概率论第二讲
概率论第二讲--概率的直观定义
件次品的概率是多少?
4
P( A)
m n
A中包含的基本事件数 S中的基本事件总数
概 (4)分配问题
率 例4 将15名新生随机分配到3个班级
的 中去,其中有3名优秀生.求:
直 (1)每个班级各分配到一名优秀生的概率
观 (2)3名优秀生分配到同一个班级的概率
定 (5)匹配问题
义 例5 有5双不同的鞋混在一起,今
m n
A中包含的基本事件数 S中的基本事件总数
直 3.属性
观 (1)0≤P(A)≤1 (2)P(S)=1(3)P(φ)=0
定 (4)若A、B互不相容,则P(AB)=P(A)+P(B)
义 一般地,设A1A2···An是两两互不相容的事件,
则 P(A1A2∪···∪Aபைடு நூலகம்)=P(A1)+P(A2)+···+P(An)
(5)任一事件A,有 P( A) 1 P( A)
2
4.典型例题
概
P( A)
m n
A中包含的基本事件数 S中的基本事件总数
率 (1)摸球问题
的 例1 袋中装有6只球,其中4只白球 直 2只红球.从中取球两次,每次随机取
观 一只.分别就放回抽样、不放回抽样,
定 求:
义 (1)取到两只都是白球的概率 (2)取到两只球颜色相同的概率
§1.3 概率的直观定义
• (一)概率的古典定义
1.等可能概型(古典概型)
若试验E具有以下两个特点: ⑴试验的样本空间的元素只有有限个; ⑵试验中每个基本事件发生的可能性 相同. 则称这种试验为等可能概型(古典概型)
1
(一)概率的古典定义
大学数学概率论2第2讲(第一章)
第二讲 Ch.1 随机事件与概率§1.1 随机事件及其运算(续)3 互不相容关系(也称互斥关系) ①定义与记号:若事件A 与事件B 不能同时发生,则称事件A 与B 互不相容.记Φ=⋂B A(在讲解交运算后回头理解此记号). ②用集合论语言对互斥关系的描述:若事件A 与事件B 没有相同的样本点,则称事件A 与B 互不相容. ③V enn 图表示:Φ=⋂B A④例子:对于例1.1.2中的(2)2Ω={1,2,3,4,5,6},若记A =“掷出奇数点”,B =“掷出偶数点”, 则A 与B 互不相容. 1.1.6 事件的运算Remark 参照集合的运算给出事件的并、交、差及余四种运算. 1 事件A 与B 的并 ①定义与记号:“事件A 与B 至少发生一个”这一新事件称为事件A 与B 的并.记作B A ⋃.ABΩ②用集合论语言对事件A 与B 的并的描述:事件A 与B 所包含的样本点的并集对应的事件称为事件A 与B 的并.③V enn 图表示:B A ⋃④例子:对于“例1.1.2”中的(2)2Ω={1,2,3,4,5,6},若记A =“掷出奇数点”,B =“掷出的点数不超过3”, 则BA ⋃={1,2,3, 5}.2 事件A 与B 的交 ①定义与记号:“事件A 与B 同时发生”这一新事件称为事件A 与B 的交. 记作B A ⋂.简记为AB .②用集合论语言对事件A 与B 的并的描述:事件A 与B 所包含的样本点集的交集对应的事件称为事件A 与B 的交.③V enn 图表示:AB④例子:对于例“1.1.2中”的(2) 2Ω={1,2,3,4,5,6},若记 A =“掷出奇数点”, B =“掷出的点数不超过3”, 则AB ={1,3}.BAΩRemarksi)事件A 与B 互斥⇔Φ=AB .ii)并与交的推广:如果事件列1A ,2A ,…为同一样本空间下的事件列,则分别称 ni i A 1=, +∞=1i i A 为有限并和可列并;而分别称 ni i A 1=,+∞=1i iA为有限交和可列交.3 事件A 对B 的差 ①定义与记号:“事件A 发生而事件B 不发生”这一新事件称为事件A 对B 的差.记作B A -.②用集合论语言对事件A 对B 的差的描述:从事件A 的样本点中去除属于事件B 的样本点后所剩的样本点集对就的事件称为事件A 对B 的差. ③V enn 图表示:B A - ④例子:i)对于“例1.1.2”中的(2)2Ω={1,2,3,4,5,6},若记A =“掷出奇数点”,B =“掷出的点数不超过3”, 则B A -={5}.ii)设X 为..V R ,b a ,为实数,且a <b ,则""""""a X a X a X ==<-≤;ΩAB""""""b X a a X b X ≤<=≤-≤.4 对立事件——也称余运算(也称对立关系) ①定义与记号:“事件A 不发生”这一新事件称为事件A 的对立事件.记作A . ②用集合论语言对事件A 的对立事件的描述:从Ω中去除属于事件A 的样本点后所剩的样本点集对应的事件称为事件A 的对立事件. ③V enn 图表示:④例子:对于例“1.1.2中”的(2)2Ω={1,2,3,4,5,6},若记A =“掷出奇数点”, 则A ={1, 3, 5},而A ={2,4,6}.又若记B =“掷出的点数不超过3”,则B ={1, 2, 3},而B ={4, 5,6} Remarksi)易见:A A -Ω=, A A -Ω= (体现A 与A 互为余运算的结果). ii)对同一随机现象中的A 与A 发生情况的描述:A 发生,则A 不发生;A 不发生,则A 发生,反之亦然(表明A 与A 具有对立关系).iii)事件A 与B 互为对立事件的充要条件是(有些教材以此为对立事件的定义):Ω=AB ,Ω=B A .