《概率论基础概念》课件

概率论基础概念欢迎来到概率论基础概念课程！本课程专为大学本科数学、工程、计算机专业学生设计，将带领大家深入了解概率论的核心理论与应用通过本课程的张幻灯片，您将系统掌握随机事件、概率计算、条件概率、50随机变量及其分布等关键知识点无论是为了学术研究还是实际应用，这些基础知识都将为您打下坚实基础让我们一起走进概率的奇妙世界，探索随机现象背后的数学规律！课程大纲随机事件与样本空间探讨概率论的基础框架，包括随机试验、样本空间和事件的数学表示概率的定义与性质学习概率的多种定义方法和基本性质，包括古典概率、几何概率和公理化概率条件概率与乘法公式研究事件之间的相互影响，独立性原理和伯努利试验随机变量及其分布掌握离散型和连续型随机变量的表示方法，各种常见概率分布期望与方差理解随机变量的数字特征及其统计意义第一章概率论基本概念1随机现象与随机试验2样本空间与随机事件探索具有偶然性但又遵循统计建立随机试验结果的数学模型，规律的现象，以及如何通过试将可能结果集合化，以便进行验观察这些现象概率分析3事件的关系与运算学习事件之间的逻辑关系，及如何使用集合运算构建复杂事件本章奠定了概率论的理论基础，通过理解随机现象的特点和样本空间的构建，我们能够将复杂的随机问题转化为可分析的数学模型事件的集合运算则为我们提供了研究事件关系的工具随机现象

1.1确定性现象随机现象在完全相同的条件下，结果始终唯一确定例如，物体自由落体在相同条件下，结果呈现不确定性如掷骰子的点数、彩票的中的运动轨迹、化学反应的产物等，都可以通过物理或化学定律准奖号码、天气变化、股票价格波动等，无法精确预测具体结果确预测虽然单次结果不确定，但大量重复后会呈现出稳定的统计规律这种规律性是概率论研究的核心随机性并非意味着无规律，而是表明这种规律具有统计特性，只有在大量观察中才能显现概率论正是研究随机现象内在规律的数学工具，帮助我们在不确定性中把握确定性随机试验

1.2随机试验的定义随机试验的特点典型随机试验示例随机试验是指可以在相同条件下重复进行，可重复性可在相同条件下多次进行抛硬币观察正反面••且每次结果具有不确定性的试验或观察它不确定性结果无法准确预测投掷骰子记录点数••是概率论研究的基本对象稳定性大量重复后呈现统计规律从装有不同颜色球的盒中抽取一球••预先确定可能的结果集合是已知的测量产品的使用寿命••进行民意调查和市场研究•随机试验构成了概率论的实验基础，通过对随机试验的观察和分析，我们可以建立数学模型来描述随机现象，从而揭示其内在的概率规律样本空间

1.3样本空间定义样本点随机试验所有可能结果构成的集合，通样本空间中的元素，代表试验的一个可常记作希腊字母能结果，记作Ωω无限样本空间有限样本空间包含无限多样本点的样本空间，如随机包含有限个样本点的样本空间，如骰子、选取实数区间中的点硬币实验样本空间的确定是概率分析的第一步例如，掷一颗骰子的样本空间；抛两枚硬币的样本空间正正正Ω={1,2,3,4,5,6}Ω={,,,反反正反反样本空间的构建需要保证其完备性和互斥性，即包含所有可能结果且每个结果相互排斥,,,,}随机事件

1.4随机事件的定义随机事件是样本空间的子集，代表我们关心的某种结果或结果组合每次试Ω验，事件要么发生，要么不发生基本事件由单个样本点构成的事件，是不可再分的最简单事件例如，掷骰子出现点数是一个基本事件3必然事件样本空间本身，表示一定会发生的事件例如，掷骰子点数在至之间Ω16不可能事件空集∅，表示不可能发生的事件例如，掷骰子点数为或更大7我们可以根据实际需要定义各种随机事件例如，掷骰子出现偶数点数的事件；A={2,4,6}出现大于的点数事件随机事件的引入使我们能够精确描述和分析我们关心的特4B={5,6}定结果事件的关系

1.5包含关系若⊂，则事件发生必导致事件发生A B A B相等关系若，则事件与事件等价，互为充分必要条件A=B A B互斥关系若∅，则事件与事件不能同时发生A∩B=A B对立事件的对立事件̅满足∪̅且̅∅A A A A=ΩA∩A=理解事件之间的逻辑关系对于概率计算至关重要例如，在掷骰子实验中，若表示出现偶数点数，表示出现大于的点数，则事件出现点AB36是的一部分，而事件和出现奇数点数是互斥的这些关系使我们能够将复杂的概率问题分解为更简单的部分A∩B A事件的运算

1.6交运算并运算∪差运算∩-表示事件与事件同时∪表示事件与事件至少表示事件发生但事件A∩B A B A B A B A-B A B发生例如，掷骰子时出现一个发生例如，出现偶数不发生例如，出现偶数点偶数点数与出现大于的点点数与出现大于的点数的数减去出现大于的点数得333数的交是，表示既是偶并是，表示点数为到，表示点数为偶数且不{4,6}{2,4,5,6}{2}数又大于的点数偶数或大于大于333对立运算̅A̅表示事件A不发生例如，出现偶数点数的对立事件是出现奇数点数，即{1,3,5}事件的运算遵循集合论的规则，使我们能够构建和分析复杂事件通过这些基本运算，我们可以将各种实际问题转化为可计算的数学表达式，从而应用概率论进行定量分析事件运算的性质

