第1章 概率论的基本概念

第1章 概率论的基本概念

1.1 随机试验、样本空间与事件

一、随机现象与随机试验

  • 随机现象：个别试验结果不确定，但大量重复试验结果具有统计规律性的现象（如抛硬币、测量手机寿命）。
  • 随机试验（Random Experiment）：研究随机现象的观察/实验，需满足以下3个特点（记为 \(E\)）：
    1. 重复性：相同条件下可重复进行；
    2. 明确性：所有可能结果可事先明确；
    3. 随机性：每次试验前无法确定具体结果。
  • 示例：
    \(E_1\)（抛硬币观察正反面）、\(E_2\)（掷骰子观察点数）、\(E_3\)（记录某网站日登录人数）、\(E_4\)（测量手机使用寿命）、\(E_5\)（记录新生身高体重）。

二、样本空间与样本点

  • 样本空间（Sample Space）：随机试验所有可能结果的集合，记为 \(\Omega\)（或 \(S\)）。
  • 样本点（Sample Point）：样本空间中的每个元素，记为 \(\omega\)（或 \(e\)），即 \(\Omega = \{\omega\}\)。
  • 示例：
    • 抛硬币 \(E_1\)：\(\Omega_1 = \{H, T\}\)（\(H\) 正面，\(T\) 反面）；
    • 掷骰子 \(E_2\)：\(\Omega_2 = \{1, 2, 3, 4, 5, 6\}\)；
    • 记录网站登录人数 \(E_3\)：\(\Omega_3 = \{0, 1, 2, \dots\}\)；
    • 测量手机寿命 \(E_4\)：\(\Omega_4 = \{t \mid t \in \mathbb{R}, t \geq 0\}\)；
    • 记录新生身高体重 \(E_5\)：\(\Omega_5 = \{(x, y) \mid 0 < x < 300, 0 < y < 300\}\)（\(x\) 身高，\(y\) 体重）。

三、随机事件（Random Event）

  • 定义：样本空间的子集（记为 \(A, B, C\) 等），事件发生当且仅当其包含的某个样本点出现。
  • 特殊事件：
    1. 基本事件：仅含一个样本点的单点集（如 \(E_1\) 中的 \(\{H\}, \{T\}\)，\(E_2\) 中的 \(\{1\}, \{2\}, \dots, \{6\}\)）；
    2. 必然事件：样本空间 \(\Omega\) 自身（每次试验必发生）；
    3. 不可能事件：空集 \(\varnothing\)（每次试验必不发生）。
      注：必然事件和不可能事件是极端情形的随机事件。

四、事件间的关系与运算

事件是样本空间的子集，其关系与运算可用集合论描述：

关系/运算 定义 数学表达式/说明
包含 若 \(A\) 发生必导致 \(B\) 发生，则 \(A \subset B\) \(A \subset B\)（\(A\) 是 \(B\) 的子集）
相等 \(A \subset B\) 且 \(B \subset A\) \(A = B\)
和事件（并） \(A\) 或 \(B\) 至少一个发生 \(A \cup B = \{x \mid x \in A \text{ 或 } x \in B\}\)
积事件（交） \(A\) 和 \(B\) 同时发生 \(A \cap B\) 或 \(AB = \{x \mid x \in A \text{ 且 } x \in B\}\)
差事件 \(A\) 发生但 \(B\) 不发生 \(A - B = \{x \mid x \in A \text{ 且 } x \notin B\} = A \cap \overline{B}\)
互不相容 \(A\) 和 \(B\) 不能同时发生 \(A \cap B = \varnothing\)（基本事件两两互不相容）
对立事件 \(A\) 和 \(B\) 既不能同时发生，也不能同时不发生（必有一个发生） \(A \cap B = \varnothing\) 且 \(A \cup B = \Omega\)，记 \(B = \overline{A}\)
完备事件组 事件组 \(\{B_1, B_2, \dots, B_n\}\) 满足 \(\bigcup B_k = \Omega\) 且 \(B_i \cap B_j = \varnothing\)（\(i \neq j\)） \(\{A, \overline{A}\}\) 是一组完备事件组

五、事件运算律

运算律 公式
交换律 \(A \cup B = B \cup A\)；\(A \cap B = B \cap A\)
结合律 \((A \cup B) \cup C = A \cup (B \cup C)\)；\((A \cap B) \cap C = A \cap (B \cap C)\)
分配律 \((A \cup B) \cap C = (A \cap C) \cup (B \cap C)\)；\(A \cup (B \cap C) = (A \cup B) \cap (A \cup C)\)
德摩根律 \(\overline{A \cup B} = \overline{A} \cap \overline{B}\)；\(\overline{A \cap B} = \overline{A} \cup \overline{B}\)（可推广到有限或可列个事件）

