第一章-概率论的基础知识
概率论基础知识
对于连续型随机变量来说，它取任一指定实数值a的概率均为0，即P{X＝a}＝0。事实上0≤P{X＝a}≤P{a－△x＜X≤a}＝F(a)－F(a－△x).P{a＜X≤b}＝P{a≤X≤b}＝P{a＜X＜b}.
定理二：若事件A与B相互独立，则下列各对事件也相互独立：
多个事件相互独立：一般，设A1，A2，…，An是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，都等于各事件概率之积，则称事件A1，A2，…，An相互独立。
推论：①若事件A1，A2，…，An(n≥2)相互独立，则其中任意k(2≤k≤n)个事件也是相互独立的。
第一章 概率论的基本概念
一、事件运算常用定律（设A,B,C为事件）：
二、频率与概率
1.概率的公理化定义：
①非负性：对于每一个事件A，有P加性：设A1，A2，…是两两互不相容的事件，即对于AiAj＝∅，i≠j，i,j＝1,2,…，有P(A1∪A2∪…)＝P(A1)＋P(A2)＋….
P{X＞s＋t|X＞s}＝P{X＞t}
3.正态分布(高斯分布)[X～N(μ,σ2)]：
正态分布性质：
①曲线关于x＝μ对称，这表明对于任意h＞0有P{μ－h＜X≤μ}＝P{μ＜X≤μ＋h }.
②当x＝μ时取到最大值 ，x离μ越远，f(x)的值越小。
③在x＝μ±σ处曲线有拐点。曲线以Ox轴为渐近线。
标准正态分布：μ＝0，σ＝1.其概率密度和分布函数分别用φ(x)，Φ(x)表示，即有：
②若n个事件A1，A2，…，An(n≥2)相互独立，则将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。
概率论知识点
第一章 随机事件及其概率§1.1 随机事件及其运算随机现象：概率论的基本概念之一。
是人们通常说的偶然现象。
其特点是,在相同的条件下重复观察时,可能出现这样的结果,也可能出现那样的结果,预先不能断言将出现哪种结果.例如,投掷一枚五分硬币,可能“国徽”向上,也可能“伍分”向上;从含有5件次品的一批产品中任意取出3件,取到次品的件数可能是0,1,2或3.随机试验：概率论的基本概念之一.指在科学研究或工程技术中,对随机现象在相同条件下的观察。
对随机现象的一次观察(包括试验、实验、测量和观测等),事先不能精确地断定其结果,而且在相同条件下可以重复进行,这种试验就称为随机试验。
样本空间: 概率论术语。
我们将随机试验E 的一切可能结果组成的集合称为E 的样本空间,记为Ω。
样本空间的元素,即E 的每一个结果,称为样本点。
随机事件：实际中,在进行随机试验时,人们常常关心满足某种条件的那些样本点所组成的集合.称试验E 的样本空间Ω的子集为E 的随机事件,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.特别,由一个样本点组成的单点集,称为基本事件.样本空间Ω包含所有的样本点,它是Ω自身的子集,在每次试验中它总是发生的,称为必然事件.空集Ø不包含任何样本点,它也作为样本空间的子集,它在每次试验中都不发生,称为不可能事件.互斥事件（互不相容事件）: 若事件A 与事件B 不可能同时发生，亦即ΦB A = ，则称事件A 与事件B 是互斥(或互不相容)事件。
互逆事件: 事件A 与事件B 满足条件ΦB A = ，Ω=B A ,则称A 与B 是互逆事件，也称A 与B 是对立事件,记作A B =（或B A =）。
互不相容完备事件组：若事件组n A A A ,,21满足条件ΦA A j i = ，（n 1,2j i, =），Ω== n 1i i A,则称事件组n A A A ,,21为互不相容完备事件组(或称n A A A ,,21为样本空间Ω的一个划分)。
概率论第一章
下面我们讨论事件之间的关系与运算
1、包含关系
⑶ 两个特殊事件
必然事件U ★ 必然事件U ★ 不可能事φ 不可能事φ
3、随机试验
如果一个试验可能的结果不止一个， 如果一个试验可能的结果不止一个，且事先不能肯定 会出现哪一个结果，这样的试验称为随机试验。 会出现哪一个结果，这样的试验称为随机试验。
例如, 掷硬币试验 例如, 寿命试验 测试在同一工艺条件下生产 掷骰子试验 掷一枚硬币，观察出正还是反. 掷一枚硬币，观察出正还是反 出的灯泡的寿命. 出的灯泡的寿命 掷一颗骰子， 掷一颗骰子，观察出现的点数
第一章 随机事件及其概率
随机事件及样本空间 频率与概率 条件概率及贝努利概型
§1 随机事件及样本空间
一、随机事件及其有关概念
1、随机事件的定义
试验中可能出现或可能不出现的情况叫“随机事件” 试验中可能出现或可能不出现的情况叫“随机事件”, 简称“事件” 记作A 简称“事件”。记作A、B、C等任何事件均可表示为样本空 间的某个子集。称事件A发生当且仅当试验的结果是子集A 间的某个子集。称事件A发生当且仅当试验的结果是子集A中 的元素。 的元素。
例如，一个袋子中装有10个大小、形状完全相同的球。 例如，一个袋子中装有10个大小、形状完全相同的球。 10个大小 将球编号为1 10。把球搅匀，蒙上眼睛，从中任取一球。 将球编号为1－10。把球搅匀，蒙上眼睛，从中任取一球。
因为抽取时这些球是完全平等的， 因为抽取时这些球是完全平等的， 我们没有理由认为10个球中的某一个会 我们没有理由认为10个球中的某一个会 10 比另一个更容易取得。也就是说，10个 比另一个更容易取得。也就是说，10个 球中的任一个被取出的机会是相等的， 球中的任一个被取出的机会是相等的， 均为1/10 1/10。 均为1/10。
概率论必备知识点
概率论必备知识点概率论是一门研究随机现象数量规律的数学分支，它在各个领域都有着广泛的应用，从物理学、生物学、经济学到计算机科学等。
以下是一些概率论中的必备知识点。
一、随机事件与概率随机事件是指在一定条件下，可能出现也可能不出现的事件。
例如，抛一枚硬币，正面朝上就是一个随机事件。
概率则是用来衡量随机事件发生可能性大小的数值。
概率的取值范围在 0 到 1 之间，0 表示不可能发生，1 表示必然发生。
计算概率的方法有多种。
对于等可能事件，概率等于事件所包含的基本结果数除以总的基本结果数。
例如，掷一个骰子，出现点数为 3的概率就是 1/6，因为骰子共有 6 个面，每个面出现的可能性相等，而点数为 3 的只有 1 种情况。
二、古典概型古典概型是一种最简单的概率模型。
在古典概型中，试验的结果是有限的，并且每个结果出现的可能性相等。
例如，从装有 5 个红球和 3 个白球的袋子中随机取出一个球，求取出红球的概率，这就是一个古典概型问题。
计算古典概型的概率，可以使用公式：P(A) ＝ n(A) ／n(Ω)，其中P(A)表示事件 A 发生的概率，n(A)表示事件 A 包含的基本结果数，n(Ω)表示总的基本结果数。
三、几何概型几何概型是古典概型的推广，当试验的结果是无限的，且每个结果出现的可能性相等时，就可以使用几何概型来计算概率。
例如，在一个时间段内等待公交车，求等待时间不超过 5 分钟的概率。
在几何概型中，概率等于事件对应的区域长度（面积或体积）除以总的区域长度（面积或体积）。
四、条件概率条件概率是指在已知某个事件发生的条件下，另一个事件发生的概率。
例如，已知今天下雨，明天晴天的概率就是一个条件概率。
条件概率的计算公式为：P(B|A) ＝ P(AB) ／ P(A)，其中 P(B|A)表示在事件 A 发生的条件下事件 B 发生的概率，P(AB)表示事件 A 和事件 B 同时发生的概率，P(A)表示事件 A 发生的概率。
高等数理统计笔记