ΩA__Aiv)对事件A 与B 容易证明:B A B A =-,A A =,Φ=Ω,Ω=Φ.☆事件的关系与运算综合举例例1.1.8 从数字1,2,3,4,5,6,7,8,9中可重复地任取n 次(n ≥2),每次只取1个数字.若记A =“所取n 个数字之积能被10整除”,B =“所取n 个数字中无数字5”, C=“所取n 个数字中无偶数”.则容易看出事件A =“所取n 个数字之积不能被10整除”与事件B ,C有直接联系,事实上:A =C B (证明?----讨论题2).例1.1.9 设A 、B 、C 为同一Ω下的三个事件,则可用A 、B 、C 及它们的对立事件的运算表示以下新事件: (1)事件“A 、B 发生, C 不发生”; (2)事件“A 、B 、C 至少有一个发生”; (3)事件“A 、B 、C 至少有两个发生”; (4)事件“A 、B 、C 恰好有两个发生”; (5)事件“A 、B 、C 同时发生”; (6)事件“A 、B 、C 都不发生”; (7)事件“A 、B 、C 不全发生”. 解 (1)可表为C AB ,或CAB-(2)可表为CB A ⋃⋃,OR ABC BC A C B A C AB C B A C B A C B A ⋃⋃⋃⋃⋃⋃;(3)可表为ACBC AB⋃⋃,OR ABC BC A C B A C AB ⋃⋃⋃;(4)可表为BC A C B A C AB ⋃⋃; (5)可表为ABC ; (6)可表为C B A ; (7)可表为C B A ⋃⋃,OR BCA CB AC AB C B A C B A C B A C B A ⋃⋃⋃⋃⋃⋃.5 事件的运算性质①交换律 A B B A ⋃=⋃,BA AB =;②结合律 )()(C B A C B A ⋃⋃=⋃⋃,)()(BC A C AB =; ③分配律 BC AC C B A ⋃=⋃)(,))(()(C B C A C AB ⋃⋃=⋃; ④对偶律(德莫根公式----好用!)B A B A =⋃,B A AB ⋃=.推广:ni ini iAA11===, +∞=+∞==11i ii i AA ;ni in i iAA11===, +∞=+∞==11i ii i AA .选证 B A B A =⋃.证法1 用集合论语言叙述的证明过程见P. 8. 证法2 用概率论语言叙述的证明过程如下: 事件B A ⋃发生⇔事件B A ⋃不发生⇔事件“A 、B 至少有一个发生”不发生⇔A、B都不发生⇔A、B同时发生⇔BA发生.可见BA互相包含,从而证得A⋃与B⋃.A=ABBRemark 用德莫根公式可解决以下问题:事件“甲产品畅销,而乙产品滞销”的对立事件是“” .1.1.7 事件域(理论上为概率定义作准备)①事件域的定义:P. 9.事件域的记号F,可测空间记号)(FΩ.,②常见的4种事件域:例1.10 P.9.本节课外作业P.9-11.1.(1),(3)4.(1) 6.3. 9.。
概率论第二章(课件2)
条件概率具有非负性、规范性、乘法 法则和全概率公式等性质。
贝叶斯定理
贝叶斯定理的表述
对于任意两个事件A和B,有 P(B|A)=P(A|B)P(B)/P(A)。
贝叶斯定理的应用
贝叶斯定理常用于在已知某些条件 下,对其他条件的发生概率进行推 断和更新。
贝叶斯定理的意义
贝叶斯定理是概率论中的一个重要 定理,它提供了在已知某些信息的 情况下,对其他信息的可信度进行 评估的方法。
期望的计算
期望的计算公式为E(X)=∑xp(x),其中x为随机变量X的所有可能取值, p(x)为对应的概率。
方差与协方差
方差的定义
方差是随机变量与其期望之间的差的平方的期望,表示随机变量 取值与期望的偏离程度。
方差的性质
方差具有非负性,即对于任何随机变量X,D(X)≥0。
协方差的定义
协方差是两个随机变量的线性相关程度的度量,表示两个随机变量 同时偏离各自期望的程度。
自的概率分布相乘得到。
THANKS
感谢观看
02
随机变量及其分布
离散随机变量
离散随机变量定义
离散随机变量是在可数样本空间上的概率函数。
离散随机变量的概率分布
离散随机变量的概率分布由一个非负整数序列给出,表示在每个样 本点上随机变量取值的概率。
离散随机变量的期望值
离散随机变量的期望值是所有可能取值的概率加权和。
连续随机变量
连续随机变量念 • 随机变量及其分布 • 随机向量及其分布 • 随机变量的函数及其分布 • 随机变量的数字特征
01
概率论的基本概念
概率的定义与性质
01
02
03
概率的定义
概率是描述随机事件发生 可能性大小的数值,通常 用P表示。
华南理工大学 概率论与数理统计 第2讲
b sind 2 a π 2
2b . aπ
A
b a π 2
蒲丰投针试验的应用及意义
2b P ( A) aπ 根据频率的稳定性 ,当投针试验次数 n很大时, m 算出针与平行直线相交 的次数m , 则频率值 即可 n 作为P ( A)的近似值代入上式 , 那么 m 2b 2bn , π . n aπ am
三、概率的几何定义
定义
若对于一随机试验, 每个样本点出现是等可能 的, 样本空间所含的样本点个数为无穷多个, 且具有非零有限几何测度,即0 m() , 则称这一随机试验是一几何概型.
