概率论<一>——随机事件与概率(一)

简介: 概率论<一>——随机事件与概率

前言


做概率论的笔记和大家一起学习,我是看b站的这个视频梨米特.感觉讲的挺不错的,大家可以去看看,对照着我做的笔记会事半功倍。

随机实验


定义

  • 实验可以在相同条件下重复进行
  • 每次实验的可能结果都不止一个,并且能事先明确实验的所有可能结果;
  • 进行一次实验之前不能确定哪一个结果会出现;则称之为随机实验;简称试验E;

例如:抛掷硬币,观察正面H(head),反面T(tail)出现的情况.

样本空间


定义

样本空间:随机试验所有可能结果组成的集合,记为s或a. (sample space)

样本点:随机试验的每个结果,称为样本点,记为e. (element)

样本空间S是由全体样本点e构成的集合:s={e};

例题:

E:将-枚硬币抛掷三次,观察正面H、反面r出现的情况。


S= {H,HT,HTHTTT,TTTH,THT,THHSE:将一枚硬币抛掷三次,观察出现正面H的次数。


E:在一批灯泡中任意抽取一只,测试它的本空间的概念寿命。


S={t1t30}描述法


E,:记录某城市120急救电话台一昼夜接到的呼唤次数。


s={o,13-}={k|K∈N}

总结:求S方法!: 列举法(有限个);方法2:描述法(无限多)

随机事件


定义

随机事件:样本空间S的子集称为E的随机事件,用A, B等表示,简称事件.

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,称此事件发生.

基本事件:由一个样本点组成的单点集,称为基本事件.

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,故称为必然事件.

不可能事件:空集φ不包含任何样本点,在每次试验中都不发生,称为不可能事件.

事件间的关系、事件的运算及运算法则

回顾:随机事件是一个集合.高中我们就学过集合间的关系与运算。

引入:事件间的关系与事件的运算可按集合论中集合之间的关系和集合运算来处理,并根据“事件发生”的含义,给出它们在概率论中的含义.

事件间的关系和运算

image.png

image.png

  注:(1)事件组A1,A2,....,An中任意两个事件互不相容,则称这些事件为两两互斥或两两互不相容;

         (2)在一次试验中,基本事件是两两互不相容的;


image.png

image.png

推广:n个事件A1,,A2,,,An的和事件,积事件:

image.png

事件的运算法则

image.png

注意:对偶律在平时练习中经常遇到,可以根据这句口诀背下它:" 长线变短线,开口变方向"

       (1)通过事件的运算,可以将一个事件表示成与它相等的形成,便于计算

         (2)事件运算顺序约定为先进行逆运算,后交运算,最后并或差运算

例题:

请写出下列随机事件.

E;:将- -枚硬币抛掷三次,观察正面H、反面T出现的情况.

A1:“第一次出现的是H", A2:“三次出现同一面”.

请写出:

image.png

image.png

注:请借助文氏图考虑事件A-B,AB,B-A之间的关系

image.png

结论:A-B,AB,B-A两两互不相容

        A=(A-B)UAB

        B=(B-A)UAB

        AUB={A-B}UABU(B-A)

频率与概率


引入:希望知道某事件在一-次试验中发生的可能性究竟有多大?即求其概率。但自从中学以来,我们还没有给“概率”-个准确的定义.

一、概率的描述性定义

定义: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.

二、概率的统计性定义-频率

1.定义:在相同条件下, 进行了n次试验,在这n次试验中,事件A发生的次数n,称

为事件A发生的频数,比值称为事件A发\生的频率,并记成f,(4).

2.频率的基本性质:

(1)0≤f(A)≤1;

(2) f,(S)=1;

3)若A,A,.A,是两两互补相容的事件,

f(AUAU...UA)= f(A)+ f(A)...+f(4)

注:频率大小表示A发生的频繁程度.频率大,事件A发生就频繁,这就意味着事件A在- -次试验中发生的可能性大就大。

三、概率的公理化定义

1.定义:设E是随机试验,S是它的样本空间.对于E的每一个事件 A赋予-个实数,

记为P(A),如果集合函数P()满足下列条件:

(1)非负性:对每一一个事件A,有P(A)≥0;

(2)规范性:对必然事件S,有P(S)=1;

(3)可列可加性:设A,.,.,,..是两两互不相容的事件,即AA=φ, i≠j, i,j=1,2,.,..,有P(AUAU.UA,U.)= P(A)+ P(A)+...+ P(A)+...

2.概率的重要性质

性质1: P(空)=0.


性质2(有限可加性):设A,,,A,是两两互不相容的事件,即


AA,=φ, i≠j, i,j=l,2,,n,有P(A1∪A2∪.UAn)= P(A1)+ P(A2)+..+P(An)


性质3(减法公式):设A, B是任意两个事件,则P(A- B)= P(A)-P(AB)

image.png
性质4(单调性 ):设A,B是两个事件,若BcA,则P(A- B)=P(A)-P(B), P(A)>=P(B).
image.png
image.png 性质5(有界性):对任一事件A,有P(A)≤1.