六、例1.1 事件表示（含解答）

设 \(A, B, C\) 为三个事件，用 \(A, B, C\) 表示以下事件：

  1. \(A\) 发生而 \(B\) 与 \(C\) 都不发生：\(A \overline{B} \overline{C}\)；
  2. \(A\) 与 \(B\) 都发生而 \(C\) 不发生：\(AB \overline{C}\)；
  3. \(A, B, C\) 都发生：\(ABC\)；
  4. \(A, B, C\) 恰有一个发生：\((A \overline{B} \overline{C}) \cup (\overline{A} B \overline{C}) \cup (\overline{A} \overline{B} C)\)；
  5. \(A, B, C\) 至少有一个发生：\(A \cup B \cup C\)；
  6. \(A, B, C\) 中不多于两个发生：\(\overline{ABC}\)（或 \(\overline{A} \cup \overline{B} \cup \overline{C}\)）；
  7. \(A, B\) 至少有一个发生而 \(C\) 不发生：\((A \cup B) \overline{C}\)；
  8. \(A, B, C\) 恰有两个发生：\((\overline{A} BC) \cup (A \overline{B} C) \cup (A B \overline{C})\)。

辨析题（含答案）

  1. 判断：“必然事件与不可能事件是互不相容的。”是否正确？
    答案：正确。必然事件 \(\Omega\) 包含所有样本点，不可能事件 \(\varnothing\) 不包含任何样本点，故 \(\Omega \cap \varnothing = \varnothing\)，满足互不相容定义。

  2. 判断：“若 \(A\) 与 \(B\) 互不相容，则 \(A\) 与 \(B\) 必对立。”是否正确？
    答案：错误。互不相容仅要求 \(A \cap B = \varnothing\)，但对立还需 \(A \cup B = \Omega\)（如掷骰子时“出现1点”和“出现2点”互不相容但不对立）。

  3. 用事件运算表示“三个事件 \(A, B, C\) 中恰有两个发生”。
    答案：\((A \cap B \cap \overline{C}) \cup (A \cap \overline{B} \cap C) \cup (\overline{A} \cap B \cap C)\)（或简写为 \(AB\overline{C} \cup A\overline{B}C \cup \overline{A}BC\)）。

  4. 判断：“\(\overline{A \cup B} = \overline{A} \cup \overline{B}\)”是否正确？若错误，写出正确表达式。
    答案：错误。正确表达式为 \(\overline{A \cup B} = \overline{A} \cap \overline{B}\)（德摩根律）。

  5. 说明“基本事件”与“互不相容事件”的联系。
    答案：基本事件是仅含一个样本点的单点集，任意两个不同基本事件的交集为空（\(\{\omega_i\} \cap \{\omega_j\} = \varnothing\)，\(\omega_i \neq \omega_j\)），因此基本事件两两互不相容。

  6. 若 \(A\) 与 \(B\) 对立，能否推出 \(A\) 与 \(B\) 互不相容？反之是否成立？
    答案：

    • 对立一定互不相容。因对立事件满足 \(A \cap B = \varnothing\)，故必互不相容。
    • 互不相容不能推出对立。互不相容仅要求 \(A \cap B = \varnothing\)，但对立还需 \(A \cup B = \Omega\)（如掷骰子时“出现1点”和“出现2点”互不相容但不对立）。

1.2 古典概型与几何概型

1. 古典概型

  • 定义：具有有限个等可能结果的随机试验模型（又称等可能概型）。
  • 特征：
    1. 样本空间含有限个基本事件（\(|\Omega|=n\)）；
    2. 每个基本事件发生概率相等（\(P(\{\omega_i\})=\frac{1}{n}\)）。
  • 概率计算：
    若事件 \(A\) 含 \(k\) 个基本事件，则 \(P(A)=\frac{k}{n}\)（\(k\) 为 \(A\) 的基本事件数，\(n\) 为 \(\Omega\) 的基本事件总数）。
  • 典型例题：
    • 取球问题：如5球（3白2黄）中不放回取2次，计算两白、颜色不同、至少一白的概率（用排列组合计算基本事件数）；
    • 放球问题：4球放10杯，求1-4杯各一球的概率（\(\frac{P_4^4}{P_{10}^4}=\frac{1}{210}\)）；
    • 抓阄原理：第 \(k\) 次摸白球的概率与顺序无关（如 \(a\) 白 \(b\) 红，概率恒为 \(\frac{a}{a+b}\)）。