定义1.2.2 当随机试验的样本空间是某个区域,并 且任意一点落在几何测度 (长度, 面积, 体积) 相同 的子区域是等可能的,则事件 A 的概率可定义为
目 录
前一页
后一页
退 出
§1.2.2 概率的古典定义
定义1.2.1:
设 Ω ={e1, e2, …en },每次实验有且只有其中的一 个发生,每个结果发生的可能性大小相同。若事件 A 包含 k 个基本事件, 即 A ={e1, e2, …ek }, 则定义
k A包含的基本事件数 P ( A) . n S中基本事件总数
第k 次取出黑球,有取法 b(a b 1)!种 , 因 此 事 件 A所 含 样 本 点 数 为 b(a b 1)!.
所以,
b (a b 1)! b P A . (a b)! ab
目 录 前一页 后一页 退 出
注意:此结果与次数 k 无关.
概率的古典定义具有可计算性的优点,但 它也有明显的局限性.要求样本点有限,如果样 本空间中的样本点有无限个, 概率的古典定义 就不适用了. 把有限个样本点推广到无限个样本点的场 合,人们引入了几何概型. 由此形成了确定概率 的另一方法——几何方法.
概率论与数理统计第二讲
定义 设X是S上的随机变量F(x)为其分布函数, 如果存在定义在(-∞,+∞)上的非负实质函数 f(x),使得
F ( x)
x
f ( t )dt, x
则称X为连续型随机变量,称F(x)为连续型分 布函数,称f(x)为X的概率密度函数(或概率 密度或分布密度)。
设X为连续型随机变量,F(x)与f(x)分别 为其分布函数和概率密度 1)对任意常数a<b有
即
P(X<0)=P(X-3<-3)=0.1。
当μ=0且σ=1的正态分布N(0,1),称为标准正 态分布。 x2 1 2 概率密度 ( x ) e , x ,
2
在统计用表中给出了 x 0至x 3.49所对应 的( x)值。 当x 3.49时,( x) 1 ;
P(λ)
λ=np=1
0.368 0.368 0.184 0.061 0.015 0.004
例 某物业管理公司负责10000户居民的 房屋维修工作。假定每户居民是否报修 是相互独立的,且报修的概率都是0.04% 另外,一户居民住房的维修只需一名修理 工来处理。易知,在某个时段报修的居民 数X~B(10000,0.0004).试问 1)该物业管理公司至少需要配备多少名 维修工人,才能使居民报修后能得到及时 修理的概率不低于99%。
P (a X b) f ( x )dx
a
b
2)F(x)是连续函数,且当f(x)在x=x0处连续时
F ( x0 ) f ( x0 )
3)对任意常数c,P(X=c)=0,从而对任何a<b,有
P (a X b) P (a X b) P (a X b) P (a X b)
概率论与数理统计-第4章-第2讲-随机变量函数的数学期望
02 典型例题
应用 设市场上对某种产品每年需求量为X 吨 ,其中X ~ U [200,400],
每出售一吨可赚300元 , 售不出去,则每吨需保管费100元,问应
该组织多少货源, 才能使平均利润最大?
f
X
(
x)
1 200
,
0,
200 x 400, 其它
解 设组织n吨货源, 利润为 Y,
Y
因此只要掌握了期望的计算,所有的数字特征计算都解决了!
概率论与数理统计
学海无涯,祝你成功!
主讲教师 |
01 随机变量函数的数学期望
(1) Y = g(X) 的数学期望
设离散 r.v. X 的概率分布为 P( X xi ) pi , i 1, 2,
若无穷级数 g(xi ) pi 绝对收敛,则 i 1 E(Y ) g(xi ) pi i 1
设连续 r.v. X 的密度为 f (x)
若广义积分 g(x) f (x)dx 绝对收敛, 则
例 设风速V是一个随机变量,它服从(0,a)上的均匀分布,而飞 机某部位受到的压力F是风速V 的函数:
F kV 2
(常数k > 0),求F 的数学期望.
