第一章 事件及其概率 §1 随机现象与统计规律性 一、随机现象 在自然界和人类社会中存在着两类现象. 第一类,在一定条件下某种现象必定发生或必定不会发生,这类现象称为确定性现象. 例如:自由落体在经过t秒钟后,落下的距离s必定是;在标准大气压下,水到60沸腾.第一种是必然会发生的,称为必然事件,记作Ω. 第二种是必然不会发生的,称为不可能事件,记作φ. 另一类,在一定条件下,某种现象可能发生也可能不发生,称这类现象为随机现象. 例如:杭州明年正月初一下雪;播种1000颗种子,有850颗发芽;发射一枚炮弹,弹着点与目标之间的距离为15米. 对随机现象,在基本相同的条件下,重复进行试验或观察,可能出现各种不同的结果;试验共有哪些结果事前是知道的,但每次试验出现哪一种结果却是无法预见的,这种试验称为随机试验(random experiment). 每次试验不能预测其结果,这反映随机试验结果的出现具有偶然性;但如果进行大量重复试验,所出现结果又具有某种规律性——统计规律性. 例如各次发射炮弹,弹着点与目标之间的距离可能各不相同,但如果射手技术较好,多次发射中距离近的必定是多数. 概率论就是研究大量随机现象的统计规律性的数学分支. 由于随机现象的广泛性,决定了这门学科的重要性. 即使在一定条件下某类现象可以视为确定性的,但在作更为深入的考察时,又应看作是随机的了. 例如对上面提到的自由落体运动,当我们考虑空气阻力、空气流动等因素时,物体下落的距离就不一定恰好是了. 随机试验的某一可能结果称为随机事件(random event),简称事件. 一次试验中,某事件A可能发生,也可能不发生,发生的可能性有大有小. 这一可能性大小的数量指标就是我们所要研究的事件的概率. 二、概率的统计定义 在相同条件下重复作N次试验,各次试验互不影响. 考察事件A出现的次数(频数) n,称 为A在N次试验中出现的频率(frequency). 频率一般与试验次数N有关;并且在N固定时, 作若干组N次试验,各组频率一般也不相同. 但当N很大时,频率却呈现某种稳定性,即在某常数附近摆动;且当N无限增大时,一般说来,频率会“趋向”这个常数. 这种规律称为随机现象的统计规律. 很自然,把频率所稳定到的那个常数表示事件A在一次试验中发生的可能性的大小,称作概率(probability), 记为P(A). 概率的这种定义称为统计定义. 实验者 掷硬币次数 出现正面 次数 频 率 蒲 丰 皮尔逊 皮尔逊 4040 12000 24000 2048 6019 12012 0.5069 0.5016 0.5005 例1 掷一枚硬币,可能出现正面,也可能出现反面. 记A={出现正面},当硬币均匀时,在大量试验中出现正面的频率应接近50%. 历史上有不少数学家作过试验,结果如右表. 自然地,我们认为对均匀硬币来说,P(A)=1/2. 例2 英文字母使用频率的研究,对于信息的编码、密码的破译等是十分有用的. 大量统计表明,字母E的使用频率最高,约为0.105;其次为字母T、O;字母J、Q与Z的使用频率最低,仅为0.001. 据此可以认为,在英语中,字母E出现的概率最高,约为0.105. 日常生活与生产实践中,诸如一批种子的“发芽率”,某人射击的“命中率”,某产品的“次品率”等等,都是用频率来近似概率的例子. 这里我们并没有给出“频率稳定性”的确切含义. 在第四章里,通过对概率论中著名的“大数定律”的讨论我们将会对上述含义有较深入的理解. 虽然我们并不能由概率的统计定义确切地定出一个事件的概率,但是它提供了一种估计概率的方法. 频率与概率的关系就像物体长度的测量值与该长度之间的关系:物体的长度是客观存在的,是该物体的固有属性,测量值是它的某种程度的近似值. 同样,随机事件发生的可能性的大小——概率是随机事件的客观属性,多次随机试验所得的频率则是它的某种程度的近似. 必须注意,应用概率的统计定义时,各次试验是在基本相同的条件下独立进行的,而且次数要足够的多. 从频率的统计定义立即可以看出,频率具有下述三个性质: 1. 非负性:; 2. 规范性:对必然事件Ω,=1; 3. 可加性:若A与B是两个不会同时发生的事件,以A+B表示A或 B至少出现其一这个事件,则=+. 性质3可以推广到任意有限个事件. §2 古典概型 一、样本空间和样本点 投掷一颗骰子,虽无法预卜其结果如何,但总不外乎是“出现1点”,…,“出现6点”这6个基本的可能结果之一. 不妨把这些试验结果的全体记为{1,2,…,6}. 随机试验的每一基本结果称为样本点(sample point),常记作ω. 样本点的全体称为样本空间(sample space),常记作Ω. 上述例子中,若记=“出现i点”,那么. 样本点和样本空间是概率论中的两个基本概念. 随着对所讨论问题的兴趣不同,同一随机试验可以有不同的样本空间. 讨论问题前必须先取定样本空间. 例1 口袋中装有10个球:三个红球三个白球和四个黑球. 任取一球. 样本空间可以取为={取得一个红球,取得一个白球,取得一个黑球}. 但若把球编号,红球编为1—3号,白球和黑球分别为4—6和7—10号;则每取一球,必定是且只能是这些球号中的一个,故也可取样本空间为,其中=取得第i号球, i=1,2,…,10. 例2 在例1中,如果每次共取两个球, 则每个样本点可以用所取得的两个球号(i, j) 来表示,样本空间可以是 Ω={(1,2), (1,3), …,(1,10), (2,3), …,(2,10), …,(9,10)}, 共有=45个样本点; 这是二维的样本空间. 例1和例2都是有限样本空间. 例3 考察单位时间内落在地球上某一区域的宇宙射线数,这可能是0, 也可能是1, 是2, …,很难确定一个上界. 于是可以取样本空间为Ω={0, 1, 2,…}, 它包含无限多个样本点,但可按一定的顺序排列起来(称为无限可列个). 例4 考察发射一枚炮弹时,落地点与目标之间的距离. 这可能是0到某常数之间的任一实数,可取样本空间为Ω= [0, a], 它是一维连续区间. 在实际问题中,如何取一个合适的样本空间是一个值得研究的问题. 样本空间取得好,解题就方便得多. 在一般问题中,则往往认为样本空间已经给定,在此基础上展开讨论. 二、古典概型 (一) 模型及定义 古典概型是最简单的随机试验模型,也是很多概率计算的基础,而且有不少实际应用. 古典概型有两个特征: 1. 样本空间是有限的, ,其中, i=1, 2, …,n, 是基本事件. 2. 各基本事件的出现是等可能的,即它们发生的概率相同. 很多实际问题符合或近似符合这两个条件,可以作为古典概型来看待. 在“等可能性”概念的基础上,很自然地引进如下的古典概率(classical probability)定义. 定义1 设一试验有n个等可能的基本事件,而事件A恰包含其中的m个基本事件,则事件A的概率P(A)定义为 P(A)= (1) 根据这个定义,对上段的例1,如果从袋中取出一球是随机的,那么,“得红球”这一事件发生的概
事件及其概率.doc
下载此电子书资料需要扣除0点,