高等数理统计笔记高等数理统计笔记第一章：概率论基础1.1 概率的引入1.2 概率的公理化定义1.3 概率的基本性质1.4 条件概率与独立性1.5 全概率公式与贝叶斯公式1.6 随机变量的引入与分布函数1.7 随机变量的分布函数及其性质1.8 随机变量的密度函数及其性质1.9 随机变量的数字特征第二章：多维随机变量及其分布2.1 二维随机变量及其联合分布函数2.2 二维随机变量的联合密度函数及其性质2.3 二维随机变量的条件分布函数及其性质2.4 二维随机变量的条件密度函数及其性质2.5 相互独立的随机变量2.6 随机变量的函数的分布及其性质2.7 两个随机变量的和的分布及其性质第三章：大数定理与中心极限定理3.1 大数定理的概念3.2 切比雪夫不等式3.3 伯努利大数定理3.4 辛钦大数定理3.5 中心极限定理的概念3.6 李雅普诺夫中心极限定理3.7 林德贝格-列维中心极限定理3.8 中心极限定理的应用第四章：参数估计4.1 点估计的概念与性质4.2 最大似然估计法4.3 矩估计法4.4 经验分布函数与分位数的估计4.5 贝叶斯估计第五章：假设检验5.1 总体均值检验的基本知识5.2 单个总体均值的假设检验5.3 单个总体比例的假设检验5.4 两个总体均值的假设检验5.5 两个总体比例的假设检验5.6 方差的假设检验5.7 单个总体分布的非参数检验5.8 两个总体分布的非参数检验第六章：方差分析与回归分析6.1 方差分析的基本概念6.2 单因素方差分析6.3 多因素方差分析6.4 回归分析的概念与简单回归6.5 最小二乘估计法6.6 多元回归分析第七章：统计抽样与抽样分布7.1 抽样调查的概念与方法7.2 抽样分布及其基本性质7.3 样本均值的分布7.4 样本平均数与总体均值的关系7.5 样本方差与总体方差的关系7.6 样本比与总体比的关系第八章：贝叶斯统计推断8.1 贝叶斯定理及其含义8.2 贝叶斯估计量的概念与性质8.3 最大后验概率估计8.4 确定性问题的贝叶斯推断方法第九章：序贯统计与时间序列分析9.1 序贯统计的概念与应用9.2 时间序列的基本概念与应用9.3 平稳序列与非平稳序列的区别9.4 自相关函数与自协方差函数9.5 平稳序列的谱分析9.6 自回归模型与移动平均模型9.7 估计方法与模型诊断第十章：非参数统计方法10.1 非参数统计的基本概念10.2 秩和检验10.3 秩和检验的应用10.4 秩次相关检验10.5 Friedmann检验10.6 克鲁斯卡尔-华里斯检验以上是一份高等数理统计的笔记，涵盖了概率论基础、多维随机变量及其分布、大数定理与中心极限定理、参数估计、假设检验、方差分析与回归分析、统计抽样与抽样分布、贝叶斯推断、序贯统计与时间序列分析、非参数统计方法等内容，共计6000字。
(完整版)概率论知识点总结
概率论知识点总结第一章 随机事件及其概率第一节 基本概念随机实验：将一切具有下面三个特点：（1）可重复性（2）多结果性（3）不确定性的试验或观察称为随机试验，简称为试验，常用 E 表示。
随机事件：在一次试验中，可能出现也可能不出现的事情（结果）称为随机事件，简称为事件。
不可能事件：在试验中不可能出现的事情，记为Ф。
必然事件：在试验中必然出现的事情，记为Ω。
样本点：随机试验的每个基本结果称为样本点，记作ω.样本空间：所有样本点组成的集合称为样本空间. 样本空间用Ω表示.一个随机事件就是样本空间的一个子集。
基本事件—单点集，复合事件—多点集 一个随机事件发生，当且仅当该事件所包含的一个样本点出现。
事件的关系与运算（就是集合的关系和运算）包含关系：若事件 A 发生必然导致事件B 发生，则称B 包含A ，记为A B ⊇或B A ⊆。
相等关系：若A B ⊇且B A ⊆，则称事件A 与事件B 相等，记为A ＝B 。
事件的和：“事件A 与事件B 至少有一个发生”是一事件，称此事件为事件A 与事件B 的和事件。
记为 A ∪B 。
事件的积：称事件“事件A 与事件B 都发生”为A 与B 的积事件，记为A∩ B 或AB 。
事件的差：称事件“事件A 发生而事件B 不发生”为事件A 与事件B 的差事件,记为 A －B 。
用交并补可以表示为B A B A =-。
互斥事件：如果A ，B 两事件不能同时发生，即AB ＝Φ，则称事件A 与事件B 是互不相容事件或互斥事件。
互斥时B A ⋃可记为A ＋B 。
对立事件：称事件“A 不发生”为事件A 的对立事件（逆事件），记为A 。
对立事件的性质：Ω=⋃Φ=⋂B A B A ,。
事件运算律：设A ，B ，C 为事件，则有 （1）交换律：A ∪B=B ∪A ，AB=BA（2）结合律：A ∪(B ∪C)=(A ∪B)∪C=A ∪B ∪C A(BC)=(AB)C=ABC（3）分配律：A ∪(B∩C)＝(A ∪B)∩(A ∪C) A(B ∪C)＝(A∩B)∪(A∩C)= AB ∪AC （4）对偶律（摩根律）：B A B A ⋂=⋃ B A B A ⋃=⋂第二节 事件的概率 概率的公理化体系： （1）非负性：P(A)≥0； （2）规范性：P(Ω)＝1（3）可数可加性： ⋃⋃⋃⋃n A A A 21两两不相容时++++=⋃⋃⋃⋃)()()()(2121n n A P A P A P A A A P概率的性质： （1）P(Φ)＝0（2）有限可加性：n A A A ⋃⋃⋃ 21两两不相容时)()()()(2121n n A P A P A P A A A P +++=⋃⋃⋃当AB=Φ时P(A ∪B)＝P(A)＋P(B) （3）)(1)(A P A P -=（4）P(A －B)＝P(A)－P(AB)（5）P （A ∪B ）＝P(A)＋P(B)－P(AB)第三节 古典概率模型1、设试验E 是古典概型, 其样本空间Ω由n 个样本点组成,事件A 由k 个样本点组成.则定义事件A 的概率为nk A P =)( 2、几何概率：设事件A 是Ω的某个区域，它的面积为 μ(A)，则向区域Ω上随机投掷一点，该点落在区域 A 的概率为)()()(Ω=μμA A P 假如样本空间Ω可用一线段，或空间中某个区域表示，则事件A 的概率仍可用上式确定，只不过把μ理解为长度或体积即可.第四节 条件概率条件概率：在事件B 发生的条件下，事件A 发生的概率称为条件概率，记作 P(A|B).)()()|(B P AB P B A P =乘法公式：P(AB)=P(B)P(A|B)＝P(A)P(B|A)全概率公式：设n A A A ,,,21 是一个完备事件组，则P(B)=∑P(i A )P(B|i A ) 贝叶斯公式：设n A A A ,,,21 是一个完备事件组,则∑==)|()()|()()()()|(jj i i i i A B P A P A B P A P B P B A P B A P第五节 事件的独立性两个事件的相互独立：若两事件A 、B 满足P(AB)= P(A) P(B)，则称A 、B 独立，或称A 、B 相互独立.三个事件的相互独立：对于三个事件A 、B 、C ，若P(AB)= P(A) P(B)，P(AC)= P(A)P(C)，P(BC)= P(B) P(C)，P(ABC)= P(A) P(B)P(C)，则称A 、B 、C 相互独立三个事件的两两独立：对于三个事件A 、B 、C ，若P(AB)= P(A) P(B)，P(AC)= P(A)P(C)，P(BC)= P(B) P(C)，则称A 、B 、C 两两独立独立的性质：若A 与B 相互独立，则A 与B ，A 与B ，A 与B 均相互独立总结：1.条件概率是概率论中的重要概念，其与独立性有密切的关系，在不具有独立性的场合，它将扮演主要的角色。
第一章-概率论的基础知识
组合（不放回抽样）：从含有n个元素的集合中 随机抽取k个，共有
n A n! k Cn k k ! k !(n k )!
k n
种取法.
(1) 摸球问题 例1:设盒中有4个白球，2个红球，现从盒中
任抽2个球，分别在放回抽样与不放回抽样的
情况下求
(1)取到两只白球的概率。
AB
“A发生必导致B发生”。
2.和事件： (p4) AB
AB发生“事件A与B 至少有一个发生”
i 2’n个事件A1, A2,…, An至少有一个发生 A发生 i 1
n
3. 积事件(p4) :AB＝AB
A与B同时发生 AB发生
3’n个事件A1, A2,…, An同时发生 A1A2…An发生
容的事件，即AiAj＝，(ij), i , j＝1, 2, …, 有
P( A1 A2 … )＝ P(A1) ＋P(A2)+…. 则称P(A)为事件A的概率。( p8) 称为概率的公理化定义
概率的性质 P(8-9) (1) P() 0 (2) 有限可加性：设A1，A2，…，An , 是n个两两互 不相容的事件，即AiAj＝ ，(ij), i , j＝1, 2, …, n , 则有 P( A1 A2 … An)＝ P(A1) ＋P(A2)+… +P(An); (3) 单调不减性：若事件AB，则 P(A)≥P(B) A S , P( A) 1
解：
P( A B) 0.6 ,
求 P( AB )
P( AB) P( A B) P( A) P( AB)
P( A) [ P( A) P( B) P( A B)]
0.4 (0.4 0.3 0.6) 0.3
概率论与数理统计基础知识
从集合的角度看
B
A
事件是由某些样本点所构成的一个集合．一个事件发 生，当且仅当属于该事件的样本点之一出现．由此可 见，样本空间Ω作为一个事件是必然事件，空集Ø作 为一个事件是不可能事件，仅含一个样本点的事件称 为基本事件．
2. 几点说明
⑴ 随机事件可简称为事件, 并以大写英文字母
A, B, C,
基本事件 实例
由一个样本点组成的单点集.