1.7运算律公式表达说明交换律∪∪，事件运算的顺序可以互换A B=B A A∩B=B∩A结合律∪∪∪∪，多个事件运算的分组方式不A B C=A BC影响结果A∩B∩C=A∩B∩C分配律∪∪，类似代数运算中的分配律A∩BC=A∩B A∩C∪∪∪A B∩C=A B∩A C德摩根律A∪B̅=A̅∩B̅，集合的补集与逻辑的否定具A∩B̅=A̅∪B̅有对偶性这些运算性质为我们提供了处理复杂事件关系的工具例如，德摩根律告诉我们，事件或事件都A B不发生等价于事件不发生且事件不发生这些性质不仅在概率计算中非常有用，也在逻辑设计、A B计算机科学中有广泛应用掌握这些运算性质，可以帮助我们简化复杂的概率问题，转化为更容易理解和计算的形式在解决多事件的概率问题时，灵活运用这些性质是获得正确结果的关键第二章概率的定义与性质公理化概率现代概率论基础频率与统计概率基于大量观察的经验概率几何概率基于度量的连续概率古典概率等可能结果的概率计算本章介绍概率的多种定义方法和基本性质概率作为衡量随机事件发生可能性的度量，有着不同的理解和定义视角从最初的古典概率定义，到引入几何度量的几何概率，再到基于统计观察的频率概率，最终发展为严格的公理化系统，概率理论不断发展完善理解这些不同的概率定义方式，有助于我们在不同情境下正确应用概率概念，解决实际问题古典概率

2.1古典概率定义适用条件在等可能结果的有限样本空间中，事件的概率定义为样本空间包含有限个样本点A•所有基本事件等可能发生•事件包含的基本事件数样本空间基本事件总数PA=A/可以通过简单计数确定基本事件数•这一定义由法国数学家拉普拉斯提出，也称为拉普拉斯概率古典概率是最早形成的概率概念，在掷骰子、抛硬币、抽扑克牌等问题中特别适用例如，掷一颗均匀骰子出现偶数点数的概率为，因为六个可能点数中有三个（、、）是偶数3/6=1/2246然而，古典概率具有明显局限性当样本空间包含无限多样本点，或基本事件发生的可能性不相等时，古典概率定义就不再适用，需要其他定义方法几何概率

2.2几何概率定义在连续的样本空间中，事件的概率定义为事件区域的度量样本空间区域的度量这里的度量可以是长度、面积、体积等，取决于问题的维度A PA=A/应用示例圆内随机点落在内接正方形的概率正方形面积圆面积这种概率计算方法广泛应用于需要考虑连续空间中随机位置的问题P=/=2r²/πr²=4/π≈

0.6366著名问题布丰投针问题将长度为的针随机投在间距为的平行线网格上，针与任一线相交的概率为这一结果提供了一种通过实验估计值的方法L dP=2L/πdπ几何概率处理的是连续样本空间中的随机事件，通过区域的度量比来计算概率它拓展了概率的应用范围，使我们能够处理连续性随机现象，如随机点、随机线段等问题频率与统计概率

2.3频率定义统计概率在次重复试验中，事件发生了次，则的频率定义为当试验次数趋于无穷大时，频率会稳定在某个常数附近，这个极限值被定义为事件的概率n An_A Af_nA=n_A/n nf_nA p p A例如，抛硬币次，出现正面次，则正面的频率为1005353/100=

0.53PA=limn→∞f_nA这种定义方法也称为统计概率或经验概率公理化概率

2.4柯尔莫哥洛夫公理系统公理非负性1年，苏联数学家安德烈柯尔莫哥洛夫提出了概率论的公理化基础，使概对任意事件，其概率非负，即这是概率作为度量的基本要求，反1933·A PA≥0率论成为严格的数学分支这一系统建立在测度论的基础上，通过三个简单公理映了概率不可能为负的事实定义概率公理规范性公理可加性23必然事件的概率为，即这一公理设定了概率的标准化尺度，使概对于互斥事件序列₁₂可能无限，其并集的概率等于各事件概率之和，1PΩ=1A,A,...率值总是在到之间即₁∪₂∪₁₂这反映了互斥事件概率的叠加01PA A...=PA+PA+...性公理化方法为概率论提供了严格的数学基础，使其成为现代数学的重要分支这种抽象的定义方法不依赖于具体的概率解释，使概率论可以应用于更广泛的数学和科学领域所有概率论的定理都可以从这三个基本公理推导出来概率的基本性质

2.5不可能事件概率为零空集∅的概率为，即∅这直接从公理和公理可推导∅0P=023P=PΩ-Ω=PΩ-PΩ=1-1=0有限可加性若₁₂互斥，则₁∪₂∪∪₁₂A,A,...,A PA A...A=PA+PA+...+PAₙₙₙ这是可加性公理在有限事件集上的直接应用概率不超过1对任意事件，有这是因为⊂，由单调性可知概率值总A PA≤1AΩPA≤PΩ=1是在到的闭区间内01对立事件概率互补对任意事件A，有PA̅=1-PA这来自于A∪A̅=Ω和A∩A̅=∅的事实，结合概率的可加性这些基本性质为概率计算提供了必要的工具例如，对立事件概率互补性使我们可以通过计算事件不发生的概率来间接获得事件发生的概率，特别是当直接计算较为复杂时同样，概率的可加性使我们能够将复杂事件分解为更简单的互斥事件，然后分别计算并求和加法公式