2. 几何概型

  • 定义：样本点无限且等可能，概率与区域测度（长度/面积/体积）成正比的概型。
  • 公式：
    \(P(A)=\frac{\text{事件}A\text{对应区域的测度}}{\text{样本空间}\Omega\text{对应区域的测度}}\)。
  • 类型与经典模型：
    • 一维线段：如向线段 \(L\) 投点，落在线段 \(l\) 上的概率为 \(\frac{l}{L}\)；
    • 二维平面：
      • 会面问题：甲乙7-8点会面（等候20分钟），设 \(x,y\) 为到达时刻（分钟），则 \(\Omega=\{(x,y)|0\leq x,y\leq60\}\)，\(A=\{(x,y)||x-y|\leq20\}\)，概率 \(P(A)=\frac{60^2-40^2}{60^2}=\frac{5}{9}\)；
    • 三维空间：如容器中粒子分布概率（测度为体积）。

3. 小概率原理与生日问题

  • 小概率原理：概率极小（如 \(P<0.0001\)）的事件在一次试验中几乎不可能发生。
  • 生日问题：\(n\) 人至少2人生日相同的概率为 \(P=1-\frac{365\times364\times\cdots\times(365-n+1)}{365^n}\)。
    示例：\(n=30\) 时 \(P\approx0.7063\)，\(n=50\) 时 \(P\approx0.9704\)（概率随 \(n\) 增大迅速上升）。

4. 随机模拟法（蒙特卡洛法）

  • 原理：通过设计随机试验，用频率近似概率，求解未知参数（如 \(\pi\)）。
  • 经典应用：
    投针试验：平行线间距 \(a\)，针长 \(l(l<a)\)，相交概率 \(P=\frac{2l}{\pi a}\)。通过大量投针（\(N\) 次）统计相交次数 \(n\)，得 \(\pi\approx\frac{2lN}{an}\)。
    历史数据：沃尔夫（1850年，5000次）得 \(\pi\approx3.1596\)；雷娜（1925年，2520次）得 \(\pi\approx3.1795\)。

经典模型列表

模型类型 模型名称 核心公式/方法 应用场景
古典概型 取球问题 \(P(A)=\frac{k}{n}\)（排列组合计算 \(k,n\)） 不放回/放回抽样的概率计算
古典概型 抓阄原理 第 \(k\) 次摸白球概率 \(\frac{a}{a+b}\) 无放回抽样的公平性验证
几何概型 会面问题 \(P(A)=\frac{\text{满足条件的区域面积}}{\Omega\text{面积}}\) 时间/空间上的相遇概率
几何概型 投针问题 \(P=\frac{2l}{\pi a}\)（积分计算面积比） 通过几何概率反推未知常数（如 \(\pi\)）
统计模拟 蒙特卡洛法 \(\pi\approx\frac{2lN}{an}\)（频率近似概率） 复杂问题的数值计算

1.3 条件概率、全概率公式、贝叶斯公式和独立性

一、核心概念与定理

1. 条件概率
  • 定义：设 \(A, B\) 为事件且 \(P(B) > 0\)，则在 \(B\) 发生条件下 \(A\) 发生的概率为

    \[P(A|B) = \frac{P(AB)}{P(B)} \]

  • 性质：满足概率公理化定义（非负性、规范性、可列可加性）。
  • 计算方法：可通过“缩减样本空间”（在 \(B\) 的样本空间中直接计算 \(A\) 的概率）。
2. 乘法公式
  • 两个事件：由条件概率推导，

    \[P(AB) = P(A|B)P(B) = P(B|A)P(A) \quad (P(A), P(B) > 0) \]

  • 推广到 \(n\) 个事件：若 \(P(A_1A_2\cdots A_n) > 0\)，则

    \[P(A_1A_2\cdots A_n) = P(A_1|A_2\cdots A_n)P(A_2|A_3\cdots A_n)\cdots P(A_n) \]

3. 全概率公式
  • 定理：若 \(B_1, B_2, \dots, B_n\) 是样本空间 \(\Omega\) 的完备事件组（互斥且 \(\bigcup B_k = \Omega\)），且 \(P(B_k) > 0\)，则对任意事件 \(A\)，

    \[P(A) = \sum_{k=1}^n P(B_k)P(A|B_k) \]

  • 应用：将复杂事件 \(A\) 分解为简单事件 \(B_k\) 的条件概率之和（如手机配件次品率计算）。
4. 贝叶斯公式
  • 定理：设 \(B_1, B_2, \dots, B_n\) 为完备事件组，\(P(A) > 0\) 且 \(P(B_k) > 0\)，则

    \[P(B_i|A) = \frac{P(A|B_i)P(B_i)}{\sum_{k=1}^n P(A|B_k)P(B_k)} \]