“出现1点”, “出现2点”, … , “出现6点”.
必然事件 随机试验中必然会出现的结果. 实例 上述试验中 “点数不大于6” 就是必然事件. 不可能事件 随机试验中不可能出现的结果. 实例 上述试验中 “点数大于6” 就是不可能事件. 必然事件的对立面是不可能事件,不可能事 件的对立面是必然事件,它们互称为对立事件.
说明 1. 随机试验简称为试验, 是一个广泛的术语.它包 括各种各样的科学实验, 也包括对客观事物进行的 “调查”、“观察”或 “测量” 等. 2. 随机试验通常用 E 来表示. 实例 “抛掷一枚硬币,观 察正面,反面出现的情况”.
分析 (1) 试验可以在相同的条件下重复地进行; (2) 试验的所有可能结果: 字面、花面; (3) 进行一次试验之前不能 确定哪一个结果会出现. 故为随机试验.
将下列事件均表示为样本空间的子集. (1) 试验 E2 中(将一枚硬币连抛三次，考虑正反 面出现的情况),随机事件: A＝“至少出现一个正面” B=“三 次出现同一面” C=“恰好出现一次正面” (2) 试验 E6 中(在一批灯泡中任取一只，测试其 寿命),D＝“灯泡寿命不超过1000小时”
(1)由S2= {HHH, HHT, HTH, THH，HTT，THT， TTH,TTT}； 故: A＝{HHH, HHT, HTH, THH，HTT，THT， TTH}； B={HHH,TTT} C={HTT，THT，TTH} (2) D＝{x: x<1000(小时）}。
大一概率论的基本知识点
大一概率论的基本知识点概率论是一门研究随机现象的理论，它在现代科学和工程技术等领域有广泛应用。
大一学习概率论时，我们需要掌握一些基本的知识点。
本文将介绍大一概率论的基本知识点，包括随机事件、概率、条件概率、独立性等。
一、随机事件随机事件是由一个随机试验产生的结果，它可以是一个具体的值，也可以是一个范围。
例如，掷一枚骰子后，出现的点数就是一个随机事件。
随机事件通常用大写字母表示，如A、B等。
二、概率概率是指随机事件发生的可能性大小。
概率的取值范围是0到1之间，表示从不发生到必然发生的程度。
概率可以通过实验或统计的方法估计，也可以通过理论计算得出。
三、概率公理概率论建立在概率公理的基础上。
概率公理包括三个部分：非负性、规范性和可列可加性。
非负性指概率的取值必须大于等于0；规范性指全样本空间的概率为1；可列可加性指对于两个互不相容的事件，它们的概率可以相加。
四、条件概率条件概率是指在已知某个事件发生的条件下，另一个事件发生的概率。
条件概率可以用P(A|B)表示，表示在事件B发生的情况下，事件A发生的概率。
条件概率的计算公式为P(A|B) = P(A∩B) / P(B)。
五、独立性两个事件A和B是独立的，指的是事件A的发生与否不会影响事件B的发生概率，反之亦然。
如果事件A和事件B是独立的，那么它们的联合概率等于各自的概率的乘积，即P(A∩B) = P(A) *P(B)。
六、贝叶斯定理贝叶斯定理是概率论中的重要定理，它用于计算在已知某个事件发生的条件下，另一个事件发生的概率。
根据贝叶斯定理，可以将条件概率的计算方向颠倒。
贝叶斯定理的表达式为P(A|B) = P(B|A) * P(A) / P(B)，其中P(B|A)表示在事件A发生的情况下，事件B发生的概率。
七、随机变量随机变量是对随机试验结果的数量化描述。
随机变量可以是离散的或连续的。
离散随机变量只能取有限个或可列个值，例如投掷一枚硬币的结果可以是正面或反面；连续随机变量可以取无限个值，例如测量一个人的身高。
概率论基础讲义全
概率论基础知识第一章随机事件及其概率随机事件§几个概念1、随机实验:满足下列三个条件的试验称为随机试验|;（1）试验可在相同条件下重复进行；（2）试验的可能结果不止一个，且所有可能结果是已知的；（3）每次试验哪个结果出现是未知的；随机试验以后简称为试验，并常记为E。
例如：曰：掷一骰子，观察出现的总数；E2：上抛硬币两次，观察正反面出现的情况；E3:观察某电话交换台在某段时间内接到的呼唤次数2、随机事件：在试验中可能出现也可能不出现的事情称为随机事件:常记为A，B, C例如，在E i中，A表示掷出2点”，B表示掷出偶数点”均为随机事件3、必然事件与不可能事件：每次试验必发生的事情称为必然事件，记为Q。
每次试验都不可能发生的事情称为不可能事件，记为①。
例如，在E i中，掷出不大于6点”的事件便是必然事件，而掷出大于6点”的事件便是不可能事件，以后，随机事件，必然事件和不可能事件统称为事件4、基本事件：试验中直接观察到的最简单的结果称为基本事件。
例如，在曰中，掷出1点”，掷出2点”，……，掷'出6点”均为此试验的基本事件由基本事件构成的事件称为复,例如，在E i中掷出偶数点”便是复合事件5、样本空间：从集合观点看，称构成基本事件的元素为样本点,常记为e.例如，在E i中，用数字1, 2,......,6表示掷出的点数，而由它们分别构成的单点集{1}, {2}, (6)便是E i中的基本事件。
在E2中，用H表示正面，T表示反面，此试验的样本点有(H , H),( H , T),( T, H ),( T, T),其基本事件便是{ ( H, H) }, { ( H , T) }, { (T, H ) }, { (T, T) }显然，任何事件均为某些样本点构成的集合。
例如，在E i中掷出偶数点”的事件便可表为{2, 4, 6}。
试验中所有样本点构成的集合称为样本空间。
记为Qo例如，在E i 中，Q={1 , 2, 3, 4, 5, 6}在E2 中，Q={ ( H , H),( H , T),( T, H),( T, T) }在E s 中，Q={0 , 1, 2,……}例1, 一条新建铁路共10个车站，从它们所有车票中任取一张，观察取得车票的票种此试验样本空间所有样本点的个数为N Q=P 210=90.（排列：和顺序有关，如北京至天津、天津至北京）若观察的是取得车票的票价，则该试验样本空间中所有样本点的个数为10）=452（组合）例2 .随机地将15名新生平均分配到三个班级中去，观察15名新生分配的情况。
第一章(1) 概率论的基本概念
3
故在这一次试验中，事件Ｂ发生了； A ， 故在这一次试验中，事件Ａ没有发生。
若再掷骰子一次，出现点数６，则在这一次试验中
事件Ａ发生了，而事件Ｂ未发生。
A
A
事件Ａ发生
事件Ａ未发生
上页
广 东 工 业 大 学
下页
返回
4、必然事件 S 每一次试验中必然会发生的事件。 ５、不可能事件 每一次试验中必然不会发生的事件。 ６、基本事件
（H H H），（T H H），（H T H），（T T H） } （H H T），（T H T），（H T T），（T T T）
E7：对目标进行射击，记录着弹点的位置。
S 7 {( ,观察两次试验结果。
第一次有6个可能的结果 第二次也有6个可能的结果
上页
广 东 工 业 大 学
下页
返回
随机现象
在个别试验中其结果呈现出不确定性，但重复试验中其 结果又具有一定的规律性的非确定性现象称为随机现象。
随机事件的发生具有偶然性, 机遇性，在一次试验中， 可能发生，也可能不发生。但在大量重复试验中，随机现象 常常表现出这样或那样的统计规律，称为随机现象的统计规 律性。 概率论与数理统计的研究对象：随机现象的统计规律性
上页
广 东 工 业 大 学
下页
返回
§2 样本空间、随机事件
一、样本空间 (Sampling space) １、样本空间： 把随机试验E的所有可能结果组成的集合称为随机试验 E的样本空间，记为S（或）。 ２、样本点 (Sampling point): 样本空间的元素，即E的每个可能的结果称为样本点。
上页
广 东 工 业 大 学
下页
返回
不确定性现象都没有规律可循吗？
第一章概率论基础知识
P{x1Xx2}P{x1Xx2}P{Xx1} F(x2)F(x1)P{Xx1}
2020/12/26
■分布函数的性质
⑴ 单调不减性：若x1 x2，则 F(x1) F(x2)
⑵ 归一 性：对任意实数x, 0Fx1，且
F ( )lim F (x)0,F( )lim F(x)1 ;
解 由题意可知 RX{0,1,2,3}，则 X 的分布律为
X0
1
2
3
p k p 3 C31(1p)p2 C32(1p)2p (1 p )3
2020/12/26
将 p 1/2带入可得 X 的分布律为
X0
1
2
3
pk 1
3
3
1
8
8
8
8
2020/12/26
2.常用的离散型随机变量
（1） (0—1)分布 定义1 如果随机变量X的分布律为
x
x
⑶ 右连续性：对任意实数 X F (x 0 ) lim F (t) F (x ).
t x
具有上述三个性质的实函数，必是某个随机变量的分 布函数。故该三个性质是分布函数的充分必要性质。
2020/12/26
例1 已知 F xA arcx tB a，n求 A，B。
解
FAB0
2
FAB1
A1
F'xfx
2020/12/26
例1 设X 的分布函数为 Fx1e2x, x0
0, x0
求 P X 2 ,P X 3 ,fx .