2.6两个事件的加法公式对任意两个事件和，其并集的概率为A B∪PA B=PA+PB-PA∩B这一公式考虑了重复计算的交集部分，通过减去来校正PA∩B三个事件的加法公式对任意三个事件、和，其并集的概率为A BC∪∪PA BC=PA+PB+PC-PA∩B-PA∩C-PB∩C+PA∩B∩C这一公式体现了容斥原理，通过加减适当的交集项来避免重复或遗漏互斥事件的特例若事件和互斥，即∅，则A B A∩B=∪PA B=PA+PB这是公理的直接应用，表明互斥事件的概率可以简单相加3加法公式在处理或关系的复合事件概率计算中极为重要例如，计算投掷骰子出现偶数或大于的点数的概率，可以使用加法公式偶数∪大于偶数大于偶数大于4P4=P+P4-P∩4=3/6+2/6-1/6=4/6=2/3第三章条件概率与乘法公式本章探讨事件之间相互影响的数学描述在现实世界中，随机事件往往不是孤立的，一个事件的发生可能会影响其他事件的概率条件概率提供了描述这种影响的工具，而乘法公式则用于计算复合事件的概率我们还将学习事件独立性的概念，这是概率论中最重要的概念之一，以及伯努利试验这一基础概率模型这些知识为解决复杂的概率问题提供了关键工具，也是后续学习随机变量和概率分布的基础条件概率的定义

3.1条件概率的直观理解条件概率的定义公式在获得新信息的情况下，我们需要更新事件发生的概率估计条设、是两个事件，且，则在事件发生的条件下，A BPB0B件概率描述了在已知事件发生的条件下，事件发生事件发生的条件概率定义为PA|BB AA的概率PA|B=PA∩B/PB例如，已知抽到的扑克牌是红色的，此牌是的概率就是一个条K这一定义反映了在已知发生的情况下，与的比例关系BA∩B B件概率问题条件概率符合概率的所有公理和性质例如，对任意事件和已知条件，，对互斥事件序列₁₂，ABPA|B≥0PΩ|B=1A,A,...有₁∪₂∪₁₂PAA...|B=PA|B+PA|B+...条件概率的引入大大拓展了概率论的应用范围，使我们能够处理信息更新、序贯决策等复杂问题在医学诊断、天气预报、金融风险评估等领域，条件概率都是核心工具乘法公式

3.2两个事件的乘法公式PA∩B=PB·PA|B=PA·PB|A概率树解释乘法公式可通过概率树直观理解从根节点出发，沿不同分支的概率相乘多事件链式法则₁₂PA∩A∩...∩A=ₙPA₁₂₁₃₁₂₁₂·PA|A·PA|A∩A·...·PA|A∩A∩...∩Aₙₙ₋₁乘法公式是计算复合事件概率的基本工具例如，从一副扑克牌中依次抽取两张牌（不放回），计算两张都是红桃的概率第一张红桃第二张红桃第一张红桃第二张P∩=P·P红桃第一张红桃|=13/52·12/51=1/17链式法则（多事件乘法公式）特别适用于序贯试验问题，如多次抽样、多阶段决策等在实际应用中，我们可以根据具体条件选择合适的分解顺序，使计算变得更简单事件的独立性

3.3独立性的定义独立性与互斥性的区别两个事件和称为相互独立，如果独立性与互斥性是两个完全不同的概念AB互斥∅，不能同时发生PA∩B=PA·PB•A∩B=独立，相互不影响•PA∩B=PA·PB这一定义表明，两个独立事件的同时发生概率等于各自发生概率的乘积两个互斥事件（）通常不独立，除非或PA∩B=0PA=0因为当且时，互斥意味着PB=0PA0PB0PA|B独立性的另一种等价表述是且PA|B=PA PB|A=，违反了独立性定义=0≠PA，即一个事件的发生不影响另一个事件的概率PB判断事件是否独立，是概率建模中的重要一步物理上无关的试验（如不同时间抛不同硬币）通常产生独立事件；而同一试验中的不同事件（如抛一枚硬币正反面）往往不独立多个事件的独立性

3.4两两独立与相互独立三事件相互独立的条件三个或更多事件的独立性比两个事事件、、相互独立，需要同ABC件复杂事件集合₁₂时满足以下所有条件{A,A,...,中的事件两两独立不一定意A}ₙPA∩B=PA·PB味着它们相互独立相互独立要求任意子集的事件组合都满足独立性PA∩C=PA·PC条件PB∩C=PB·PCPA∩B∩C=PA·PB·PC反例说明投掷两枚均匀硬币，定义事件第一枚为正面，第二枚为正面，A=B=C=正反面数相同可以验证、、两两独立，但三者不相互独立，因为ABCPA∩B∩C≠PA·PB·PC理解多事件独立性对于构建复杂概率模型至关重要在实际应用中，相互独立是一个强假设，需要基于物理背景或数据验证当事件满足相互独立条件时，多事件联合概率的计算将大为简化，这也是许多概率模型的基础假设伯努利试验

3.5伯努利试验定义单次试验概率只有两种可能结果的随机试验，称为伯努单次试验成功概率记为，失败概率为p利试验，特点是每次试验结果相互独立，，例如抛硬币，掷骰子出现q=1-pp=

