概率论与数理统计 第一章 概率论的基本概念

这篇具有很好参考价值的文章主要介绍了概率论与数理统计 第一章 概率论的基本概念。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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:AB=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=1nAk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=1nAk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:} :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} AB=AˉBˉ A ∩ B ‾ = A ˉ ∪ B ˉ \overline{A∩B} = \bar{A}∪\bar{B} AB=AˉBˉ

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:} :​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 A1A2,,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(A1A2An)=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) PA(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(A1A2An)=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 A1A2,,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(A1A2An)=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(BA)=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)=1P(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(A1A2An)=i=1nP(Ai)1i<jnP(AiAj)+1i<j<knP(AiAjAk)++(1)n1P(A1A2An)

​ 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(n1)(n2)(nm+1)=(nm)!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(n1)(n2)(nm+1)=Cnm(m1)!

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!(nm)!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+m1m)

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):

概率论与数理统计,概率论,算法,机器学习

2.有放回的摸球(放回抽样):
概率论与数理统计,概率论,算法,机器学习

1.4.3.2 分球入盒模型

1.盒子容量无限:
概率论与数理统计,概率论,算法,机器学习

2.每个盒子只能装一个球:
概率论与数理统计,概率论,算法,机器学习

3.综合例题:
概率论与数理统计,概率论,算法,机器学习
概率论与数理统计,概率论,算法,机器学习

1.4.3.3 分组问题

概率论与数理统计,概率论,算法,机器学习

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 kN)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)=(NDnk)/(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。} :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(BA)=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(BA)0

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

3.条件概率的性质:当P(A)> 0时

  • P ( B ∣ A ) ⩾ 0 P(B|A)\geqslant 0 P(BA)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=1nBiA)=i=1nP(BiA)
  • P ( S ∣ A ) = 0 , P ( ∅ ∣ A ) = 0 P(S|A)=0,P(∅|A)=0 P(SA)=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(BCA)=P(BA)+P(CA)P(BCA)
  • 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(BCA)=P(BA)+P(CA)
  • 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(BCA)=P(BA)P(BCA)
  • P ( B ˉ ∣ A ) = 1 − P ( B ∣ A ) P(\bar{B}|A)=1-P(B|A) P(BˉA)=1P(BA)

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(BA)P(A)=P(AB)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(CAB)P(BA)P(A)

  • n( n ⩾ 2 n\geqslant2 n2)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(A1A2An1)>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(A1A2An)=P(A1)P(A2A1)P(A3A2A1)P(AnAn1A2A1)

  • 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 B1B2Bn=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(AB1)P(B1)+P(AB2)P(B2)++P(ABn)P(Bn)=i=1nP(ABi)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(BiA)=i=1nP(ABi)P(Bi)P(ABi)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(AB)P(B)+P(ABˉ)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(BA)=P(A)P(AB)=P(AB)P(B)+P(ABˉ)P(Bˉ)P(AB)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(BA)=P(B),P(BAˉ)=P(B),P(AB)=P(A),P(ABˉ)=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

2. 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(BA)=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} ABˉ,AˉB,AˉBˉ

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。
    概率论与数理统计,概率论,算法,机器学习

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 n ( n ⩾ 2 ) n(n\geqslant2) n(n2)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

    • 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=2nn1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(n2)相互独立,则其中任意 k ( 2 ⩽ k ⩽ n ) k(2\leqslant k\leqslant n) k(2kn)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(n2)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 E k E_k Ek中的任一事件, A k ⊂ A_k \subset AkΩ 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 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} AAˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1p)(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

3. 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(1p)nk,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 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 \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} AAˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1p)(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

3. 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(1p)nk,k=0,1,2,,n文章来源地址https://www.toymoban.com/news/detail-841699.html

到了这里,关于概率论与数理统计 第一章 概率论的基本概念的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 概率论与数理统计期末复习