解 PX2F2 1e4
P X31PX31F3 e 6
fxFx
2e
2
x
概率论基础知识
则 P(A)=95/100, P(B|A)=5/100, P(B)=5/100。
注：由计算结果可见，本例中事件A与B是相互独立的。下面 我们来检验一下是否 P(AB)=P(A) P(B)。
事实上，由于A与B相互独立，事件AB可看成一个事件分
两个阶段发生：“第一次抽到正品，第二次抽到次品”，第 一阶段事件发生的可能性为 1 为
C100
1 C95
，第二阶段事件发生的可能性 1 .
C100
1 C5
1 1 C95 C5 95 5 故按乘法原理， P( AB) 1 1 P( A) P( B) C100 C100 100 100
§6 随机变量的概念
设试验 E 的样本空间为，X(e)是与样本 e 有关的一个量。 若对每个可能发生的结果(样本)e，都有唯一的实数X(e)与之 对应，则称变量X(e)为随机变量，简记为 X。 注: (1) 若一个随机变量 X 的所有取值能够一一列举出来，则称
§5 事件的独立性
若一个事件发生的概率不受另一事件发生的影响，
则称这两个事件是相互独立的。或者说，若 P(B|A)=P(B)， 则称 A 与 B 相互独立。 注：事件A与 B 相互独立当且仅当 P(AB)=P(A) P(B).
例9 某厂生产的100个零件中有5个次品，采用有放回抽样，求 抽出的第 1 件为正品且第 2 件是次品的概率，及第二次抽到次 品的概率。 解：设 A为第一次抽到的是正品；B为第二次抽到的是次品。
= {1, 2, 3, 4, 5, 6} 令：A=“出现不大于4的点”，B=“出现小于3的点”。
则A、B是上的两个事件：A={1, 2, 3, 4}, B={1, 2}。
当投掷结果出现4时，A发生； 当投掷结果出现2时，A、B都发生；
概率论知识点
（10）加法公式
P(A+B)=P(A)+P(B)-P(AB)
当P(AB)＝0时，P(A+B)=P(A)+P(B)
（11）减法公式
P(A-B)=P(A)-P(AB)
当B A时，P(A-B)=P(A)-P(B)
当A=Ω时，P( )=1- P(B)
（12）条件概率
定义 设A、B是两个事件，且P(A)>0，则称 为事件A发生条件下，事件B发生的条件概率，记为 。
泊松分布
设随机变量 的分布律为
， ， ，
则称随机变量 服从参数为 的泊松分布，记为 或者P( )。
泊松分布为二项分布的极限分布（np=λ，n→∞）。
超几何分布
随机变量X服从参数为n,N,M的超几何分布，记为H(n,N,M)。
几何分布
，其中p≥0，q=1-p。
随机变量X服从参数为p的几何分布，记为G(p)。
若事件、相互独立，则可得到与、与、与也都相互独立。
必然事件和不可能事件Ø与任何事件都相互独立。
Ø与任何事件都互斥。
②多个事件的独立性
设ABC是三个事件，如果满足两两独立的条件，
P(AB)=P(A)P(B)；P(BC)=P(B)P(C)；P(CA)=P(C)P(A)
并且同时满足P(ABC)=P(A)P(B)P(C)
Z=X+Y
根据定义计算：
对于连续型，fZ(z)＝
两个独立的正态分布的和仍为正态分布（ ）。
n个相互独立的正态分布的线性组合，仍服从正态分布。
，
Z=max,min(X1,X2,…Xn)
若 相互独立，其分布函数分别为 ，则Z=max,min(X1,X2,…Xn)的分布函数为：
概率论第一章知识点总结
概率论第一章知识点总结
概率论第一章主要介绍了以下几个知识点：
1. 随机试验：指具有以下三个特征的试验：可以进行多次独立重复；每次试验只有两个可能结果中的一个发生；每次试验发生的概率相同。
2. 样本空间：随机试验的所有可能结果构成的集合称为样本空间，通常用S表示。
3. 事件：样本空间的任意子集称为事件，通常用A、B等大写字母表示。
4. 概率：事件A发生的概率定义为P(A)=n(A)/n(S)，其中n(A)表示事件A中元素的个数，n(S)表示样本空间中元素的个数。
5. 概率的性质：对于任意事件A和B，有以下性质：
(1) 0 ≤ P(A) ≤ 1
(2) P(S) = 1
(3) P(A∪B) = P(A) + P(B) - P(A∩B)
(4) 若A和B互不相容（即A∩B=），则P(A∪B) = P(A) + P(B) 6. 条件概率：事件B在事件A发生的条件下发生的概率称为条件概率，记为P(B|A)，计算公式为P(B|A) = P(A∩B) / P(A)。
7. 乘法公式：对于任意事件A1，A2，…，An，有P(A1∩A2∩…∩An) = P(A1)P(A2|A1)P(A3|A1∩A2)…P(An|A1∩A2∩…∩An-1)。
8. 全概率公式和贝叶斯公式：全概率公式和贝叶斯公式是基于条件概率的重要公式，用于计算复杂事件的概率。
其中全概率公式为：
P(B) = Σi=1,2,…,nP(Ai)P(B|Ai)，贝叶斯公式为：P(Aj|B) = P(Aj)P(B|Aj)/Σi=1,2,…,nP(Ai)P(B|Ai)。
概率论基础知识
则 A 与 B 便是互不相容的。
7、对立：称事件 A 不发生的事件为 A 的对立事件，记为 显然
，A∩ =φ
例如，从有 3 个次品，7 个正品的 10 个产品中任取 3 个，若令 A={取得的 3 个产品中至少有一个次品}，则 ={取得的 3 个产品均为正品}。
第 4 页 共 73 页
而 P（B）=3P（A）=
概率论基础知识
定义 1：在古典概型中，设其样本空间Ω所含的样本点总数，即试验的基本事件总数为 NΩ而事件 A 所 含的样本数，即有利于事件 A 发生的基本事件数为 NA，则事件 A 的概率便定义为：
例 1，将一枚质地均匀的硬币一抛三次，求恰有一次正面向上的概率。 解：用 H 表示正面，T 表示反面，则该试验的样本空间
若 A B，则 A∪ B=B, A∩ B=A A-B=A-AB= A
等等。
第 3 页 共 73 页
概率论基础知识
例 3，从一批产品中每次取一件进行检验，令 Ai={第 i 次取得合格品},i=1,2,3,试用事件的运算符号表示 下列事件。A={三次都取得合格品}Ｂ＝｛三次中至少有一次取得合格品｝Ｃ＝｛三次中恰有两次取得合 格品｝Ｄ＝｛三次中最多有一次取得合格品｝
2048 4040 12000 24000 30000
概率论基础知识
1061 2148 6019 12012 14994
0．5180 0．5069 0．5016 0．5005 0．4998
定义 2：在相同条件下，将试验重复 n 次，如果随着重复试验次数 n 的增大，事件 A 的频率 fn(A)越来越 稳定地在某一常数 p 附近摆动，则称常数 p 为事件 A 的概率，即 P（A）=p 不难证明频率有以下基本性质：
概率论基础知识
对立事件概率 “至少一个的”对立事件是该事件没有发生 “至少一个”的计算过程 设A为至少一个事件发生 求事件A没有发生的概率 至少一个事件发生的概率=1-事件没有发生的概率
条件概率 一个事件的条件概率是指通过其他时间发生的额外信息所得概率 假设事件A发生了，计算事件B发生的概率 A和B同时发生的概率/A发生的概率
概率论基础知识
概率
概率的基本概念 基本定义 事件是一个过程的结果或结果的任意集合 对立事件：事件未发生的所有结果组成 简单事件时不能进一步拆分的结果或事件 一个过程的样本空间由所有可能得简单事件组成 计算事件概率的三种方法 相对频数法 事件概率=事件发生的次数/重复该过程的次数 经典计算法 如果一个过程由N个等可能性的不同简单事件，且事件A有S种不同的发生 方式 事件概率=事件A可能发生的次数/不同简单事件的个数 主观估计法 根据相关情况估计事件发生的概率
贝叶斯定理 贝叶斯定理的重要性和实用性在于可以利用连续事件，由此可以通过后续事件中 的新信息修正初始事件的概率 先验概率：在未获得额外信息情况下的初始概率 后验概率：在获得额外信息情况下的修正概率
计数法则
乘法计数法则 对于一个事件序列，第一个事件可以有n1种发生方式，第二个事件可以有n2种 发生方式，第三个时间可以有n3种发生方式，以此类推，事件结果总数为 n1*n2*n3
阶乘法则 有n种不同的方式可以从所有元素中选出第一个元素，有n-1种不同的方式可以 从n-1个元素中选出第二个元素，以此类推 阶乘法则：n个不同元素的排列方式总数n！等于所有小于或等于该数的正整数 乘积
排列法则(元素相异) 从n个元素中无放回地任取r个元素排成一列，并考虑他们之间的先后次序，其排 列数为n!/(n-r)!
