1、随机事件与样本空间及关系和运算
1.1、样本空间
样本空间 (Omega) : E 的所有可能结果为元素构成的集合
样本点 : (Omega) 中的元素,即试验的一个基本结果
其中,试验的特征为:
- 试验可以在相同的条件下重复进行
- 试验的结果可能不止一个,但试验前知道所有可能的全部结果
- 在每次试验前无法确定会出现哪个结果具有上述特征的试验称为 随机试验,简称 试验
1.2、随机事件
样本空间 (Omega) 的子集称为 随机事件,简称为 事件
随机试验的数学描述:
-
试验 E 的全部结果(其中是基本结果的集合) (Leftrightarrow) 样本空间 (Omega) (其中是样本点的集合)
-
随机事件 (Leftrightarrow) (Omega) 中的子集 A
-
事件 A 发生 (Leftrightarrow) A中样本点出现
基本事件:由一个样本点构成的单点集 { ({omega}) }
必然事件:(Omega(Omega subset Omega))
不可能事件:(empty(空集empty subset Omega))
1.3、事件的关系与运算
-
1、(A subset B) (Leftrightarrow) A 发生必导致 B 发生. 特别有 A = B (Leftrightarrow) (A subset B, B subset A)
-
2、(A cup B = { omega in A or omega in B }) (Leftrightarrow) A 发生或 B 发生,即 A,B 至少有一个发生,称为事件 A,B 的 和
-
3、(A cap B = { omega in A, omega in B }) (Leftrightarrow) A,B 同时发生称为事件 A,B 的 积
类似地可定义 n 个事件的积:
[igcap^{n}_{i = 1} A_i = { omega | omega in A_i, i = 1, 2,..., n } ] -
4、(A - B = { omega | omega in A, omega otin B }) (Leftrightarrow) A 发生 B 不发生称为事件 A,B 的差
-
5、若 (A cap B = empty),则称 A,B 互不相容(互斥),即 A,B 不能同时发生
-
6、若 (A cup B = Omega) 且 (A cap B = empty),则称 A,B 互为 逆事件 或称为 对立事件,记为
[A = Omega - B = ar{B}, B = Omega - A = ar{A} ]
1.4、事件的运算定律
2、频率与概率
事件域
设 (Omega) 为样本空间,F 是由 (Omega) 的子集组成的集合类,若 F 满足一下三点,则称 F 为 事件域
- (Omega in F);
- 若 (A in F),则 (ar{A} in F)
- 若 (A_n in F, n = 1, 2, ... ,) 则 $$igcup^{+ infty}_{n = 1} in F$$
2.1、频率(并由此导出概率的统计定义)
定义:记 (f_n(A) = displaystyle{frac{n_A}{n}});其中 (n_A)——A 发生的次数(频数);n——总试验次数。称 (f_n(A)) 为 A 在这 n 次试验中发生的频率。
性质:
- (0 leq f_n(A) leq 1)
- (f_n(Omega) = 1)
- 若 (A_1, A_2, ..., A_k) 两两互不相容,则
且 (f_n(A)) 随 n 的增大逐渐稳定,记稳定值为 p.
这种性质称为频率稳定性,也就是通常所说的统计规律性。
频率稳定值 即概率的统计定义。
2.2、概率的公理化定义
2.2.1、公理
- 非负性公理: (P(A) geq 0);
- 正则性公理: (P(Omega) = 1);
- 可列可加性公理: 若 (A_1, A_2, ......, A_n......) 互不相容,则
注:不互斥就是相容,相容,根据字面意思,就是互相有包容的意思,就是有交集。
2.2.2、性质
-
(P(empty) = 0)
-
有限可加性
[P(A_1 cup A_2 cup ... cup A_k) = P(A_1) + P(A_2) + ... + P(A_k) ]其中,(A_1, A_2 ... A_k) 两两互不相容
-
如果 (A subset B),则
- (forall A subset Omega, 0 leq P(A) leq 1)
- (forall A subset Omega, P(ar{A}) = 1 - P(A))
- (加法公式) (P(A cup B) = P(A) + P(B) - P(AB)) (注意:(A cup B = A cup (B - AB)),不要因为东西多而犯迷糊了) 推广:
3、等可能概型(古典概型)
3.1、定义
具有以下两个条件的随机试验称为等可能概型,
- 有限性 试验的样本空间中的元素只有有限个;
- 等可能性 每个基本事件的发生的可能性相同。
等可能概型也称古典概型。
3.2、计算公式
- (Omega = { {omega}_1, {omega}_2, ..., {omega}_n }) 且 (P({omega}_1) = P({omega}_2) = ... = P({omega}_n))
- 若事件 A 包含 k 个基本事件,即
其中 ((i_1, i_2, ... i_k 表示 1, 2, ..., n 中的 k 个不同的数))
则有 (P(A) = displaystyle{frac{k}{n}} = displaystyle{frac{A 包含的基本事件数}{Omega 中基本事件的总数}})
3.3、计算方法
- 构造 A 和 (Omega) 的样本点(当样本空间 (Omega) 的元素较少时,先一一列出 (Omega) 和 A 中的元素,直接利用 (P(A) = displaystyle{frac{k}{n}}) 求解)
- 用 排列组合 方法求 A 和 (Omega) 的样本点个数
预备知识:
Ⅰ. 加法原理:完成一项工作 m 类方法,第 i 类方法有 (n_i) 种(i = 1, 2, ..., m),则完成这项工作共有:(n_1 + n_2 + ... + n_m) 种方法。
Ⅱ. 乘法原理:完成一个工作有 m 个步骤,第 i 步有 (n_i) 种方法(i= 1, 2, ..., m),则完成该项工作一共有:(n_1n_2...n_m) 种方法。
Ⅲ. 排列:从 n 个元素中取出 r 个元素,按一定顺序排成一列,称为从 n 个元素里取出 r 个元素的排列。(n, r 均为整数)
① (无放回选取) 从 n 个不同的元素中无放回地取出 m 个((m leq n)) 进行排列,共有 (P^{m}_{n} = n(n - 1)...(n - m + 1) = displaystyle{frac{n!}{(n - m)!}}) 种方法。当 (m = n, P^{n}_{n} = n!),这叫全排列。
② (有放回选取) 从 n 个不同元素中有放回地抽取 r 个,依次排成一列,称为可重复排列,一共有 (n^r) 种方法。
Ⅳ. 组合:从 n 个元素中无放回取出 r 个元素,不考虑其顺序,组合数为