01 随机变量函数的数学期望
如何计算随机变量函数的数学期望?
一种方法是: 因为g(X)也是随机变量,故应有概率分布,它 的分布可以由X的分布求出来. 一旦我们知道了g(X)的分布,就 可以按照期望的定义把E[g(X)]计算出来.
xf (x, y)dxdy
0
0
dx
2xdy 1
1 x1
3
E(3X 2Y )
(3x 2 y) f (x, y)dxdy
0
0
概率论课件第二讲
第一节 集合代数和σ -代数
定理1.1.10 设,是由Ω的一些子集组成的非空集合类, 且
1. 若为λ -系, 是π -系,则:σ () 2. 若为单调类, 是集代数,则: σ ()
证明1:由于 ,是包含的λ -系
则也包含所生成的最小λ -系λ (),即λ () 而是π -系,由定理1.1.9:λ ()= σ ()
推广情形:设 R(n) x1, x2 , xn : xi R(1) , i 1,2, 为 n n维实 (n) 数空间,考虑由 的一些子集组成的集合类: R
n 1 , ai : ai R , i 1,2,n i 1
证明:第一部分:根据单调类的定义,只需证明:
若An Æ ,n 1,2,且An ,有
(可适当讲解)
A Æ
n n 1
2018/9/13
北京邮电大学电子工程学院
13
第一节 集合代数和σ -代数
第二部分:欲证λ-系+ π-系σ-代数 根据定理1.1.5:集代数+单调类σ-代数 所以只须证明为集代数即可。 由λ-系的定义,只须说明:
Ω=Aλ() )
若B,C λA且B C,有B\C λA
( 由B,C λA, 有B,Cλ() ,且对任意 取定的Aλ(),有A B,A Cλ() ; 然而A B A C ,必有(A C)\ (A B) λ() 即(A C)\ (A B) =A (C\B) λ(),即C\B λA
若A,B Æ,有A B Æ,则称Æ为 系。
(π-系是一个比集代数还要弱的概念)
2018/9/13 北京邮电大学电子工程学院 11
第2讲随机事件的概率
A与B是相等集合
A与B无相同元素
A与B的并集
A与B的交集
A与B的差集
A的余(补)集
§1.2 随机事件的概率
• 1.直观定义 • 2.统计定义 • 3.古典定义; • 4.公理化定义; • 5.几何定义.
1.2.1 概率的统计定义
概率的直 在一次试验中事件A发生的可能性大小的 观定义: 量度称为事件A的概率。
B { 取到的两只球都是黑球}
C { 取到的两只球中至少有一只是白球 }
D { 取到的两只球颜色相同 }
显然C B, D A B
(1)
P( A)
P42 P62
12 30
2 5
(2)类似于(1),可求得
P(B)
P22 P62
1 15
由于AB ,Leabharlann 由概率的有限可加性,所求概率为:
P(D) P( A B) P( A) P(B) 2 1 7 5 15 15
加法原理
完成某件事情有 n 类途径, 在第一类途径中有m1种方 法,在第二类途径中有m2种方法,依次类推,在第 n 类 途径中有mn种方法,则完成这件事共有 m1+m2+…+mn种 不同的方法.
乘法原理
完成某件事情需先后分成 n 个步骤,做第一步有m1种 方法,第二步有 m2 种方法,依次类推,第 n 步有mn种方 法,则完成这件事共有 m1×m2×…×mn种不同的方法.
率的稳定值p,记做P(A)。概率是不变的
我们称这一定义为概率的统计定义 。
4 概率是事件的自然属性,有事件就一定有 概率。频率是概率的表现,频率的本质是概率
概率的公理化定义
• 非负性公理: P(A)0; • 正则性公理: P(Ω)=1; • 可列可加性公理:若A1, A2, ……,
概率论课件 第4章第2讲随机变量序列的两种收敛性
0,当( x a)2 ( y b)2 2时有
| f ( x, y) f (a, b) |
于是 {| f (k ,k ) f (a, b) | } {( a)2 ( b)2 2 }
辛钦k 1n Nhomakorabeak
a | } 1
证明: {n } 同分布, 它们有相同的特征函数, 这个相同的特征函数记为 (t )
1 n 记 n k n k 1
a E ( k )
(0)
i
(t ) (0) (0)t o(t ) 1 iat o(t )
的分布函数Fn ( x) F ( x).
显然有 lim Fn ( x) F ( x)
n
L Xn Y
但对任意的0<ε<2,恒有
P{| n | } P{2 | | } 1
即不可能有{n }依概率收敛于
所以:依分布收敛依概率收敛不真
定理:随机变量序列依概率收敛于常数C 的充要条件是依分布收敛于常数C 证明:必要性已证,下面只证充分性
§4.2 随机变量序列的两种收敛性 上一节我们由大数定理可得,在贝努里试验中, 事件发生的频率稳定于概率,即
lim P{
n
n
n
P } 1
自然想到的是, 随机变量序列是否依 这种方式能稳定于一个随机变量呢 ?