0.5且成功概率保持不变点6p=1/6二项分布次试验概率公式n伯努利试验的成功次数服从二项分布次伯努利试验中恰好次成功的概率X nk，是离散型随机变量的重要分布模3，其Bn,p PX=k=Cn,k·p^k·q^n-k型中为组合数Cn,k伯努利试验是概率论中最基础的模型之一，可用于描述多种实际问题质量检验（合格不合格）、调查问卷（是否）、医学实验（有效//无效）等二项分布是描述伯努利试验成功次数的概率分布，在后续章节中将详细讨论/例如，投掷次骰子，恰好出现次点的概率为526PX=2=C5,2·1/6^2·5/6^3=10·1/6^2·5/6^3≈

0.161第四章全概率公式与贝叶斯定理事件的完备系全概率公式贝叶斯定理将样本空间划分为互通过条件概率将复杂利用观测结果反推原不重叠的区域，构成事件分解为多个简单因概率，实现从结果问题分析的基础框架情况，再综合计算总到原因的概率推断概率概率更新从先验概率出发，结合新信息计算后验概率，形成概率学习过程全概率公式和贝叶斯定理是概率论中最有力的工具，为我们解决复杂的不确定性推理问题提供了方法论基础全概率公式通过将问题分解为条件概率的加权和，使得复杂问题变得可处理；而贝叶斯定理则实现了概率的逆向推理，是现代机器学习和人工智能的核心概念之一事件的完备系

4.1完备系的定义完备系示例事件组₁₂称为样本空间的一个完备系，如果以下是一些常见的完备系示例{B,B,...,B}Ωₙ它满足以下三个条件事件与其对立事件̅构成完备系̅•AA{A,A}

1.互斥性Bᵢ∩Bⱼ=∅i≠j，即任意两个事件不能同时发生骰子点数分类奇数点偶数点•{,}完备性₁∪₂∪∪，即这些事件涵盖了所有

2.B B...B=Ω按成绩分类优良中差ₙ•{,,,}可能性疾病诊断疾病疾病疾病•{1,2,...,n}非空性，即每个事件都有可能发生

3.PBᵢ0i=1,2,...,n产品质量优等品一等品二等品废品•{,,,}完备系本质上是样本空间的一个分割，将划分为互不重叠的区Ω域完备系在概率计算中扮演着重要角色，是全概率公式和贝叶斯定理的基础通过构建适当的完备系，我们可以将复杂问题分解为若干简单情况，再综合各种情况得到最终结果在实际应用中，如何选择合适的完备系往往是解决问题的关键一步全概率公式

4.2全概率公式PA=ΣᵢPBᵢ·PA|Bᵢ条件化分解事件的概率通过条件概率和先验概率计算A PA|BᵢPBᵢ完备系要求₁₂必须是样本空间的完备系{B,B,...,B}ₙ全概率公式是处理复杂事件的强大工具，它将事件的概率表示为在不同条件下发生的概率的加权平均这一方法特别适用于无法直接计算A，但可以通过条件概率和间接计算的情况PA PA|BᵢPBᵢ例如，某疾病在全球患病率为诊断测试对患者的准确率为（即阳性患病），对健康人的误诊率为（即阳性健

0.1%99%P|=

0.992%P|康）求一个随机人测试呈阳性的概率使用全概率公式阳性患病阳性患病健康阳性健康=

0.02P=P·P|+P·P|=

0.001·

0.99，即约的人会测试呈阳性+

0.999·

0.02≈

0.

020892.1%贝叶斯定理

4.3贝叶斯公式1PBᵢ|A=[PBᵢ·PA|Bᵢ]/[ΣⱼPBⱼ·PA|Bⱼ]=[PBᵢ·PA|Bᵢ]/PA逆向推理已知结果，反推原因的概率，实现从果到因的概率计算ABᵢ似然比例PBᵢ|A/PBⱼ|A=[PBᵢ/PBⱼ]·[PA|Bᵢ/PA|Bⱼ]，后验比先验比×似然比=贝叶斯定理由世纪英国数学家托马斯贝叶斯提出，是概率论中最重要的定理之一它通过已知的（结果在原因条件下的概率）计18·PA|BAB算（观察到结果后，原因的概率），实现了概率推理的方向逆转PB|AAB贝叶斯定理的推导基于条件概率定义和乘法公式，其中可以用全概率公式表示这PBᵢ|A=PA∩Bᵢ/PA=[PBᵢ·PA|Bᵢ]/PA PA一定理为不确定条件下的决策提供了数学基础，在医学诊断、科学推理、机器学习等领域有广泛应用先验概率与后验概率

4.4先验概率获取新信息前对事件的概率判断，基于已知知识和经验似然度假设条件下观测数据出现的可能性，PA|Bᵢ反映了Bᵢ与观测A的符合程度后验概率获取新信息后更新的概率估计，结合先验知识和新证据概率更新连续获取新信息时，前一轮的后验概率成为下一轮的先验概率贝叶斯定理提供了一种概率更新的机制先验概率PBᵢ代表我们的初始信念；似然度PA|Bᵢ表示在假设Bᵢ成立的条件下观测到证据A的可能性；通过贝叶斯公式计算得到的后验概率PBᵢ|A则是整合了新证据后的更新信念这一概率更新过程是人类认知和机器学习的基本模式随着证据的不断累积，后验概率会越来越接近真实情况，体现了科学共识的形成过程贝叶斯框架为各种形式的推理和学习提供了统一的数学基础贝叶斯定理应用实例

4.5医学诊断医学测试结果的解读是贝叶斯定理的经典应用例如，某罕见疾病的发病率为，诊断准确率为，误诊率为若一患者检测呈阳性，其实际患病的概率为患病阳性

0.1%99%2%P|=×××，约，远低于直觉预期这说明对罕见疾病，即使高准确度的测试也可能产生大量假阳性[

0.

