Processing math: 23%

概率论 Cheat Sheet 1:基本概念

  本系列整理自《概率论与数理统计(第四版)》(盛骤 等,高等教育出版社)一书,包含关键概念和推导,便于随查随用。

1. 随机试验

  随机试验具有以下特点:

  1. 可以在相同的条件下重复进行。
  2. 每次试验的可能结果不只有一个,并且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。

2. 样本空间、随机事件

2.1. 样本空间

  将随机试验 E 的所有可能结果组成的集合称为 E样本空间,记为 S。样本空间的元素,即 E 的每个结果,称为样本点

2.2. 随机事件

  称试验 E 的样本空间 S 的子集为 E随机事件,简称事件。在每次试验中,当且仅当这一子集中的一个样本点出现时,称这一事件发生

  由一个样本点组成的单点集称为基本事件

  样本空间 S 包含所有的样本点,它是 S 自身的子集,在每次试验中总是发生,S 称为必然事件

  空集 不包含任何样本点,它也作为样本空间的子集,在每次试验中都不发生, 称为不可能事件

2.3. 事件间的关系与事件的运算

  设试验 E 的样本空间为 S,而 ABAk (k=1,2,)S 的子集。

  1. 若 AB,则称事件 B 包含事件 A,事件 A 发生必然导致事件 B 发生。若 ABBA,即 A=B,则称事件 A 与事件 B 相等。

  2. 事件 AB={x|xAxB} 称为事件 A 与事件 B和事件。当且仅当 AB 中至少有一个发生时,事件 AB 发生。
  类似地,称 nk=1Akn 个事件 A1A2An 的和事件;称 k=1Ak 为可列个事件 A1A2 的和事件。

  3. 事件 AB={x|xAxB} 称为事件 A 与事件 B积事件。当且仅当 AB 同时发生时,事件 AB 发生。AB 也记作 AB
  类似地,称 nk=1Akn 个事件 A1A2An 的积事件;称 k=1Ak 为可列个事件 A1A2 的积事件。

  4. 事件 A – B = \{x | x \in A \; 且 \; x \notin B \} 称为事件 A 与事件 B差事件。当且仅当 A 发生,B 不发生时 A – B 发生。

  5. 若 A \cap B = \varnothing,则称事件 AB互不相容的,或互斥的。即事件 A 与事件 B 不能同时发生。基本事件是两两互不相容的。

  6. 若 A \cup B = SA \cap B = \varnothing,则称事件 A 与事件 B 互为逆事件,又称事件 A 与事件 B 互为对立事件。这指的是对每次试验而言,事件 AB 中必有一个发生,且仅有一个发生。A 的对立事件记为 \overline A\overline A = S – A

3. 频率与概率

3.1. 频率

  定义 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 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)

  频率具有如下性质:

  1. 0 \leq f_n(A) \leq 1
  2. f_n(S) = 1
  3. A_1A_2\cdotsA_k 是两两互不相容的事件,则 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)

3.2. 概率

  定义 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),称为事件 A 的概率,如果集合函数 P(\cdot)满足下列条件:

  1. 非负性:对于每一个事件 A,有 P(A) \geq 0
  2. 规范性:对于必然事件 S,有 P(S) = 1
  3. 可列可加性:设 A_1A_2\cdots 是两两互不相容的事件,即对于 A_iA_j = \varnothing, \; i \neq j, \; i,j = 1,2,\cdots,有

\begin{equation} P(A_1 \cup A_2 \cup \cdots) = P(A_1) + P(A_2) + \cdots \end{equation}

  概率有以下性质。

  性质 i P(\varnothing) = 0

  性质 ii (有限可加性)若A_1A_2\cdotsA_n 是两两互不相容的事件,则有

\begin{equation} P(A_1 \cup A_2 \cup \cdots \cup A_n) = P(A_1) + P(A_2) + \cdots + P(A_n) \end{equation}

  性质 iii 设 AB 是两个事件,若 A \subset B,则有

\begin{equation} P(B – A) = P(B) – P(A) \\ P(B) \geq p(A) \end{equation}

  性质 iv 对于任一事件 A

\begin{equation} P(A) \leq 1 \end{equation}

  性质 v (逆事件的概率)对于任一事件 A,有

\begin{equation} P(\overline A) = 1 – P(A) \end{equation}

  性质 vi (加法公式)对于任意两事件 AB

\begin{equation} P(A \cup B) = P(A) + P(B) – P(AB) \end{equation}

4. 等可能概型(古典概型)

  等可能概型古典概型)具有以下特的点:

  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。

  设试验的样本空间为 S = \{e_1, e_2, \cdots, e_n\}, 若事件 A 包含 k 个基本事件,即 A = e_{i_1} \cup e_{i_2} \cup \cdots \cup e_{i_k},这里 i_1, i_2, \cdots ,i_k1,2,\cdots,n 中某 k 个不同的数,则有

\begin{equation} P(A) = \sum_{j=1}^{k}P(\{e_{i_j}\}) = \frac{k}{n} = \frac{A包含的基本事件数}{S中基本事件的总数} \end{equation}

  超几何分布:设有 N 件产品,其中有 D 件次品,从中任取 n 件,恰有 kk \leq D)件次品的概率为

\begin{equation} p = \binom{D}{k}\binom{N-D}{n-k}/\binom{N}{n} \end{equation}

上式即所谓超几何分布的概率公式。

  对于任意实数 a 以及非负整数 r,定义

\begin{equation} \binom{a}{r} = \frac{a(a-1)\cdots(a-r+1)}{r!} \\ \binom{a}{0} = 1 \end{equation}