这就是我们要讲的依概率收敛问题.
1
依概率收敛 定义:设{ n }是随机变量序列,若存在随机 变量 (或常数),对于任意ε>0,有
x x
令y x, z x,由x为F ( x)的连续点, 有
概率论与数理统计-第3章-第2讲-二维离散型随机变量及其分布
求分布律方法:先定值再求概率
Y
X
0
1
2
3
0
0
0
1
0
2
0
取4只球 P{X 0,Y 0} P{X 0,Y 1} P{X 1,Y 0} P{X 3,Y 2} 0
14
03 二维离散型随机变量的边缘分布律
例 盒子里装有3只黑球, 2只红球, 2只白球, 在其中任取4只球, 以 X 表示取 到黑球的只数, 以 Y 表示取到红球的只数, 求(X, Y)的联合分布律.
主讲教师 |
18
由此得 X , Y 的联合分布律为
X Y
0
1
0
0
0
6
1
0
35
1
6
2
35
35
2
3
3
2
35
35
12
2
35
35
3 0
35
16
第2讲 二维离散型随机变量及其分布
本节我们认识了二维离散型随机变量, 以及联合分布律和边 缘分布律, 要求理解它们概念和性质, 并且会求相应的概率.
17
概率论与数理统计
学海无涯, 祝你成功!
3
本讲内容
01 二维离散型随机变量 02 联合分布律 03 二维离散型随机变量的边缘分布律
4
02 联合分布律
2.联合分布律
设( X ,Y )的所有可能的取值为
(xi , y j ), i, j 1,2,
则称
P( X xi ,Y y j ) pij , i, j 1,2,
为二维随机变量( X ,Y ) 的联合概率分布, 简称概率分布或分布律.
7
02 联合分布律 已知联合分布律可以求概率
概率论与数理统计第2讲
30
就如同任何给定的物体的重量也是客观存在 的。在实际生活中经常遇到一些试验无法在 同样条件下重复进行,但是对应的各个事件 的概率仍然是客观存在的,只不过我们缺少 了用频率进行测量的手段而已。正如在实际 生活中有一些物体的重量也没有办法拿到秤 上去秤,例如一座山的重量,一朵云的重量, 但是我们仍然相信这些物体的重量是客观存 在的。
27
掷硬币试验,我们当然知道正面的概率是0.5, 但是如果是掷围棋子呢?因为围棋子是不对 称的,正面和反面的概率是不同的,因此是 无法计算出来正面朝上的概率的,因此就只 有通过反复试验这种办法来进行测量。笔者 就尝试掷了1000次双元牌的围棋子,是按每 100次一组,共掷了10组,试验的记录如表 1-2所示,其中m为正面朝上的次数。
9
将事件A的概率记为P(A)。概率论就是研究概 率的学科。因此,概率是一种特殊的函数, 和一般的数学学过的实函数不同在于,一般 的实函数的自变量和函数值都是实数,而概 率这种特殊的函数,自变量却是事件,前面 也已经讲过事件就是试验结果的集合,因此 是集合的函数,也就是说,每给定一个集合, 就有一个称之为概率的实数和它对应。下面 先介绍概率的古典概型。
同理可证明n个两两互不相容事件A1,A2,…,An 的和事件的概率也满足 P(A1+A2+…+An)=P(A1)+P(A2)+…+P(An) (1.5)
38
定理 1.3如果AB,则 P(A-B)=P(A)-P(B) (1.6) 和P(A)P(B)。 证 因为AB,则必有AB=B,将A表达为两个 互不相容事件的和事件,即 A AB AB B ( A - B) 则由定理 1.2得 P(A)=P(B)+P(A-B) 经整理后得到式(1.6)。由公理(1)可知P(AB)0,再由式(1.6)知P(A)P(B)。
上海海事大学-概率论-第二章专业知识讲座
P(A) P{10 X 15} P(25 X 45} P{55 X 60}
15 1 dx 45 1 dx 60 1 dx 5 20 5 1
10 60
25 60
55 60
60 2
2.指数分布
f (x)
若X
~
f
1
( x)=
e x /
,
x
0
0, x 0
0为常数
0
F
(
x
)
x2
,
0 x1
1,
x1
注意到F(x)在x=1处导数不存在,根据变化被 积函数在个别点处旳值不影响积分成果旳性质,能 够在 F ( x )没意义旳点处,任意要求 F ( x )旳值。
•几种主要旳连续性分布
1.均匀分布
若随机变量 X 旳密度函数为:
1
f
(
x
)
b
a
a xb
0
其他
则称 X 服从区间[ a , b ] 上旳均匀分布。
( x)
2
dt du
3.若 X ~ N ( , 2 ),则
F( x ) P{ X x } P{ X x }
( x )
4 P{ x1 X x2 } F ( x2 ) F ( x1 )
.
( x1 ) ( x2 )
例6.