0010.99]/[

0.

0010.99+

0.

9990.02]≈

0.

0474.7%垃圾邮件过滤垃圾邮件过滤器使用贝叶斯方法计算邮件属于垃圾邮件的概率系统分析邮件内容中的单词，计算垃圾邮件包含某词例如，优惠一词在垃圾邮件中出现概率高，而会议在正常P|邮件中出现概率高结合多个词的概率，可以准确判断邮件类型这种朴素贝叶斯分类器简单有效，是文本分类的基础方法犯罪侦查司法系统中，证据评估常使用贝叶斯推理例如，犯罪现场的匹配嫌疑人，需要考虑匹配概率证据嫌疑人有罪很高，但也要考虑先验概率嫌疑人有罪和误匹配率证据嫌DNA P|PP|疑人无罪贝叶斯定理帮助计算嫌疑人有罪证据，避免检察官谬误即混淆证据有罪与有罪证据P|P|P|贝叶斯定理在机器学习、数据挖掘、风险分析等众多领域有广泛应用它为在不确定性条件下进行决策提供了严格的数学框架，是现代概率推理的基石第五章随机变量及其分布概率分布函数完整描述随机变量概率特性的数学工具连续型随机变量2取值在连续区间上，通过概率密度函数描述离散型随机变量3取值有限或可列无限，通过概率质量函数表示随机变量的概念将随机试验结果映射为数值的函数，是概率分析的基础本章介绍概率论中最核心的概念之一随机变量随机变量使我们能够对随机现象进行定量分析，将随机事件与数值联系起来我们将学习离散型和连续型随机变量的基本性质、表示方法及其概率分布随机变量的分布是描述其概率规律的完整表达，掌握常见分布的特点及应用场景，对于概率建模至关重要这些知识将为后续研究随机变量的数字特征和多维随机变量奠定基础随机变量的概念

5.1随机变量的定义随机变量的意义随机变量是从样本空间到实数集的函数，记为对随机变量的引入具有重要意义ΩR X:Ω→R于每个样本点∈，给出一个实数值ωΩXω将随机现象数量化，便于数学处理

1.例如，投掷两枚硬币，可定义随机变量为出现正面的枚数X统一不同类型随机试验的数学描述

2.正正，正反反正，反反X,=2X,=X,=1X,=0使用实数的运算规则处理随机量

3.建立与微积分、分析学的联系

4.根据取值特点，随机变量分为离散型和连续型两大类离散型随机变量取值有限或可列无限，如骰子点数、家庭子女数等连续型随机变量取值在某区间上连续变化，如身高、温度、时间等描述随机变量的概率规律，需要引入概率分布的概念，这是下面几节将要详细讨论的内容离散型随机变量

5.2离散型随机变量的定义离散型随机变量是指取值为有限个或可列无限个的随机变量其取值集合可表示为₁₂典型例子包括抛硬币正面朝{x,x,...,x,...}ₙ上的次数、掷骰子的点数、产品的缺陷数等概率质量函数PMF离散型随机变量的概率质量函数定义为Xpx=PX=x它给出随机变量取各个可能值的概率例如，掷一枚均匀骰子，表示点数，则X p1=p2=...=p6=1/6概率质量函数的性质非负性对任意，•x px≥0•规范性Σₓpx=1，所有可能值的概率之和为1对任意集合，∈∈•A PXA=Σ{x A}px常见离散分布离散型随机变量的重要分布类型包括二项分布次伯努利试验中的成功次数•n泊松分布单位时间空间内随机事件发生次数•/几何分布首次成功前的失败次数•超几何分布无放回抽样中的成功次数•离散型随机变量的分布通常可以通过列表、直方图或概率质量函数图形表示在实际应用中，识别具体问题适合的分布类型，是概率建模的关键一步二项分布

5.3Bn,p Cn,kp^k1-p^n-k记号表示概率质量函数表示随机变量服从参数为和的二项分布二项分布的概率计算公式，取值范围是到X~Bn,p Xn p k0nnp np1-p期望值方差二项分布随机变量的平均值衡量二项分布随机变量取值分散程度的指标二项分布描述了次独立重复试验中成功的次数，是最基本的离散概率分布之一其中参数表示试验次数，表示单次试验成功的概率当时，二项分布简化为伯努利分布n n p n=1二项分布在实际中有广泛应用质量控制中检测的缺陷数、流行病学中的感染人数、投票系统中的支持票数等当很大而很小时，二项分布可以用泊松分布近似；当很大时，根据中心极限定理，二npn项分布可以用正态分布近似泊松分布

5.4泊松分布定义泊松分布的特点泊松分布是描述单位时间或空间内随机事件发生次数的概率分布，记为其中是强度参数，表示平均事件发生率期望和方差均为X~Pλλ0•λEX=VarX=λ适用于大样本、小概率事件的发生次数泊松分布的概率质量函数为•事件发生满足独立性、平稳性和无后效性•PX=k=e^-λλ^k/k!,k=0,1,2,...泊松过程是重要的随机过程模型•其中表示事件发生的次数k当增大时，泊松分布的形状会越来越接近正态分布λ几何分布

