生二点新生儿数量,受伤单位面积内细菌的分布数量等等。
泊松分布用P(λ),Π(λ)表示,其分布律:P(X=k)=k!λke−λ,(k=0,1,2,⋯)这里λ>0是一个常数,表示单位时间(空间)内随机事件发生的平均次数。X P(λ)表示随机变量X服从参数为λ的泊松分布。拉K艺负拉比上k阶乘
![806b17628c3f68b8e61fdaa8c674278](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- 泊松定理
设λ>0是一个常数,n是任意正整数,设npn=λ,则对任一固定的非负整数k,有limn→∞(nk)pnk(1−p)n−k=k!λke−λ。
这个定理告诉我们:如果随机变量X B(n,p),当n很大,p很小时,X近似服从参数λ=np的泊松分布,即
![image-20230401122019188](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![ef14b953a933453bf2545d139455b29](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.5 随机变量的分布函数
2.5.1 定义
设X是随机变量,x是任意实数,则函数F(x)=P(X≤x),−∞<x<+∞称为X的分布函数。分布函数表示将随机变量X取值中小于等于x的所有取值对应的概率相加
。(主要是概率相加)(注意区分分布函数F(x)和概率P(X))
![image-20230401124908445](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
F(3.5)=P(X≤3.5)=P(X=1)+P(X=2)+p(x=3)=0.6。
2.5.2 性质
- F(x)是一个不减函数
- P(a<X≤b)=F(b)−F(a)
- 0≤F(x)≤1,F(−∞)=0,F(+∞)=1
- f(x)右连续
2.5.3 习题
![576216821768df3d5ff9e9f3cccc47c](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.6 一维连续型随机变量
2.6.1 定义
定义:如果对于随机变量X的分布函数F(x),存在非负可积函数f(x),使对任意实数x有F(x)=∫−∞xf(t)dt。则称X为连续型随机变量,f(x)称为X的概率密度函数
,简称概率密度
。
连续型:时间。例如:一辆车在8点到9点这一小时内任一时刻等可能到达
- 问车在8点10分52秒达到的概率。
(概率等于0,未必是不可能时间)
![image-20230401160551293](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- 问车在8点10分8点20分之间达到的概率。
![image-20230401160736090](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![image-20230401160934835](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.6.2 性质
- f(x)≥0
- ∫−∞+∞f(x)dt
- P(x1<X<x2)=F(x2)−F(x1)=∫x1x2f(x)dx
- P(x1≤x≤x2)=P(x1≤x<x2)=P(x1<x≤x2)=P(x1<x<x2)
- 若f(x)在点x处
连续
,则有F′(x)=f(x)
2.6.3 概率密度函数
使用概率密度函数描述随机变量发生的概率大小,借用物理的思想。虽然连续型随机变量的单点概率为零,但我们可以通过概率密度函数求出连续区间的概率。
![image-20230401161229245](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.6.4 分布函数
![image-20230401161746121](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.6.5 习题
![65a523c8fb0a73f475f1bde744c60c2](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.7 常见的连续型随机变量
2.7.1 均匀分布
![image-20230401165051884](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![image-20230401165211212](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![00ebc0472e78ca1d8c476ab51099778](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.7.2 指数分布
![image-20230401171515005](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
这里的λ和泊松分布中的λ一样。泊松分布中λ描述医院一天内平均出生新生儿的数量,指数分布中λ1描述两个新生儿出生的时间间隔。
指数分布的无记忆性
对于任意的s,t>0,有P(X>s+t∣X>s)=P(X>t)。一个元件的寿命服从指数分布,那么它已经工作了s小时,还能继续工作t小时的概率,就等于从最开始这个元件能工作t小时的概率。只看时间间隔,不看起始时间。
2.7.3 正态分布
正态分布,也叫常态分布、高斯分布(μ−σ)和(μ+σ)是正态分布曲线的两个拐点。
![image-20230401185343353](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![image-20230401185521752](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
注:① 关于x=μ对称;②当x=μ时取得最大值;③当x<μ时单调增加,当x>μ时单调减小;④x轴是正态分布的渐近线。
2.7.3.1 标准正态分布
若X N(0,1),,则称服从标准正态分布,有概率密度
![image-20230401190538528](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
注:①关于x=0对称,f(−x)=f(x),偶函数。
② (重要)分布函数ϕ(−x)=1−ϕ(x)。
![image-20230401191122065](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
第三个性质很重要,将非标准的正态分布转化为标准正态分布。
标准正态分布的函数值可以查表查出来。
2.7.3.2 习题
![ba0ec3749b4638e52009d37cad57b73](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.8 随机变量函数的分布
2.8.1 离散型随机变量函数的分布
![f8f0e44f435ba2f7c7b79d5d42f4ef3](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
2.8.2 连续型随机变量函数的分布
![image-20230401195246028](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![738c36f014baf5baccb0386d4edaf2d](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)