设 X ~ N ( , 2 )
求: 1 ) P{ X } 2 ) P{ X 2 }
4
P{Y 3} C4k (0.6065)k (1 0.6065)4k k 3
0.4865
3.正态分布
若随机变量 X 旳密度函数为:
f(x)
1
( x )2
e 2
概率论课件:第2章第2讲
§2.2 多维随机变量及其分布
迄今为止,我们只讨论了一维随机变量 及其分布。但有些随机现象用一个随机变量 来描述还不够,而需要用几个随机变量来描 述 在打靶时,命中点的位置是由一对随机变 量(两个坐标)来确定的. 飞机的重心在空中的位置是由三个随机 变量(三个坐标)来确定的等等.
二维离散型随机变量 定义: 若(X,Y )只取有限对或可数对实数值
P ( X xi , Y y j ) pij
j
同理 P (Y y j ) pij
i
j
j
(j=1,2,...)
一般地,记:
P ( X xi ) pi .
P (Y y j ) p. j
我们常将边缘概率函数写在联合概率函 数表格的边缘上,由此得出边缘分布这个名 词。
( xi , y j ), i , j 1,2
则称其为二维离散型随机变量。
二维随机变量(X,Y)
离散型
一维随机变量X
离散型 X的概率分布列
X和Y 的联合概率分布列
P( X xi ,Y y j ) pij,
i, j =1,2, …
P( X xk ) pk ,
k=1,2, …
pij 0, i, j 1,2, pij 1 i j
pi
3 5 2 5
X
Y
0
3 2 5 4 2 3 5 4 3 5
1
3 2 5 4 2 1 5 4 2 5
pi
3 5 2 5
0 1
p j
0 1
p j
1
1
有放回时,X和Y相互独立; 不放回时则不是!
联合分布与边缘分布的关系: 由联合分布可以确定边缘分布; 但由边缘分布一般不能确定联合分布.
第2讲概率论
m
m
P( Ai ) P( Ai )
i 1
i1
推论
P( A) 1 P( A)
例4.从10件同类型产品(其中6件正品,4件次品)中任取4件,求 (1)“取得的4件中次品不超过1件”(事件A)的概率 (2)“取得的4 件中次品至少有1件”(事件B)的概率.
解:设 Ai 为“取得的4件中恰好有 i 件次品”, i=0,1,2,3,4. 则有
13 14
例5.设有n个球,每个球都以同样的概率1/N落入到N个格子(Nn) 的每一个格子,试求 (1)前n个格子中各有一球(A)的概率; (2)任何n个格子中各有一球(B)的概率; (3)某指定的一个盒子中没有球(C)的概率.
解:(1)试验E是将n个球 投入N个格中 1 2 …n … N
共有Nn个样本点,而A中有n!个样本点,所以有 P(A) = n! / Nn
设A表示“两人能会面”,则有
A={(x, y): |x−y| 20}
所以
P( A)
602 402 602
=
5 9
3.几何概型的基本性质
设A, A1, A2, …是 E 中事件,则有 (1)非负性:P(A) ≥0;
P(
A)
g的度量 G的度量
(2)归一性:P(S)=1;
(3)可加性: 若A1, A2, …是互不相容的事件,则有
A表示“任取一号码为偶数的球”.
则样本空间 S ={1,2,…,10}, A ={2,4,6,8,10}
所以
P(A) = 5/10=1/2
1. 加法原理
基本计数原理
设完成一件事有m种方式,
第一种方式有n1种方法,
第二种方式有n2种方法, …;
概率论2ppt课件
引言:数理统计学是一门关于数据收集、整理、分析 和推断的科学。在概率论中已经知道,由于大 量的 随机试验中各种结果的出现必然呈现它的 规律 性,因而从理论上讲只要对随机现象进行 足够多次观察,各种结果的规律性一定能清楚 地呈现,但是实际上所允许的观察永远是有限 的,甚至是 少量的。 例如:若规定灯泡寿命低于1000小时者 为次 品,如何确定次品率?由于灯泡寿命试验是 破坏性试验,不可能把整批灯泡逐一检测,只 能抽取一部分灯泡作为样本进行检验,以样本 的信 息来推断总体的信息,这是数理统计学研 究的问题之一。
第十二章 平稳随机过程
• 12.1 平稳随机过程的概念 • 12.2 各态历经性 • 12.3 相关函数的性质 • 12.4 平稳过程的功率谱密度
5
第五章 大数定律和中心极限定理
关键词: 契比雪夫不等式 大数定律 中心极限定理
6
§1 大数定律
背景 本章的大数定律,对第一章中提出的 “频率稳定性”,给出理论上的论证
3. 用正态分布近似计算
npq 400 0.02 0.98 2.8
PZ
2
1
P0
Z
2
1
P
0
np npq
Z
np npq
2
np npq
16
1 P
8 2.8
Z 8 2.8
6 2.8
1
6 2.8
8 2.8
0.9859
第六章 数理统计的基本概念
关键词: 样本 总体 个体 统计量
2 分布 t 分布 F 分布
解:记16只电器元件的寿命分别为Z1, Z2, , Z16, 16 则16只电器元件的寿命总和为Z Zi, 由题设E Zi 100, DZi 1002 i1
- 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)。
第二讲 §2 概率空间 1. 概率函数如何确定随机事件的概率?有这样两种想法。
客观方法:通过观测,统计事件出现的频率。
以值硬币为例:An n f n=。
思考题:以此确定概率有何不足?主观方法:如果硬币是均匀的,就应该假设正反面出现的概率是相同的。
但硬币是否均匀如何判断?事实上这正是许多情况下需要解决研究的问题。