5.5几何分布定义几何分布描述在伯努利试验序列中，首次成功前进行的试验次数若单次试验成功概率为，则表示随机变量服从参数为的几何分布p X~Gp Xp概率质量函数PX=k=1-p^k-1p,k=1,2,...这表示前次试验都失败每次概率为，第次成功概率为的联合概率k-11-pkp期望与方差期望，表示平均需要次试验才能获得首次成功EX=1/p1/p方差，反映了试验次数的不确定性VarX=1-p/p²无记忆性质几何分布具有无记忆性PXm+n|Xm=PXn这意味着已经失败次后，再成功的概率分布与从零开始相同m几何分布是描述等待时间类问题的基本模型例如，投掷骰子直到出现点需要的次数，连续抽奖直到6中奖的次数，或者测试产品直到发现一个缺陷的数量几何分布的无记忆性质反映了伯努利试验的独立性特点，即过去的失败不会影响未来成功的概率连续型随机变量

5.6连续型随机变量的定义概率密度函数的性质连续型随机变量是指取值在某个区间上连续变化的随机变量与离非负性对任意，

1.x fx≥0散型不同，连续型随机变量取任意特定值的概率为零，即规范性₋

2.∫∞^∞fxdx=1PX=x=0概率计算

3.Pa连续型随机变量通过概率密度函数描述其概率分布若存在密度值不等于概率本身不是概率，只有积分才对应概率PDF

4.fx非负函数，使得任意区间上的概率为fx[a,b]可能大于与离散型分布不同，的值可以大于

5.1fx1Pa≤X≤b=∫ₐ^ᵇfxdx则称为连续型随机变量，为其概率密度函数X fx连续型随机变量的常见分布包括均匀分布、正态分布、指数分布、伽玛分布等这些分布模型可以描述各种自然和社会现象，如测量误差、等待时间、寿命分析等理解连续型随机变量及其分布是概率统计分析的重要基础需要注意的是，连续型随机变量的概率密度曲线下的面积代表概率，而不是曲线高度曲线在某点的高度₀表示的是概率密度，即单fx位区间的概率集中程度均匀分布

5.7均匀分布的定义均匀分布是最简单的连续型概率分布，表示随机变量在给定区间内取任意值的概率相等记为，其中X~Ua,b a概率密度函数均匀分布的概率密度函数为当fx=1/b-a,a≤x≤b当fx=0,xb这表示在区间上，概率密度处处相等[a,b]分布与密度函数均匀分布的累积分布函数为当Fx=0,x当Fx=x-a/b-a,a≤x≤b当Fx=1,xb数字特征均匀分布的期望和方差为，即区间的中点EX=a+b/2，方差与区间长度的平方成正比VarX=b-a²/12均匀分布常用于模拟区间上的随机选点，如随机数生成、随机采样等在均匀分布中，概率与区间长度成正比，即Pc≤X≤d=d-，其中是的子区间这种简单的关系使均匀分布成为许多理论分析和实际应用的基础模型c/b-a[c,d][a,b]正态分布

5.8正态分布的性质标准正态分布正态分布具有许多重要性质正态分布的定义当，时，正态分布简化为标准正态分布，记为μ=0σ=1Z期望，方差•EX=μVarX=σ²正态分布或高斯分布是最重要的连续概率分布，记为其密度函数简化为X~~N0,1对称性，其中是均值参数，是方差参数其概率密•fμ+x=fμ-xNμ,σ²μσ²0φz=1/√2π·e^-z²/2度函数为线性变换若，则•X~Nμ,σ²aX+b~Naμ+b,a²σ²任何正态随机变量都可以通过变换X~Nμ,σ²Z=X-独立正态随机变量的和仍服从正态分布•fx=1/σ√2π·e^-x-μ²/2σ²,-∞x∞转换为标准正态随机变量μ/σZ正态分布的曲线呈钟形，关于对称，参数和分别控x=μμσ制曲线的位置和宽度正态分布在自然和社会科学中广泛应用，如测量误差、身高体重、智力测验等这部分源于中心极限定理，该定理表明在适当条件下，大量独立随机变量的和趋向于正态分布，使其成为描述许多自然过程的理想模型在实际应用中，常用标准正态分布的累积分布函数计算概率例如，Φz Pa指数分布

5.9指数分布定义概率密度函数指数分布是描述无记忆随机变量的连续分布，，表示密度随增大呈指fx=λe^-λx,x0x记为，为参数数衰减X~Expλλ02无记忆性质等待时间解释4，表示已等待时间不影通常用于描述独立随机事件之间的等待时间，如PXs+t|Xs=PXt响未来等待时间分布泊松过程中的事件间隔指数分布的累积分布函数为其期望为，方差为参数表示单位时间内事件发生的平均率，是平均Fx=1-e^-λx,x0EX=1/λVarX=1/λ²λ1/λ等待时间指数分布在可靠性分析、排队论和寿命测试中有广泛应用例如，假设电子元件的寿命服从参数的指数分布单位小时，则元件工作小时后仍λ=

0.011000能正常工作的概率为×指数分布是泊松过程中事件间隔时间的分布，与泊松分布有密切关系PX1000=e^-

0.011000=e^-10≈

0.000045概率分布函数

5.10分布函数的定义分布函数的性质随机变量的概率分布函数或累积分布函数定义为单调不减若₁XCDF

1.x右连续⁺

2.limh→0Fx+h=FxFx=PX≤x,-∞x∞归一化，

3.limx→-∞Fx=0limx→+∞Fx=1分布函数完整地描述了随机变量的概率分布，对离散型和连续型随机变量都适用区间概率

4.Pa分布函数与概率密度质量函数的关系/对于离散型随机变量Fx=Σ{y≤x}PX=y对于连续型随机变量Fx=∫₋∞^ˣftdt，且fx=Fx（在f连续点处）分布函数的重要性体现在统一表示离散型和连续型随机变量的分布•处理随机变量的不等式概率问题•生成服从特定分布的随机数•定义分位数和中位数等统计量•在实际应用中，分布函数特别适用于求解不超过某值或位于某区间的概率问题第六章期望与方差本章介绍随机变量的数字特征，这些特征提供了描述和比较概率分布的工具数学期望表示随机变量的平均值或中心位置；方差和标准差衡量随机变量取值的分散程度；协方差和相关系数描述随机变量之间的相关关系；矩和矩母函数则提供了分布的完整特征这些概念不仅是理论学习的重要内容，也是实际应用中进行数据分析、风险评估、统计推断的基础工具通过数字特征，我们可以对复杂的概率分布进行简化描述，把握其主要特性离散型随机变量的期望