《概率论与数理统计》第一章知识点
第一章随机事件及概率1.1随机事件1.1.1随机试验一、人在实际生活中会遇到两类现象：1.确定性现象：在一定条件下实现与之其结果。
2.随机现象（偶然现象）：在一定条件下事先无法预知其结果的现象。
二、随机试验满足条件：1.实验可以在相同条件写可以重复进行；（可重复性）2.事先的所有可能结果是事先明确可知的；（可观察性）3.每次实验之前不能确定哪一个结果一定会出现。
（不确定性）1.1.2样本空间1.样本点：每次随机试验E 的每一个可能的结果，称为随机试验的一个样本点，用w 表示。
2.样本空间：随机试验E 的所有样本点组成的集合成为试验E 的样本空间。
1.1.3随机事件1.随机事件：一随机事件中可能发生也可能不发生的事件称为试验的随机事件。
2.基本事件：试验的每一可能的结果称为基本事件。
一个样本点w 组成的单点集{w}就是随机试验的基本事件。
3.必然事件：每次实验中必然发生的事件称为必然事件。
用Ω表示。
样本空间是必然事件。
4.不可能事件：每次试验中不可能发生的事件称为不可能事件，用空集符号表示。
1.1.4事件之间的关系和运算1.事件的包含及相等“如果事件A 发生必然导致事件B 发生”，则称事件B 包含事件A ，也称事件A 是B 的子事件，记作A B B A ⊃⊂或。
2.事件的和（并⋃）“事件A 与B 中至少有一个事件发生”，这样的事件称为事件A 与B 的和事件，记作B A 。
3.事件的积（交⋂）“事件A 与B 同时发生”，这样的事件称作事件A 与B 的积（或交）事件，记作AB B A 或 。
4.事件的差“事件A 发生而事件B 不发生”，这样的事件称为事件A 与B 的差事件，记作A-B 。
5.事件互不相容（互斥事件）“事件A 与事件B 不能同时发生”，也就是说，AB 是一个不可能事件，即=AB 空集，即此时称事件A 与事件B 是互不相容的（或互斥的）6.对立事件“若A 是一个事件，令A A -Ω=,称A 是A 的对立事件，或称为事件A 的逆事件”事件A 与事件A 满足关系：=A A 空集，Ω=A A 对立事件一定是互斥事件；互斥事件不一定是对立事件。
第一讲概率论基本知识
第一章 概率论基础知识概率论是随机过程的基础，在传统的概率论中，限于各种原因，往往借助于直观理解来说明一些基本概念，这对于简单随机现象似乎无懈可击，但对于一些复杂随机现象就难以令人信服了.随着随机数学理论的不断完善，随机过程越来越成为现代概率论的一个重要分支和发展方向. 为了更好地学习随机过程，我们必须对基础概率论的理论有一个比较深入和全面的了解.本章就是在此基础上系统介绍概率论基础知识，包括概率空间、随机变量及其分布、数学期望的若干性质、特征函数和母函数、随机变量列的收敛性及其相互关系、条件数学期望等.1．1 概率空间概率论是研究随机现象统计规律的一门数学分科，由于随机现象的普遍性，使得概率论具有极其广泛的应用.随机试验是概率论的基本概念之一，随机试验所有可能结果组成的集合称为这个试验的样本空间，记为Ω.Ω中的元素ω称为样本点，Ω中的子集A 称为随机事件，样本空间Ω也称为必然事件，空集Φ称为不可能事件.定义 1.1 设Ω是一个集合，F 是Ω的某些子集组成的集合簇（collection ）（或称集类），如果 （1）Ω∈F ；（2）若A ∈F ，则\A A =Ω∈F ；（取余集封闭） （3）若n A ∈F ,1,2,n = ，则1n n A ∞=∈ F ；（可列并封闭）则称F 为σ-代数（sigma algebra -）（B orel 域或事件域（field of events ）），（,ΩF ）称为可测空间（m easurable space ）.由定义可以得到 （4）Φ∈F ；（5）若,A B ∈F ，则\A B ∈F ；（取差集封闭）（6）n A ∈F ,1,2,n = ，则1ni i A = ，1ni i A = ，1i i A ∞= ∈F （有限交，有限并，可列交封闭）定义1.2 设（,ΩF ）为可测空间，()P ⋅是定义在F 上的实值函数，如果 （1）任意A ∈F ,0()1P A ≤≤；（非负性） （2）()1P Ω=；（正规性）（3）对两两互不相容事件12,,A A （当i j ≠时，i j A A =Φ ），有11()i ii i P A P A ∞∞==⎛⎫=⎪⎝⎭∑ （可列可加性）. 则称P 是（,Ω F）上的概率（p r o b a b i l i ），(,ΩF ，P ）称为概率空间（probability space ），()P A 为事件A 的概率. 由定义知（4）,A B ∈F ,A B ⊂，则(\)()()P B A P B P A =- （可减性）一事件列{,1}n A n ≥称为单调增列，若1,1n n A A n +⊂≥；称为单调减列，若1,n n A A +⊃1n ≥. 显然，如果{,1}n A n ≥为单调增列，则1lim n in i A A∞→∞==；如果{,1}n A n ≥为单调减列，则1lim n in i A A∞→∞==.（5）（概率的连续性）若{,1}n A n ≥是递增或递减的事件列，则lim ()(lim )n n n n P A P A →∞→∞=定义1.3 设(,ΩF ，P ）为概率空间，B ∈F ，且()0P B >，如果对任意A ∈F ，记()(|)()P AB P A B P B =则称(|)P A B 为事件B 发生条件下事件A 发生的条件概率（conditional probability ）. 由条件概率的定义可得到： （1）乘法公式 设,A B ∈F ，则()()(|)P AB P B P A B =一般地，若i A ∈F ,1,2,,i n = ，且121()0n P A A A -> ，则121121312121()()(|)(|)(|)n n n P A A A P A P A A P A A A P A A A A --=（2） 全概率公式 设(,ΩF ，P ）是概率空间，A ∈F ，i B ∈F ,1,2,,i n =()i j B B i j =Φ≠，且1,()0,ni i i B P B ==Ω> ，则1()()(|)niii P A P B P A B ==∑（3） （Bayes 公式）设(,ΩF ，P ）是概率空间，A ∈F ，i B ∈F ,1,2,,i n =()i j B B i j =Φ≠，且1,()0,()0ni i i B P B P A ==Ω>> ，则1()(|)(|)()(|)i i i niii P B P A B P B A P B P A B ==∑一般地，若12,,,n A A A ∈ F ，有11()()nni ii i P A P A ===∏ , 则称F 为独立事件簇.1.2 随机变量及其分布随机变量是概率论的主要研究对象之一，随机变量的统计规律用分布函数来描述. 定义 1.4 设(,ΩF ，P ）为概率空间，()X X ω=是定义在Ω上的实值函数，如果对于任意实数x ，有()1(,]Xx --∞={}:()X x ωω≤∈F ，则称()X ω为F上的随机变量（random variable ），简记为..r v X .随机变量实质上是（,ΩF ）到(,R B ()R ）上的可测映射（函数），记1(){()|X XB B σ-=∈B ()R }⊂F ，称()X σ为随机变量X 所生成的σ域.称{}()1()():()((,])(,]F x P X x P X xP X x P Xx ωω-=≤=≤=∈-∞=-∞为随机变量X 的分布函数(distribution function )(简记.d f ).由定义，分布函数有如下性质：（1）()F x 为不降函数：即当12x x <时，有12()()F x F x ≤； （2）()lim ()0,x F F x →-∞-∞==()lim ()1x F F x →+∞+∞==；（3）()F x 是右连续的，即()()F x F x ο+=可以证明，定义在R 上的实值函数()F x ，若满足上述三个性质，必能作为某个概率空间(,ΩF ，P ）上某个随机变量的分布函数.推广到多维情形，类似可得到定义 1.5 设(,ΩF ，P ）为概率空间，()12()(),(),,()n X X X X X ωωωω== 是定义在Ω上的n 维空间n R 中取值的向量实值函数.对于任意12(,,,)n n x x x x R =∈ ，有{}1122:(),(),,()n n X x X x X x ωωωω≤≤⋅⋅⋅≤∈F ，则称()X X ω=为n 维随机变量，称12()(,,,)n F x F x x x P =⋅⋅⋅={}1122:(),(),,()n n X x X x X x ωωωω≤≤⋅⋅⋅≤为()12()(),(),,()n X X X X X ωωωω==⋅⋅⋅的联合分布函数.随机变量有两种类型：离散型随机变量和连续型随机变量，离散型随机变量的概率分布用概率分布列来描述：(),1,2,k k p P X x k === ，其分布函数为()k k x xF x p ≤=∑；连续型随机变量的概率分布用概率密度函数()f x 来描述，其分布函数为()()x F x f t dt -∞=⎰.类似地可定义n 维随机变量12(,,,)n X X X X = 的联合分布列和联合分布函数如下： 对于离散型随机变量12(,,,)n X X X X = ，联合分布列为()121122,,,n x x x n n p P X x X x X x ====其中,i i i x I I ∈为离散集，1,2,,i = n ，X 的联合分布函数为： 1,12,,121,2,,(,,,)(,,,)n i i nn x x n x y i n F y y y p y y y R ≤==⋅⋅⋅∈∑对于连续型随机变量12(,,,)n X X X X = ，如果存在n R 上的非负函数12(,,,)n f x x x ，对于任意12(,,,)nn y y y R ∈ ，有12(,,,)n X X X X = 的联合分布函数12121212(,,,)...