定义(概率公理体系)对给定的样本空间(,)S ℑ,称定义在事件域上的集类函数:[0,1]P ℑ→,:Pr()P A A →,为概率函数,若满足条件, 1)Pr()1S =;2)可列可加性:设事件序列{,1,2,}n A n =互不相容,即i j A A φ=,i j ∀≠,一定有11Pr()Pr()n n n n A A ∞∞===∑。
思考题:为何不能要求一般的可加性,即参与并的事件个数必须是可列的?概率为零的事件与不可能事件是否有区别? 2. 概率性质 1)Pr()0φ=;此性质可以推知:概率函数具有有限可加性; 2)减法公式:Pr()Pr()Pr()A B A AB -=-; 此性质说明:概率函数是单调增加的函数。
特殊情况:Pr()1Pr()A A =-。
3)加法公式:Pr()Pr()Pr()Pr()A B A B AB =+-; 此公式可推广到有限多个事件并的情形。
4)概率函数的连续性。
a) 若{,1,2,}n A n =是单调增加序列,即1n n A A +⊃,则1Pr(lim)lim Pr()n n n n n A A ∞→∞→∞==;b) 若{,1,2,}n A n =是单调减少序列,即1n n A A +⊂,则1Pr(lim)lim Pr()n n n n n A A ∞→∞→∞==;c) 对任意事件序列,1Pr(lim )Pr()lim Pr()n n n k k n kn kn A A A ∞∞∞→∞===→∞==,1Pr(lim )Pr()lim Pr()n n n n k k n kn kA A A ∞∞∞→∞→∞=====。
思考题 用语言描述事件序列的上下极限的直观含义。
§3 古典概型,几何概型概率函数并没有直接给出一个随机事件的概率,只是要求其满足直观的条件。
那么具体问题中,如何确定概率?必须考虑问题的特殊性。
古典概率是比较典型的例子。
1. 古典概型。
如果样本空间和概率函数满足下面的条件,则称该概率问题为古典概率问题, (1)样本空间的元素个数只有有限个;(2)基本事件的概率相等。
具体而言,1{,,}n S e e =,1Pr()Pr()n e e ==。
定理 对古典概型,11Pr()Pr()2n e e ===;#Pr()#AA S=。
这里#A 表示集合A 中元素的个数。
所以,古典概型问题就转化为计数问题。
2. 排列组合 计数的两个基本原理 1) 加法原理; 2) 乘法原理。
典型的排列组合问题1. Sampling with replacement and with ordering (m balls labeled within the urn) Draw n balls sequentially, each ball drawn being put back, recording the numbers on the balls. Result: n m2. Sampling without replacement and with ordering (m balls labeled within the urn) Draw ()n m ≤ balls sequentially, each ball drawn being left out, recording the numbers on the balls. Result: (1)(1)m m m n --+3. Sampling without replacement and without ordering (m balls labeled within the urn)Draw n balls sequentially, each ball drawn being put back, not recording the numbers on the balls.Result: nm C4. Permutation m balls distinguishable by r groups: 1r m m m =++.Arrange m balls, balls in each group are not distinguishable. Result:1!!!r m m m5. Sampling with replacement and without ordering (m balls labeled within the urn) Draw n balls sequentially, each ball drawn being put back, without paying attention to their order.Result: 11m m n C -+-3. 古典概型计算例子为了叙述问题方便起见,引入随机变量概念,在第二章将详细讨论,这里只是为描述问题方便起见而引入此概念。
定义(随机变量)给定样本空间和相应的事件域:(,)S F 。
称可测函数1:X S R →,为随机变量,这里1R 上的σ域如为Borel 域。
注 随机变量把随机试验的结果与数字相联系。
例 掷硬币,骰子问题中的随机变量,均匀分布。
随机变量的例子:通常定义的函数均是可测的。
定义(随机变量的分布函数)对给定的随机变量,称()Pr{}F x X x =≤为该随机变量的分布函数。
下面给出一些典型的古典概率计算问题。
例题1 (抽样问题)Urn 中共有黑白两种颜色球n 个,其中黑球b 个,白球n b -个,随机抽取r 个球。