6.1期望的定义期望的性质离散型随机变量的数学期望或均值定义为其所有可能取值的常数的期望X

1.Ec=c加权平均，权重为对应的概率线性性

2.EaX+bY=aEX+bEY独立性若独立，则EX=ΣᵢxᵢPX=xᵢ

3.X,Y EXY=EXEY单调性若，则

4.X≤Y EX≤EY其中是的可能取值，是对应的概率xᵢX PX=xᵢ期望的线性性是其最重要的性质，使我们能够分解复杂随机变量例如，掷骰子的期望是EX=1·1/6+2·1/6+...+的期望计算6·1/6=

3.5期望代表了随机变量的平均值或中心位置，具有重要的物理意义可以理解为质量分布的平衡点期望值不一定是随机变量的可能取值，例如骰子点数的期望就不是可能的点数

3.5期望在决策理论、博弈论、金融数学等领域有广泛应用例如，投资决策中常用期望收益作为评价指标；保险公司根据期望赔付金额设定保费；赌博游戏的数学期望可以判断游戏的公平性连续型随机变量的期望

6.2期望的积分定义连续型随机变量的数学期望定义为X₋EX=∫∞^∞x·fxdx其中是的概率密度函数这一定义是离散型期望定义的自然推广，将求和替换为积分fx X期望存在的条件期望存在的必要条件是积分绝对收敛₋∫∞^∞|x|·fxdx∞某些分布，如柯西分布，不满足此条件，其期望不存在函数的期望对于随机变量的函数，其期望为X gX₋E[gX]=∫∞^∞gx·fxdx这一公式适用于计算各种随机变量函数的期望，如、等X²e^X连续型随机变量期望的性质与离散型相同，包括线性性和独立随机变量的乘积（当和独立）EaX+bY=aEX+bEY EXY=EXEY X Y常见连续分布的期望计算示例均匀分布的期望•Ua,b EX=a+b/2指数分布的期望•ExpλEX=1/λ正态分布的期望•Nμ,σ²EX=μ期望计算有时可以利用几何意义或对称性简化例如，对称分布如正态分布的奇次矩为；某些期望可以通过分部积分或特殊函数表示0方差

6.3σ²方差符号方差通常用表示，标准差用表示，都是度量随机变量离散程度的重要指标σ²σE[X-μ²]定义公式方差定义为随机变量与其期望的偏差平方的期望值，是期望μ=EXEX²-[EX]²计算公式方差的另一计算形式，通常更方便实际计算1/k²切比雪夫不等式，描述随机变量取值与期望偏离程度的上界P|X-μ|≥kσ≤1/k²方差是衡量随机变量分散程度的重要指标，方差越大，随机变量的取值越分散，不确定性越高标准差与随机变量有相同的量纲，常σ=√VarX用于实际应用中切比雪夫不等式是一个重要的概率界限，它适用于任何具有有限方差的分布，无需知道具体分布形式例如，它表明任何分布的取值至少有在75%区间内，至少有在区间内这一性质在统计推断和数据分析中有重要应用μ-2σ,μ+2σ89%μ-3σ,μ+3σ方差的性质

6.4非负性对任意随机变量，X VarX≥0当且仅当为常数时，这表明方差为意味着没有随机性，完全确定X VarX=00常数的方差对任意常数，c Varc=0常数没有不确定性，其方差为零这是非负性特例的直接推论线性变换对任意常数和，a bVaraX+b=a²VarX特别地，加常数不改变方差；而乘常数会使方差变为原来的倍VarX+b=VarX a²VaraX=a²VarX独立随机变量的和若和独立，则X YVarX+Y=VarX+VarY这一性质可以推广到多个独立随机变量的情况₁₂₁₂VarX+X+...+X=VarX+VarX+...+VarXₙₙ理解这些性质对于解决实际问题非常重要例如，若X₁,X₂,...,X是独立同分布的随机变量，每个方差为σ²，则它们的平均值X̄ₙ=X₁+X₂+...+X/n的方差为VarX̄=σ²/n这说明样本均值的方差随样本量增加而减小，这是大数定律的基础ₙ方差的加和性质仅适用于独立随机变量对于不独立的随机变量，需要考虑它们的协方差VarX+Y=VarX+VarY+这一更一般的公式将在下一节讨论2CovX,Y协方差