(,,,)n y y y n n n F y y y f x x x dx dx dx -∞-∞-∞⋅⋅⋅=⋅⋅⋅⋅⋅⋅⎰⎰⎰12(,,,)n f x x x 为X 的联合密度函数.1.3 数学期望及其性质设()X X =⋅是定义在概率空间(,ΩF ，P ）上的.r v ，如果||X dP Ω<∞⎰，就称.r v .X的数学期望（expectation ）或均值存在（或称.r v .X 是可积的），记为E X ，有下列定义：EX XdP Ω=⎰利用积分变换，也可写成()EX xdF x +∞-∞=⎰.设()g x 是1R 上的B orel 可测函数，如果.r v .()g X 的数学期望存在，即|()|E g X <∞，由积分变换可知()()()()Eg X g X dP g x dF x +∞Ω-∞==⎰⎰设k 是正整数，若.r v .k X 的数学期望存在，就称它的k 阶原点矩（k th -moment aboutthe origin ），记为k α，即()kkk EXx dF x α+∞-∞==⎰设k 是正整数，若.r v .||k X 的数学期望存在，就称它的k 阶绝对原点矩（k th - absolute m o m e n tabout the origin ），记为k β，即 ||||()kkk E X x dF x β+∞-∞==⎰类似地，X 的k 阶中心矩（k th - central moment ）k μ和k 阶绝对中心矩（k th -absolutely central moment ）k υ分别定义为1()()()kkk E X EX x dF x μα+∞-∞=-=-⎰1||||()kkk E X EX x dF x να+∞-∞=-=-⎰我们称二阶中心矩为方差（variance ），记为V a r X 或D X ，显然有22221VarX μναα===-关于数学期望，容易验证下列的性质：（1）若.r v .X ，Y 的期望E X 和E Y 存在，则对任意实数,αβ，()E X Y αβ+也存在，且()E X Y EX EY αβαβ+=+（2）设A ∈F ，用A I 表示集A 的示性函数，若E X 存在，则()A E XI 也存在，且()A AE XI XdP =⎰（3）若{}k A 是Ω的一个划分，即()i j A A i j =Φ≠ ，且i iA Ω= ，则iA i EX XdP XdP Ω==∑⎰⎰关于矩的存在性，有如下的必要条件和充分条件定理1.1 设对.r v X 存在0p >，使||pE X <∞，则有lim (||)0px x P X x →∞≥=定理1.2 设对.r v X 0(.)a s ≥，它的.d f 为()F x ，那么E X <∞的充要条件是(1())F x dx ∞-<∞⎰此时EX =(1())F x dx ∞-⎰推论1.1 ||E X <∞的充要条件是0()F x dx -∞⎰与0(1())F x dx +∞-⎰均有限，这时有EX =(1())F x dx ∞-⎰()F x dx -∞-⎰推论 1.2 对于0,||pp E X <<∞<∞的充要条件是11(||)p n P X n ∞=≥<∞∑，也等价于11(||)p n nP X n ∞-=≥<∞∑1.4 特征函数和母函数特征函数是研究随机变量分布又一个很重要的工具，用特征函数求分布律比直接求分布律容易得多，而且特征函数有良好的分析性质.定义 1.6 设X 是n 维随机变量（随机向量），分布函数为()F x ，称()F x 的Fourier Stieltjes -变换()()(),itXitxg t E ee dF x t ∞-∞==-∞<<∞⎰为X 的特征函数(characteristic function ).简记.c f从本质上看，特征函数是实变量t 的复值函数，随机变量的特征函数一定是存在的. 当X 是离散型随机变量，分布列(),1,2,k k p P X x k === ，则1()kitx k k g t ep ∞==∑当X 是连续型随机变量，概率密度函数为()f x ，则()(),itxg t ef x dx t ∞-∞=-∞<<∞⎰从定义，我们能够看出特征函数有如下性质： （1）(0)1;g =（2）（有界性）|()|1;g t ≤ （3）（共轭对称性）()();g t g t -=（4）（非负定性）对于任意正整数n 及任意实数12,,,n t t t 和复数12,,,n z z z ，有,1()0nk l k l k l g t t z z =-≥∑（5）（连续性）()g t 为n R 上一致连续函数；（6）有限多个独立随机变量和的特征函数等于各自特征函数的乘积，即随机变量12,,,n X X X 相互独立，12n X X X X =+++ 的特征函数为：12()()()()n g t g t g t g t =其中()i g t 为随机变量i X 的特征函数；（7）（特征函数与矩的关系）若随机变量X 的n 阶矩n EX 存在，则X 的特征函数()g t 可微分n 次，且当k n ≤时，有()(0)k k k g i EX =；（8）随机变量的分布函数由其特征函数唯一确定.定理1.3 (B ocher 定理) n R 上函数()g t 是某个随机变量特征函数当且仅当()g t 连续非负定且(0)1g =.定理1.4 （逆转公式） 设()F x 是随机变量X 的分布函数，相应的特征函数为()g t 若12,x x 为()F x 的连续点，则12211()()lim()2itx itx TT Tee F x F x g t dt itπ--→∞---=-⎰很显然，具有相同特征函数的两个分布函数是恒等的.由此还可推出一个事实：一个随机变量是对称的，当且仅当它的特征函数是实的. 事实上，由X 的对称性知X 和X -有相同的分布函数，根据定义()()()itX itXg t E e E eg t g t -===-=，也就是说()g t 是实的；反之，从()()()itX itXg t Ee g t g t Ee -===-=知X 和X -有相同的特征函数，因此，它们的分布函数相等，这说明X 是对称的.例1.1 设X 服从(,)B n p ，求X 的特征函数()g t 及2,,EX EX D X解 X 的分布列为{},1,0,1,2,,k k n kn P X k C p q q p k n -===-=()()()n nitxk k n kk it k n kit nnnk k g t eC p qCpe qpe q --=====+∑∑因此 0(0)()|itt d E X ig ipe qnp dt='=-=-+=22222202()(0)()()|it t d EXi g i pe q npq n p dt=''=-=-+=+故 22()D X EX EX npq =-= 例1.2 设~(0,1)X N ，求X 的特征函数()g t解 22()itx xg t edx ∞--∞=由于2222||||itx xxixe xe--=221||xx edx ∞--∞<∞⎰，可对上式两边求导，得2222()()itx xitx xg t ixedx e de∞∞---∞-∞'==-⎰2222()x x itx itx edx tg t ∞∞---∞-∞=--=-于是得到微分方程 ()()g t t g t '+=. 这是变量可分离型方程，有()()dg t tdt g t =-两边积分得 2l n ()2g t tc=-+，得方程的通解为 22()tcg t e -+=.由于(0)1g =，因此，0c =.于是X 的特征函数为22()tg t e -=例1.3 设,X Y 相互独立，~(,),~(,)X B n p Y m p ，证明：~(,)X Y n m p ++ 证明 ,X Y 的特征函数分别为()(),()(),1itnitmX Y g t q pe g t q pe q p =+=+=-X Y +的特征函数为()()()(),1it n mX Y X Y g t g t g t q pe q p ++==+=-即X Y +的特征函数是服从参数为,n m p +二项分布的特征函数，由唯一性定理~(,)X Y n m p ++附表一给出了常用分布的均值、方差和特征函数.在研究只取非负整数值的随机变量时，以母函数代替特征函数比较方便.定义1.7 设随机变量X 的分布列为(),0,1,2,k p P X k k === 其中01k k p ∞==∑，称()()kk k k P s E s p s ∞===∑为X 的母函数（或称概率生成函数）（p r o b a b i l i t y generating function ）.母函数具有下列性质：（1）非负整数值随机变量的分布列由其母函数唯一确定； （2）(1)1P =，()P s 在||1s ≤绝对且一致收敛；（3）若随机变量X 的l 阶矩存在，则可以用母函数在1s =的导数值来表示，特别地， 有2(1),(1)(1)EX P EXP P ''''==+；（4）独立随机变量之和的母函数等于母函数的积.证明 （1）01(),0,1,2,nkkkk k k k k k n P s p s p s p s n ∞∞===+==+=∑∑∑两边对s 求n 阶导数，得到()1()!