性质6(逆事件概率):对任- -事件A,有P(A)=1-P(A).

image.png

性质7(加法公式):对于任意两个事件A.B,有P(AUB)= P(A)+ P(B)- P(AB).

image.png

image.png

推广:P(AUBUC)= P(A)+ P(B)+ P(C)一P(AB)- P(AC)- P(BC)+ P(ABC)

古典概型


中学概率知识:

加法原理:设完成一件事有n类方法(只要选择其中一类方法即可完成这件事) ,若第一

类方法有m1种,第二类方法有m2种,..第n类方法有mn,种,则完成这件事共有N=m1+m2, +..+mn,种方法.

乘法原理:设完成- -件事须有n个步骤(仅当n个步骤都完成,才能完成这件事),若第

-步有m1种方法,第二步有m2种方法, ...第n步有m,种方法,则完成这件事共有N= m1xm2x...xmn,种方法.

image.png

注:有顺序用排列,无顺序用组合

定义

若随机试验E满足:

(1)样本空间S只含有限个样本点,S={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,也称为古典概型.

 古典概型中,事件A={e1,e2,e3,,,,,en, }发生的概率为

 p(A)=k/n=A包含的基本事件数/S中的基本事件总数。

image.png

这里没啥好说的了,就是练题练习:

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

相关文章
|
传感器 安全 API
SCP Firmware入门一篇就够啦
SCP Firmware入门一篇就够啦
1821 0
|
运维 Prometheus 监控
Grafana 系列 - 统一展示 -11-Logs Traces 无缝跳转
Grafana 系列 - 统一展示 -11-Logs Traces 无缝跳转
|
开发工具 git
Git使用不当导致代码丢失的N种场景
背景git作为目前使用最广泛的分布式版本控制软件,集团内基本上所有开发同学都使用它来做代码管理。一个最典型的使用场景,是一个git仓库存在一个master主干分支,多个需求基于master拉自己的开发分支,然后在发布日时,新建一个release分支,然后原先并行的几个开发分支merge到release分支上,最后基于该分支发布上线,上线后release再merge到master主干上,一次发布完成
3804 1
Git使用不当导致代码丢失的N种场景
|
5月前
|
存储 人工智能 Serverless
AI时代最大的宝藏,也藏得最深:80%的企业知识沉睡在非结构化数据中
2026年AI进入应用爆发期,但非结构化数据成为瓶颈。Hologres推出AI原生新架构HSAP 2.0,融合语义搜索、多维分析与Serverless弹性,打造统一数据平面,让企业海量数据高效赋能AI,破解“数据熵”难题,支撑智能客服、销售助手等复杂场景,实现从“为人服务”到“为AI服务”的跨越。
|
传感器 人工智能 物联网
HarmonyOS NEXT~鸿蒙操作系统功耗优化特性深度解析
本文深入解析了华为鸿蒙(HarmonyOS)操作系统的功耗优化特性,涵盖低功耗设计原理、核心技术及实际应用效果。通过与Android对比,展现其在待机功耗、CPU调度效率和内存占用上的优势。文章重点阐述分布式任务调度、微内核架构及智能感知技术,并针对智能穿戴、物联网和智能手机等场景优化进行分析,同时为开发者提供优化建议。未来,鸿蒙将探索AI预测性管理等新技术,进一步提升能效表现。
2571 30
|
9月前
|
数据采集 存储 安全
一文带你讲透数据仓库分层!
在数据处理中,常遇到数据混乱、指标不一致、开发排期长等问题,根源往往在于数据分层设计不合理。本文详解数据仓库分层(ODS、DWD、DWS、DM、APP等),阐述其在数据清洗、整合、管理及应用中的关键作用,帮助提升数据质量、减少重复开发、增强系统扩展性,从而高效支撑业务决策。
一文带你讲透数据仓库分层!
|
传感器 人工智能 边缘计算
“种田也能上5G?”——带你看懂5G+智慧农业的真相与技术细节
“种田也能上5G?”——带你看懂5G+智慧农业的真相与技术细节
500 19
|
数据采集 Java Python
如何用Python同时抓取多个网页:深入ThreadPoolExecutor
在信息化时代,实时数据的获取对体育赛事爱好者、数据分析师和投注行业至关重要。本文介绍了如何使用Python的`ThreadPoolExecutor`结合代理IP和请求头设置,高效稳定地抓取五大足球联赛的实时比赛信息。通过多线程并发处理,解决了抓取效率低、请求限制等问题,提供了详细的代码示例和解析方法。
508 0
如何用Python同时抓取多个网页:深入ThreadPoolExecutor
|
存储 数据采集 数据处理
Pandas中批量转换object至float的高效方法
在数据分析中,常需将Pandas DataFrame中的object类型列转换为float类型以进行数值计算。本文介绍如何使用`pd.to_numeric`函数高效转换,并处理非数字值,包括用0或平均值填充NaN值的方法。
1140 1
|
存储 缓存 监控
Sentry Web 前端监控 - 最佳实践(官方教程)
Sentry Web 前端监控 - 最佳实践(官方教程)
1959 0
Sentry Web 前端监控 - 最佳实践(官方教程)