特别地,当 a 为正整数,且 r \leq a 时,\binom{a}{r} 即为组合数,即 \binom{a}{r} = C_a^r

  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。

5. 条件概率

5.1. 条件概率

  定义 设 AB 是两个事件,且 P(A) > 0,称

\begin{equation} P(B|A) = \frac{P(AB)}{P(A)} \end{equation}

为事件 A 发生的条件下事件 B 发生的条件概率

  条件概率 P(\cdot|A) 符合概率定义中的三个条件,即

  1. 非负性:对于每一事件 B,有 P(B|A) \geq 0
  2. 规范性:对于必然事件 S,有 P(S|A) = 1
  3. 可列可加性:设 B_1,B_2,\cdots 是两两互不相容的事件,则有

\begin{equation} P(\bigcup\limits_{i=1}{\infty}B_i|A) = \sum_{i=1}^{\infty}P(B_i|A) \end{equation}

  3.2 中概率的一些重要结果都适用于条件概率,例如对于任意事件 B_1B_2

\begin{equation} P(B_1 \cup B_2|A) = P(B_1|A) + P(B_2|A) – P(B_1B_2|A) \end{equation}

5.2. 乘法定理

  由条件概率定义,可得下述定理:

  乘法定理 设 P(A) > 0,则有

\begin{equation} P(AB) = P(B|A)P(A) \end{equation}

上式称为乘法公式

  一般地,设 A_1,A_2,\cdots,A_nn 个事件,n \geq 2,且 P(A_1 A_2 \cdots A_{n-1} > 0),则有

\begin{equation} P(A_1,A_2,\cdots,A_n) = P(A_n|A_1,A_2,\cdots,A_{n-1})P(A_{n-1}|A_1,A_2,\cdots,A_{n-2}) \cdots P(A_2|A_1) P(A_1) \end{equation}

5.3. 全概率公式和贝叶斯公式

  定义 设 S 为试验 E 的样本空间,B_1,B_2,\cdots B_nE 的一组事件,若

(i)B_iB_j = \varnothing, \; i \neq j, \; i, j = 1,2,\cdots,n
(ii)B_1 \cup B_2 \cup \cdots \cup B_n = S_n

则称 B_1,B_2,\cdots B_n 为样本空间 S 的一个划分

  若 B_1,B_2,\cdots B_n 是样本空间的一个划分,则对于每次试验,事件 B_1,B_2,\cdots B_n 中必有且仅有一个发生。

  定理 设试验 E 的样本空间为 SAE 的事件,B_1,B_2,\cdots B_nS 的一个划分,且 P(B_i) > 0i = 1,2,\cdots,n),则

\begin{equation} P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + \cdots + P(A|B_n)P(B_n) \end{equation}

上式称为 全概率公式

  在很多问题中 P(A) 不易直接求得,但却容易找到 S 的一个划分 B_1,B_2,\cdots B_n,且 P(B_i)P(A|B_i) 或为已知,或容易求得,那么就可以根据上式求得 P(A)

  定理 设试验 E 的样本空间为 SAE 的事件,B_1,B_2,\cdots B_nS 的一个划分,且 P(A) >0P(B_i) > 0i = 1,2,\cdots,n),则

\begin{equation} P(B_i|A) = \frac{P(A|B_i)P(B_i)}{\sum_{j=1}^{n}P(A|B_j)P(B_j)}, \; i = 1,2,\cdots,n \end{equation}

上式称为贝叶斯(Bayes)公式

   由条件概率的定义和全概率公式得

\begin{equation} P(B_i|A) = \frac{P(B_iA)}{P(A)} = \frac{P(A|B_i)P(B_i)}{\sum_{j=1}^{n}P(A|B_j)P(B_j)}, \; i = 1,2,\cdots,n \end{equation}

6. 独立性

  定义 设 AB 是两事件,如果满足等式

\begin{equation} P(AB) = P(A)P(B) \tag{6.1} \end{equation}

则称事件 AB 相互独立,简称 AB 独立

  若 P(A) > 0P(B) > 0,则 AB 相互独立与 AB 互不相容不能同时成立。

  定理一 设 AB 是两事件,且 P(A) > 0。若 AB 相互独立,则 P(B|A) = P(B)。反之亦然。

  定理二 若事件 AB 相互独立,则下列各对事件也相互独立:A\bar B\bar AB\bar A\bar B

  定义 设 ABC 是三个事件,如果满足等式

\begin{equation} P(AB) = P(A)P(B) \\ P(BC) = P(B)P(C) \\ P(AC) = P(A)P(C) \\ P(AAB) = P(A)P(B)P(C) \end{equation}

则称事件 ABC 相互独立

  一般,设 A_1,A_2,\cdots,A_nnn \geq 2)个事件,如果对于其中人气 2 个,任意 3 个,\cdots,任意 n 个事件的积事件的概率,都等于各事件概率之积,则称事件 A_1,A_2,\cdots,A_n 相互独立

  由定义,可以得到一下两个推论,

  1. 若事件 A_1,A_2,\cdots,A_nn \geq 2)相互独立,则其中任意 k2 \leq k \leq n)个事件也是相互独立的。
  2. 若事件 A_1,A_2,\cdots,A_nn \geq 2)相互独立,则将 A_1,A_2,\cdots,A_n 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。