(1)(1)n k nn k k n Ps n p k k k n p s∞-=+=+--+∑令0s =，则()(0)!n n p n p =，因此()(0),0,1,!n n pp n n ==（3）由0()kk k P s p s ∞==∑，得到11()k kk P s kps∞-='=∑，令1s ↑，得到1(1)kk EX kpP ∞='==∑，类似可得到 2(1)(1)E X PP '''=+ 例1.4 从装有号码为1,2,3,4,5,6的小球的袋中，有放回地抽取5个球，求所得号码总和为15的概率.解 令i X 为第i 次取得的小球的号码，且i X 相互独立，125X X X X =+++ 为所取的球的号码的总和.i X 的母函数为261()()6i P s s s s =+++X 的母函数为 5265655551()()(1)(1)66s P s s s s s s -=+++=--所求概率为()P s 展开式的15s 的系数，因此，5651{15}6P X ==1.5 随机变量列的收敛性定义 1.8设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量，如果存在集A ∈F ，()0P A =，当cA ω∈时，有lim ()()n n X X ωω→∞=，则称n X 几乎处处收敛（convergencealm ost everywhere ）到X ，简称n X ..a s 收敛到X ，记为n X X → ..a s下面我们给出..a s 收敛的一个判别准则.定理1.5 n X X → ..a s 的充分必要条件是任一ε>0，有lim (||)0m n m n P X X ε∞→∞=⎧⎫-≥=⎨⎬⎩⎭下面给出定理1.3的一个应用.例1.5 设{}n X 是..r v 列，且11()()2n n n P X n P X n +===-=，1111122n n n P X P X n n ⎧⎫⎧⎫⎛⎫===-=-⎨⎬⎨⎬ ⎪⎩⎭⎩⎭⎝⎭对于给定的ε>0,考虑1n ε>，有 1(||)0,2m mm nm n P X n ε∞∞==⎧⎫≥≤→→∞⎨⎬⎩⎭∑，因此 0n X →，..a s定义1.9 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量,如果对任一0ε>，{}lim ||0n n P X X ε→∞-≥=则称n X 依概率收敛（convergence in probability ）到X ，简记Pn X X −−→. 由定义，n X 依概率收敛到X ，那么极限随机变量X ..a s 是唯一的.定义 1.10 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量,若||rn E X （0r >）存在，且lim ||0rn n E X X →∞-=，则称 n X r 阶平均收敛（convergence in mean oforder r ）到X ，特别地，当2r =时，称为均方收敛.定义1.11 设{},;1n X X n ≥概率空间(,ΩF ，P ）上随机变量，其分布函数序列()n F x 满足lim ()()n n F x F x →∞=在每个()F x 连续点处成立，则称n X 依分布收敛（convergence indistribution ）到X .简记dn X X −−→.这里()F x 为X 的分布函数.下面我们不加证明地给出几种收敛之间的关系.a sPn n X X X X −−→⇒−−→dn X X ⇒−−→⇓..k a s n X X −−→且11(||)2kn kk P X X ∞=-≥<∞∑⇑,r rn n X X X X '−−→⇒−−→ 0r r '<< 1.6 条件数学期望设,X Y 是离散型随机变量，对一切使{}0P Y y =>的y ，定义给定Y y =时，X 的条件概率为 {,}{|}{}P X x Y y P X x Y y P Y y ======；给定Y y =时，X 的条件分布函数为(|){|}F x y P X x Y y =≤=； 给定Y y =时，X 的条件期望为(|)(|){|}xE X Y y xdF x y xP Xx Y y =====∑⎰设,X Y 是连续型随机变量，其联合密度函数为(,)f x y ，对一切使()0Y f y ≥，给定Y y =时，X 的条件密度函数为(,)(|)()Y f x y f x y f y =；给定Y y =时，X 的条件分布函数(|){|}F x y P X x Y y =≤==(|)xf x y dx ⎰； 给定Y y =时，X 的条件期望定义为 (|)(|)(|)E X Y y x d F x y x f x y d x===⎰⎰由定义可以看出，条件概率具有无条件概率的所有性质.(|)E X Y y =是y 的函数，y 是Y 的一个可能值，若在Y 已知的条件下，全面考察X 的均值，需要用Y 替代y ，(|)E X Y y =是Y 的函数，显然，它也是随机变量，称为X 在Y 条件下的条件期望（conditional expectation ）.条件期望在概率论、数理统计和随机过程中是一个十分重要的概念，下面我们列举以下性质：设,,X Y Z 为随机变量，()g x 在R 上连续，且,,,[()]EX EY EZ E g Y Z ⋅都存在. （1） 当X 和Y 相互独立时，(|)E X Y EX =； （2） [(|)]EX E E X Y =；（3） [()|]()(|)E g Y X Y g Y E X Y ⋅=； （4） (|)E c Y c =，c 为常数；（5） （线性可加性）[()|](|)(|)E aX bY Z aE X Z bE Y Z +=+ （,a b 为常数）； （6） 若0,X ≥则(|)0,..E X Y a s ≥ 下面只对（2）和（3）证明：证明 （2）离散型情况.设(,)X Y 的联合分布列为{,},,1,2,i j ij P X x Y y p i j ====则 [(|)](|){}jj j y E E X Y E XY y P Y y ===∑{|}{}ji i i j j y x x P X x Y y P Y y ⎡⎤====⎢⎥⎣⎦∑∑ {,}{}ji ii i j i y x x x P X x Y y P Xx EX ⎡⎤======⎢⎥⎣⎦∑∑∑由此可见，E X 是给定j Y y =时X 条件期望的一个加权平均值，每一项(|)j E X Y y =所加的权数是作为条件事件的概率，称(|){}jj j y EX E XY y P Y y ===∑为全期望公式.连续型情形：设(,)X Y 的联合密度函数为(,)f x y ，则[](|)(|)()(|)()Y Y E E X Y E X Y y f y dy xf x y dx f y dy ∞∞∞-∞-∞-∞⎡⎤===⎢⎥⎣⎦⎰⎰⎰(,)(,)x f x y d x d yx f x y dy d x∞∞∞∞-∞-∞-∞-∞⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦⎰⎰⎰⎰()X xf x dx EX ∞-∞==⎰(|)()Y EX E X Y y f y dy ∞-∞==⎰也称为全期望公式.全期望公式表明：条件期望的期望是无条件期望. （3）只需证明对任意使[]()|E g Y X Y y ⋅=存在的y 都有[]()|()(|)E g y X Y y g y E X Y y ⋅===因为[|](|)E X Y y xdF x y ∞-∞==⎰，因此，当y 固定时，[]()|()(|)()(|)E g y X Y y g y xdF x y g y xdF x y ∞∞-∞-∞⋅===⎰⎰()[|]g y E X Y y ==例1.6 设在某一天走进商店的人数是期望为1000的随机变量，又设这些顾客在该商店所花钱数都为期望为100元的相互独立的随机变量，并设一个顾客花钱数和进入该商店的总人数独立，问在给定的一天内，顾客们在该商店所花钱数的期望是多少？解 设N 表示这天进入该商店的总人数，i X 表示第i 个顾客所花的钱数，则N 个顾客所花的总数为1Ni i X =∑.由于 11|N N i i i i E X E E X N ==⎡⎤⎡⎤⎛⎫=⎢⎥ ⎪⎢⎥⎣⎦⎝⎭⎣⎦∑∑而 1111||N n n i i i i i i E X N n E X N n E X nEX ===⎡⎤⎡⎤⎡⎤=====⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦∑∑∑因此 11|,N i i E X N N E X =⎡⎤=⎢⎥⎣⎦∑[]111N i i E X E N E X E N E X =⎡⎤=⋅=⎢⎥⎣⎦∑由题设 11000,100EN EX == 于是11000100100000Ni i X ==⨯=∑即该天顾客花费在该商店的钱数的期望为100000元.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(4) 当n充分大时，
fn(A)稳定于p(A) 。
某一常数
历史上曾有人做过试验,试图证明抛掷匀质硬币时， 正反面的机会均等。
实验者
De Morgan
n
2048
nH
1061
fn(H)
0.5181
Buffon
K. Pearson K. Pearson
4040
12000 24000
2048
6019 12012
(4) 分组问题 例4：30名学生中有3名运动员，将这30名学生平均 分成3组，求： （1）每组有一名运动员的概率； （2）3名运动员集中在一个组的概率。 解: 设 A=“每组有一名运动员”; B=“ 3名运动员集中
30! 在一组”, 则：) C C C N (S 10! 10! 10!