    泊松分布 连续性随机变量概率密度 概率密度积分求分布函数,概率密度函数积分求概率,分布函数端点值相减为概率 均匀分布 正太分布标准化 例题 离散型随机变量函数的分布 概率密度求概率密度 先积分,再求导 例题 二维离散型随机变量的分布 联合分布律 离散型用枚举

    2024年02月08日
    浏览(60)
  • 【概率论和数理统计-基本概念】

    自然界的 现象 分为两类,一类是 确定现象 ,如正负电荷的吸引;一类是 随机现象 ,如抛硬币出现正负。 研究后发现,随机现象也有 统计规律性 。 随机试验 随机现象(通过随机试验,来研究随机现象。) 样本空间 样本点 随机事件(特定情况下,样本空间的一个子集。

    2024年02月03日
    浏览(50)
  • 《概率论与数理统计》学习笔记

    重温《概率论与数理统计》进行查漏补缺,并对其中的概念公式等内容进行总结,以便日后回顾。 目录 第一章 概率论的基本概念 第二章 随机变量及其分布 第三章  多维随机变量及其分布 第四章  随机变量的数字特征 第五章  大数定律及中心极限定理 第六章  样本及抽样

    2024年02月03日
    浏览(40)
  • 概率论:数理统计基本概念——三大分布

    首先是X分布:    n=1的时候,f(y)就是正态分布平方的密度函数,这个可以用y=g(x)的密度函数计算方法来计算。 自由度是什么?: 很显然,几个X加起来,也就是自由度加起来:     接下来是t型分布:   这个T型分布建立在X型分布和标准正态分布上。   最后是F分布:    这

    2024年02月11日
    浏览(42)
  • 概率论与数理统计常用公式大全

    A − B = A − A B = A B ‾ B = A ‾    ⟺    A B = ∅    且 A ∪ B = Ω ( 1 ) 吸 收 律    若 A ⊂ B , 则 A ∪ B = B , A B = A ( 2 ) 交 换 律    A ∪ B = B ∪ A , A B = B A ( 3 ) 结 合 律    ( A ∪ B ) ∪ C = A ∪ ( B ∪ C ) , ( A B ) C = A ( B C ) ( 4 ) 分 配 律    A ( B ∪ C ) = A B ∪ A C , A ∪ B C = ( A ∪

    2024年02月11日
    浏览(46)
  • 概率论与数理统计基础知识

    本博客为《概率论与数理统计--茆诗松(第二版)》阅读笔记,记录下来,以便自用。 连乘符号: ;总和符号: ;正比于: ∝ ;“任意”符号:∀;“存在”符号:∃; 随机现象所有基本结果的全体称为这个随机现象的基本空间。常用Ω={w}表示,其中元素w就是基本结果

    2024年02月09日
    浏览(43)
  • 概率论与数理统计思维导图

    2024年02月11日
    浏览(49)
  • 概率论与数理统计---随机变量的分布

    随机变量 随机变量就是随机事件的数值体现。 例如投色子记录色子的点数,记录的点数其实就是一个随机变量,他是这个点数出现的数值体现。 注意: 随机变量X = X(e) , 是一个单实值函数,每个随机事件的结果只能对应一个随机变量。 X(e)体现的是对随机事件的描述,本质

    2024年02月13日
    浏览(44)
  • 概率论与数理统计发展历史简介

    概率论是与概率有关的数学分支。虽然有几种不同的概率解释,但概率论通过一组公理来表达该概念,以严格的数学方式对待该概念。通常,这些公理用概率空间形式化概率,将取值在 0 到 1 之间的度量(称为概率度量)分配给称为样本空间的一组结果。样本空间的任何指定

    2024年02月10日
    浏览(34)
  • 概率论与数理统计————3.随机变量及其分布

    设E是一个随机试验,S为样本空间,样本空间的任意样本点e可以通过特定的对应法则X,使得每个样本点都有与之对应的数对应,则称 X=X(e)为随机变量 分布函数: 设X为随机变量,x是任意实数,则事件{Xx}为随机变量X的分布函数,记为F(x) 即: F(x)=P(Xx) (1)几何意

    2024年01月18日
    浏览(39)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包