6.5协方差的定义协方差的性质随机变量和的协方差定义为对称性X Y

1.CovX,Y=CovY,X自协方差

2.CovX,X=VarXCovX,Y=E[X-EXY-EY]独立性若独立，则（反之不一定）

3.X,Y CovX,Y=0协方差可以用更方便的计算公式表示线性性₁₂

4.CovaX+b,cY+d=ac·CovX,Y CovX+X,₁₂CovX,Y=EXY-EXEY Y=CovX,Y+CovX,Y方差的推广

5.VarX+Y=VarX+VarY+2CovX,Y协方差衡量两个随机变量的线性相关程度正协方差表示正相关（一个变量增加，另一个也倾向于增加）；负协方差表示负相关；接近零的协方差表示线性相关性弱协方差在多变量统计分析、投资组合理论、时间序列分析等领域有重要应用例如，在金融投资中，资产组合的风险（方差）不仅取决于各资产的风险，还与资产间的协方差有关负协方差的资产组合可以降低整体风险，这是投资多样化的数学基础需要注意的是，协方差的大小受测量单位影响，难以直接比较不同变量对的相关程度为解决这一问题，引入了标准化的相关系数，这将在下一节讨论相关系数

6.6相关系数定义取值范围随机变量和的相关系数定义为它们协方差相关系数的取值范围是这一性质可以通X YρX,Y[-1,1]除以标准差的乘积过柯西施瓦茨不等式证明-当且仅当和之间存在严格的线性关ρX,Y=CovX,Y/[σXσY]=CovX,Y/|ρX,Y|=1X Y1系√[VarXVarY]Y=aX+b相关与独立的关系相关系数的含义若和独立，则X YρX,Y=0完全正相关，存在严格递增线性关系ρ=143但不一定意味着和独立，它们可能ρX,Y=0X Y完全负相关，存在严格递减线性关系ρ=-1存在非线性关系不相关，不存在线性关系ρ=0例如，若，，则，X~N0,1Y=X²ρX,Y=0的大小表示线性相关的强度但和明显不独立|ρ|X Y相关系数是一个无量纲量，不受变量测量单位的影响，因此可以直接比较不同变量对之间的线性相关程度它是数据分析和多变量统计中最常用的相关性指标在实际应用中，需要注意相关性不等于因果关系两个变量的高相关可能是由共同的第三个因素导致的，或者仅仅是偶然的统计现象正确理解相关系数的含义及其局限性，对于科学研究和数据分析至关重要矩与矩母函数

6.7矩的定义矩母函数矩母函数的性质随机变量的阶原点矩定义为，表随机变量的矩母函数定义为矩母函数具有许多重要性质X k EX^k X示的次方的期望例如，阶原点矩X k1EX，其中是实数参数唯一性矩母函数唯一确定概率分布M_Xt=Ee^tX t•就是期望μ若矩母函数存在（在t=0的某个邻域内有•线性变换若Y=aX+b，则M_Yt阶中心矩定义为，表示与kE[X-EX^k]X限），则X的所有矩都存在，且可以通过对=e^btM_Xat其期望偏差的次方的期望其中阶中心矩k2矩母函数求导得到和的矩母函数若和独立，则•XY就是方差E[X-EX^2]VarX，即矩母函数在M_{X+Y}t=M_XtM_YtEX^k=M_X^k0t=0处的阶导数k常见分布的矩母函数不同概率分布有特征性的矩母函数正态分布•Nμ,σ²Mt=expμt+σ²t²/2泊松分布•PλMt=expλe^t-1二项分布•Bn,p Mt=1-p+pe^t^n矩和矩母函数是描述概率分布的强大工具通过矩，我们可以了解分布的位置、尺度、偏度、峰度等特征；而矩母函数则提供了分布的完整信息，是许多理论推导的基础在实际应用中，矩母函数特别适用于处理独立随机变量的和例如，证明独立同分布随机变量的和的极限分布是正态分布（中心极限定理），或者证明泊松分布是二项分布在特定条件下的极限总结与拓展现代概率论发展方向随机过程、随机微分方程、大偏差理论等前沿领域概率论与其他学科的联系统计学、机器学习、金融数学、量子力学等领域的基础基础概念系统回顾从随机事件、概率定义到随机变量及其数字特征的完整体系通过本课程的学习，我们系统掌握了概率论的基础框架和核心概念从随机现象与随机试验开始，建立了样本空间和事件的数学模型；学习了概率的多种定义方法和基本性质；研究了条件概率、全概率公式和贝叶斯定理等重要工具；探讨了随机变量及其分布的表示方法；最后分析了期望、方差等数字特征概率论是现代科学的重要基础，为我们提供了分析不确定性的数学工具建议初学者在掌握基础概念后，可以进一步学习概率论的高级主题和应用，如随机过程、统计推断、贝叶斯分析等优秀的学习资源包括国内外经典教材、在线视频课程和交互式模拟平台参考文献经典中文教材《概率论与数理统计》（浙江大学）是国内本科生概率统计课程的标准教材之一，内容全面且讲解清晰，特别适合初学者该书平衡了理论与应用，提供了丰富的例题和习题，帮助读者巩固所学知识国际经典著作《概率论基础教程》（著）和《概率与统计》（）是国际上广受认可的概率论教材这些著作从不同角度阐述概率理论，提供了丰富的实例和直观解释，适合Sheldon RossDeGrootSchervish希望深入理解概率论的读者在线学习资源除传统教材外，现代学习者还可以利用丰富的在线资源，如中国大学、学堂在线等平台提供的概率论课程，以及各种交互式概率模拟工具和视频讲解这些资源通过可视化和互动方式，使抽MOOC象概念更易理解对于希望进一步学习的读者，建议按照先基础后应用的顺序，先牢固掌握概率论的核心概念，再探索特定领域的应用可以从经典教材入手，结合在线课程和专业论文，逐步构建自己的知识体系参与学习社区和讨论组也是加深理解和拓展视野的有效方式。