这里,抽取球的方式有如下两种,a)(无放回抽样)同时随机抽取r 个球;或每次随机抽取,但抽出的球不放回; b)(有放回抽样)每次随机抽取一球,随后放回,再抽取第二个球,共进行r 次抽样。
如果以随机变量X 记录抽到黑球的个数。
分别计算Pr{}X m =的概率。
解 a) 显然,概率不为零时,要求min{,}m r b ≤,且则Pr{}0X m ==。
在m b ≤是,Pr{}m r mb n brnC C X m C --==; 而如果是逐个不放回抽取,结果是一样的:(1)()()[()()1]Pr{}(1)bb m n b n b n b r m X m n n r -+-----+==-+。
但样本空间是不同的。
但整个样本空间的元素个数和事件元素个数是同比例扩大和缩小。
b) 有放回时,则0,1,,m r =,此时()Pr{}1mr mm r mm m r r r b n b b b X m C C n n n ---⎛⎫⎛⎫===- ⎪ ⎪⎝⎭⎝⎭。
例2 (盒子模型,生日问题,p.21)例3 (配对问题,p.34)参加某聚会的n 个人都向房子中央扔出自己的帽子。
充分混合后,个人随机地抽取帽子。
问 1) 没有一个人选到自己帽子的概率是多少? 2) 恰好有k 个人选到自己的帽子的概率是多少? 解 1) 记事件“第i 个人选择自己的帽子”为i E ,则1111()(1)()nnj j i n j i j P E C P E E -===-∑。
而1()!()!j n j P E E n -=。
所以,1111()(1)!n n j i i j P E j -===-∑。
即得要求的事件的概率为:111(1)1()1!j nni i j P E j -==--=-∑。
2) 在1)解决后,较容易。
该事件必须两个事件k B =“有k 个人拿到自己的帽子”和k C “其余n k -个人没有拿到自己的帽子”同时发生。
因此22()!111Pr()Pr()Pr(|)(1)(1)!!!!k n kn k i i n k k k k k i i n k C B C B C B n i k i --==-==⨯-=-∑∑。
4. 几何概型。
这里讨论不要求元素个数的有限,但仍保留等可能性假设的一个概率问题:区间上的均匀分布。
样本空间:[,]S a b =,事件域:ℑ为Borel 集。
其上的概率函数由[,]S a b =上的测度函数{(,]}c dm c d b a-=-确定。
思考题:把均匀分布推广到平面上。
习题1.21. 除代数方法,希望能用排列组合的方法给出证明。
2. 如果不能区分两枚硬币,则问题有何不同,还是古典概型吗?得到的结果是否相同?在两枚硬币可以区分时,用概率性质来做。
如果1A 表示事件“第一枚硬币是正面”,2A 表示事件“第二枚是正面”。
则需要计算的事件概率为12121213()()()()144P A A P A P A P A A =+-=-=。
(所以在引入事件独立性和条件概率这些概念后,问题更容易计算)3. 需要把问题明确。
如何随机地选取一个证整数?基本事件和样本空间是什么?例如,{(,)}m n S e m n ==,一般的想法应该是每个事件是等可能发生的,但样本空间是可列的,所以,Pr{}0m n e =。
所以,在此模型下,无法考虑问题。
如果先限定所取的数有限:,m n N ≤,此问题的解:022(1)22()1N N N P A N ⎡⎤⎡⎤+⎢⎥⎢⎥⎣⎦⎣⎦=-;022(1)22()N N N P A N ⎡⎤⎡⎤+⎢⎥⎢⎥⎣⎦⎣⎦=。
则011lim ()lim ()2N N N N P A P A →∞→∞==,但已改变了问题。
应该考虑事件域是什么。
如果确实能构造这样的概率空间(,,)S P F ,且0A ∈F ,1A ∈F ,01()()P A P A =,那么由于01A A S =,01A A φ=,所以,01()()1/2P A P A ==。
最简单的构造方法,是01{,,,}S A A φ=F ,但这样此问题就没有意义了。
此问题值得探索。
下面是从随机过程出发的一个论述。
If we solve the problem in the set {1,,}n , a random variable can be defined:1n X ⎧=⎨⎩, if the selected number is even, 0n X =, otherwise, 1n X =.The probability space,{1,,}n S n =,10{,,{21,0,,},{2,1,,}}22n n n n n n S A k k A k k φ⎡⎤⎡⎤==+===⎢⎥⎢⎥⎣⎦⎣⎦F , 02Pr{}n n A n ⎡⎤⎢⎥⎣⎦=, 102Pr{}1n A n⎡⎤⎢⎥⎣⎦=-.(21)0n X k +=, (2)0nX k =.1122()(1)()22nitXit it n n n t Ee e t e n n φφ⎡⎤⎡⎤⎢⎥⎢⎥⎣⎦⎣⎦==+-→=+. That means , the series {,1}n X n ≥ convergences in distribution to X . The probability space: 1n n S S N ∞===;10{,,,,1,2,,{1,3,5,,},{2,4,6,}}n n S A A n φ==F .Hence, we will find exactly the meaning of the random process.16. 2#(531)S =⨯⨯,#531421A =⨯⨯⨯⨯⨯。