10 10 10 30 20 10
(2)取到两只同色球的概率。
(3)取到至少一只白球的概率。
取到一只白球，一只红球的概率？
(2) 分球入盒问题
例2：将3个球随机的放入4个盒子中去，每盒装球 数目不限，问：每盒至多有一球的概率是多少？
一般地，把n个球随机地分配到m个盒子中去(nm)， 则每盒至多有一球的概率是：
A p m
n m n
27! 3! 9! 9! 9! 50 P( A) N (S ) 203
7 10 10 3 C27 C20 C10 P( B) N (S )
一般地，把n个球随机地分成m组(n>m), 要求第 i 组恰 有ni个球(i=1,…m)，共有分法：
n! n1 !....nm !
(5) 随机取数问题
§2 样本空间、随机事件(P2)
定义
1、样本空间：试验的所有可能结果所组成的集合称 为样本空间，记为S={ω}或Ω={ω} ；
2、样本点: 试验的每一个结果或样本空间的每个元素 称为一个样本点,记为ω.
EX 给出E1-E集称为随机事件。
记作A、B、C等。
例1 E4: 掷一颗骰子，考察可能出现的点数。 Ω ={1,2,3,4,5,6};
0.5069
0.5016 0.5005
定义
当试验次数n增大时， fn(A) 逐渐
趋向一个稳定值。可将此稳定值记作P(A)， 作为事件A的概率. 此为概率的统计定义. 两者的关系 ※概率是频率的稳定值; ※频率是概率的反映, 用频率去解释概率. 例如: P(A)=0.8,则应理解为在观察A而做的2000次 试验中,事件A的出现次数应在1600次左右.
若已知第一个人取到的是红球， 则第二个人取到红球的概率又是 多少？
在已知事件A发生的条件下， 事件B发生的概率称为 A发生条件下B发生的条件概率，记作 P(B|A)
一、条件概率 例1 设袋中有3个白球，2个红球，现从袋中任意抽
容的事件，即AiAj＝，(ij), i , j＝1, 2, …, 有
P( A1 A2 … )＝ P(A1) ＋P(A2)+…. 则称P(A)为事件A的概率。( p8) 称为概率的公理化定义
概率的性质 P(8-9) (1) P() 0 (2) 有限可加性：设A1，A2，…，An , 是n个两两互 不相容的事件，即AiAj＝ ，(ij), i , j＝1, 2, …, n , 则有 P( A1 A2 … An)＝ P(A1) ＋P(A2)+… +P(An); (3) 单调不减性：若事件AB，则 P(A)≥P(B) A S , P( A) 1
(2)
1 2 N ( A2 ) C4 A4 48
P( A2 ) 48/ 60 4 / 5
§5 条件概率与独立性(P14)
袋中有十只球，其中九只白球，一只红球，有十 人依次从袋中各取一球(不放回)，问
第一个人取得红球的概率是多少？
第二 个人取得红球的概率是多少？
若已知第一个人取到的是白球，则第二 个人取到红球的概率是多少？
组合（不放回抽样）：从含有n个元素的集合中 随机抽取k个，共有
n A n! k Cn k k ! k !(n k )!
k n
种取法.
(1) 摸球问题 例1:设盒中有4个白球，2个红球，现从盒中
任抽2个球，分别在放回抽样与不放回抽样的
情况下求
(1)取到两只白球的概率。
§3 频率与概率(P6)
某人向目标射击， 以A表示事件“命中目标”， P（A）=？
定义
(p5) 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nA， 称nA为事件A发生的频数 称fn(A)＝ nA /n.为事件A发生的频率
频率的性质(p6) (1) 0 fn(A) 1； (2) fn(S)＝1； (3) 若A,B互斥，则 fn(A∪B)＝ fn(A) +fn(B). 可加性 稳定性 非负性 归一性
A=“掷出偶数点” ” ={2，4，6} ={5，6} C=“掷出奇数点”={1，3，5} B=“掷出大于4的点
事件的发生:子集中某个样本点出现。
每次试验必有一个样本点出现
几个特殊事件: 基本事件：一个样本点组成的子集{ω}(p3) 必然事件S 、 不可能事件、
事件间的关系
1.包含关系(p3) AB
例5：从1，2，3，4，5诸数中，任取3个排成自左向右的次序， 求： （1）
A1 “所得三位数是偶数”的概率？ （2） A2 “所得三位数不小于200”的概率？
(1)
1 2 N ( A1 ) C2 A4 24
3 解： N (S ) A5 60
P( A1 ) 24 / 60 2 / 5
有50人，问至少有两人生日 相同的概率有多大？
A P 1 365
50 365 50
0.97
(3) 抽签问题
例3：袋中有 a 只白球，b 只红球，依次将球一只只摸出，不
放回，求第 k 次摸出白球的概率？
解： 设想 a+b 只球进行编号，将 a+b 只球顺次排列在 a+b 个 位置上。 令 则 所以 A=“第 k 次摸到白球” N(S) = (a+b)! N(A) = Ca1 (a+b-1)! P(A) = a (a+b-1)!/(a+b)! = a/(a+b)
A B A B,
k k
AB A B
可推广 Ak Ak ,
A
k
k
Ak .
k
例2
甲、乙、丙三人各向目标射击一发子弹，以A、 B、C分别表示甲、乙、丙命中目标，试用A、B 、C的运算关系表示下列事件：
A1 : 至 少 有 一 人 命 中 目 ” “ 标 : A2 : 恰 有 一 人 命 中 目 标:” “ A3 : 恰 有 两 人 命 中 目 标:” “ A4 : 最 多 有 一 人 命 中 目 ” “ 标 : A5 : 三 人 均 命 中 目 标:” “ A6 : 三 人 均 未 命 中 目 标:” “
(4) 事件差： A、B是两个事件，则 P(A-B)=P(A)-P(AB)
(5) 加法公式：对任意两事件A、B，有
P(AB)＝P(A)＋P(B)－P(AB)
该公式可推广到任意n个事件A1，A2，…，An的 情形.
(6) 互补性 P(A) 1- P(A);
例1 已知 P( A) 0.4 , P(B) 0.3 ,
随机试验的例子
E1: 抛一枚硬币，分别用“H” 和“T” 表示出正面和反面, 观察正反面出现的情况; E2: 将一枚硬币连抛三次，观察正反面出现的情况； E3:将一枚硬币连抛三次，观察正面出现的次数; E4:掷一颗骰子，观察可能出现的点数； E5: 记录某网站一分钟内受到的点击次数； E6:在一批灯泡中任取一只，测其寿命; E7:任选一人，记录他的身高和体重 。
（2）至少有一类问题能答出的概率.
（3）两类问题都答不出的概率.
思考：已知 P(A)=P(B)=P(C)=1/4,P(AB)=0, P(AC)=P(BC)=1/6,则A，B，C不全发生的 概率为多少.
通过做此题，你发 现什么问题？
§4 古典概型(P10)
事件A发生的可能性的大小称为事件A的概 率。记为 P(A).
AB
“A发生必导致B发生”。
2.和事件： (p4) AB
AB发生“事件A与B 至少有一个发生”
i 2’n个事件A1, A2,…, An至少有一个发生 A发生 i 1
n
3. 积事件(p4) :AB＝AB
A与B同时发生 AB发生
3’n个事件A1, A2,…, An同时发生 A1A2…An发生
概率的公理化定义(p8)
1933年，前苏联科学家柯尔摩哥洛夫，给出了
概率的公理化定义
定义
若对随机试验E所对应的样本空间S中的每一事件A，
均赋予一实数P(A)，集合函数P(A)满足条件： (1) 非负性： (2) 归一性： P(A) ≥0； P(S)＝1；
(3) 可列可加性：设A1，A2，…, 是两两互不相
解：
P( A B) 0.6 ,
求 P( AB )
P( AB) P( A B) P( A) P( AB)
P( A) [ P( A) P( B) P( A B)]
0.4 (0.4 0.3 0.6) 0.3
例2
小王参加“智力大冲浪”游戏，他能答出甲， 乙两类问题的概率分别为0.7和0.2，两类问题 都能答出的概率为0.1，求小王 （1）能答出甲类而答不出乙类问题的概率.
P（A）如何计算？
掷一颗骰子，出现6点的概率为多少？
向目标射击，命中目标的概率有多大？
定义 (p10)若某试验E满足 （1）有限性：样本空间S＝{e1, e 2 , … , e n }; （2）等可能性：（公认）P(e1)=P(e2)=…=P(en). 则称E为古典概型, 也称为等可能概型。