  • 应用：已知结果 \(A\)，反推原因 \(B_i\) 的概率（如疾病诊断、信号识别）。
5. 事件独立性
  • 两事件独立：若 \(P(AB) = P(A)P(B)\)，则 \(A\) 与 \(B\) 独立（等价于 \(P(A|B) = P(A)\) 或 \(P(B|A) = P(B)\)，当 \(P(B), P(A) > 0\) 时）。
  • 对立事件独立性：若 \(A\) 与 \(B\) 独立，则 \(\bar{A}\) 与 \(B\)、\(A\) 与 \(\bar{B}\)、\(\bar{A}\) 与 \(\bar{B}\) 均独立。
  • 两两独立：\(n\) 个事件中任意两个满足 \(P(A_iA_j) = P(A_i)P(A_j)\)。
  • 相互独立：\(n\) 个事件两两独立且任意 \(k\) 个事件的积事件概率等于各事件概率的乘积（如三个事件需满足 \(P(ABC) = P(A)P(B)P(C)\)）。
    注意：两两独立不一定相互独立（反例见教材）。

二、辨析题（含答案）

题1：条件概率 \(P(A|B)\) 与联合概率 \(P(AB)\) 是否相同？

答：不同。\(P(AB)\) 是 \(A\) 和 \(B\) 同时发生的概率；\(P(A|B)\) 是在 \(B\) 已发生的条件下 \(A\) 发生的概率，二者关系为 \(P(A|B) = \frac{P(AB)}{P(B)}\)（\(P(B) > 0\)）。

题2：若 \(A\) 与 \(B\) 独立，是否一定互斥？反之是否成立？

答：不一定。

  • 独立指 \(A\) 发生不影响 \(B\) 发生的概率（\(P(AB) = P(A)P(B)\)）；互斥指 \(A\) 和 \(B\) 不能同时发生（\(AB = \varnothing\)，故 \(P(AB) = 0\)）。
  • 若 \(A\) 与 \(B\) 独立且 \(P(A), P(B) > 0\)，则 \(P(AB) = P(A)P(B) > 0\)，故不互斥；反之，互斥事件若 \(P(A), P(B) > 0\) 则不独立。
题3：全概率公式与贝叶斯公式的应用场景有何不同？

答：

  • 全概率公式用于“由因导果”：已知各原因 \(B_k\) 及其概率 \(P(B_k)\)，求结果 \(A\) 发生的总概率 \(P(A)\)（如计算混合血清含病毒的概率）。
  • 贝叶斯公式用于“由果溯因”：已知结果 \(A\) 发生，求导致 \(A\) 的各原因 \(B_k\) 的条件概率 \(P(B_k|A)\)（如根据症状判断病因）。
题4：两两独立与相互独立的区别是什么？举反例说明两两独立但不相互独立的情况。

答：

  • 两两独立仅要求任意两个事件满足 \(P(A_iA_j) = P(A_i)P(A_j)\)；相互独立还要求任意 \(k\) 个事件的积事件概率等于各事件概率的乘积（如三个事件需满足 \(P(ABC) = P(A)P(B)P(C)\)）。
  • 反例：设样本空间 \(\Omega = \{\omega_1, \omega_2, \omega_3, \omega_4\}\)（等可能），事件 \(A = \{\omega_1, \omega_2\}, B = \{\omega_1, \omega_3\}, C = \{\omega_1, \omega_4\}\)。
    则 \(P(A) = P(B) = P(C) = \frac{1}{2}\)，\(P(AB) = P(AC) = P(BC) = \frac{1}{4} = P(A)P(B)\)（两两独立），但 \(P(ABC) = \frac{1}{4} \neq P(A)P(B)P(C) = \frac{1}{8}\)（不相互独立）。
题5：投针试验如何体现蒙特卡洛法的核心思想？

答：蒙特卡洛法通过设计随机试验，将未知量（如 \(\pi\)）与事件概率关联，用频率近似概率求解。投针试验中，针与平行线相交的概率 \(P(A) = \frac{2l}{a\pi}\)，通过大量投针（\(N\) 次）统计相交次数 \(n\)，用频率 \(\frac{n}{N}\) 近似 \(P(A)\)，从而反推 \(\pi \approx \frac{2lN}{an}\)，体现了“随机试验→频率近似概率→求解未知量”的核心思想。

posted @ 2025-09-03 15:05  Wisdom-Wu  阅读(91)  评论(0)    收藏  举报