全概率公式证明

2024-06-19

全概率公式证明（精选5篇）

全概率公式证明篇1

第1章

随机事件及其概率

（1）排列组合公式

从m个人中挑出n个人进行排列的可能数。

从m个人中挑出n个人进行组合的可能数。

（2）加法和乘法原理

加法原理（两种方法均能完成此事）：m+n

某件事由两种方法来完成，第一种方法可由m种方法完成，第二种方法可由n种方法来完成，则这件事可由m+n

种方法来完成。

乘法原理（两个步骤分别不能完成这件事）：m×n

某件事由两个步骤来完成，第一个步骤可由m种方法完成，第二个步骤可由n

种方法来完成，则这件事可由m×n

种方法来完成。

（3）一些常见排列

重复排列和非重复排列（有序）

对立事件（至少有一个）

顺序问题

（4）随机试验和随机事件

如果一个试验在相同条件下可以重复进行，而每次试验的可能结果不止一个，但在进行一次试验之前却不能断言它出现哪个结果，则称这种试验为随机试验。

试验的可能结果称为随机事件。

（5）基本事件、样本空间和事件

在一个试验下，不管事件有多少个，总可以从其中找出这样一组事件，它具有如下性质：

①每进行一次试验，必须发生且只能发生这一组中的一个事件；

②任何事件，都是由这一组中的部分事件组成的。

这样一组事件中的每一个事件称为基本事件，用来表示。

基本事件的全体，称为试验的样本空间，用表示。

一个事件就是由中的部分点（基本事件）组成的集合。通常用大写字母A，B，C，…表示事件，它们是的子集。

为必然事件，Ø为不可能事件。

不可能事件（Ø）的概率为零，而概率为零的事件不一定是不可能事件；同理，必然事件（Ω）的概率为1，而概率为1的事件也不一定是必然事件。

（6）事件的关系与运算

①关系：

如果事件A的组成部分也是事件B的组成部分，（A发生必有事件B发生）：

如果同时有，则称事件A与事件B等价，或称A等于B：A=B。

A、B中至少有一个发生的事件：AB，或者A+B。

属于A而不属于B的部分所构成的事件，称为A与B的差，记为A-B，也可表示为A-AB或者，它表示A发生而B不发生的事件。

A、B同时发生：AB，或者AB。AB=Ø，则表示A与B不可能同时发生，称事件A与事件B互不相容或者互斥。基本事件是互不相容的。

-A称为事件A的逆事件，或称A的对立事件，记为。它表示A不发生的事件。互斥未必对立。

②运算：

结合率：A(BC)=(AB)C

A∪(B∪C)=(A∪B)∪C

分配率：(AB)∪C=(A∪C)∩(B∪C)

(A∪B)∩C=(AC)∪(BC)

德摩根率：，（7）概率的公理化定义

设为样本空间，为事件，对每一个事件都有一个实数P(A)，若满足下列三个条件：

1°

0≤P(A)≤1，2°

P(Ω)

3°

对于两两互不相容的事件，…有

常称为可列（完全）可加性。

则称P(A)为事件的概率。

（8）古典概型

1°，2°。

设任一事件，它是由组成的，则有

P(A)=

（9）几何概型

若随机试验的结果为无限不可数并且每个结果出现的可能性均匀，同时样本空间中的每一个基本事件可以使用一个有界区域来描述，则称此随机试验为几何概型。对任一事件A。其中L为几何度量（长度、面积、体积）。

（10）加法公式

P(A+B)=P(A)+P(B)-P(AB)

当P(AB)＝0时，P(A+B)=P(A)+P(B)

（11）减法公式

P(A-B)=P(A)-P(AB)

当BA时，P(A-B)=P(A)-P(B)

当A=Ω时，P()=1-

P(B)

（12）条件概率

定义

设A、B是两个事件，且P(A)>0，则称为事件A发生条件下，事件B发生的条件概率，记为。

条件概率是概率的一种，所有概率的性质都适合于条件概率。

例如P(Ω/B)=1P(/A)=1-P(B/A)

（13）乘法公式

乘法公式：

更一般地，对事件A1，A2，…An，若P(A1A2…An-1)>0，则有

…………。

（14）独立性

①两个事件的独立性

设事件、满足，则称事件、是相互独立的。

若事件、相互独立，且，则有

若事件、相互独立，则可得到与、与、与也都相互独立。

必然事件和不可能事件Ø与任何事件都相互独立。

Ø与任何事件都互斥。

②多个事件的独立性

设ABC是三个事件，如果满足两两独立的条件，P(AB)=P(A)P(B)；P(BC)=P(B)P(C)；P(CA)=P(C)P(A)

并且同时满足P(ABC)=P(A)P(B)P(C)

那么A、B、C相互独立。

对于n个事件类似。

（15）全概公式

设事件满足

1°两两互不相容，2°，则有。

（16）贝叶斯公式

设事件，…，及满足

1°，…，两两互不相容，>0，1，2，…，2°，则，i=1，2，…n。

此公式即为贝叶斯公式。，（，…，），通常叫先验概率。，（，…，），通常称为后验概率。贝叶斯公式反映了“因果”的概率规律，并作出了“由果朔因”的推断。

（17）伯努利概型

我们作了次试验，且满足

每次试验只有两种可能结果，发生或不发生；

次试验是重复进行的，即发生的概率每次均一样；

每次试验是独立的，即每次试验发生与否与其他次试验发生与否是互不影响的。

这种试验称为伯努利概型，或称为重伯努利试验。

用表示每次试验发生的概率，则发生的概率为，用表示重伯努利试验中出现次的概率。

第二章

随机变量及其分布

（1）离散型随机变量的分布律

设离散型随机变量的可能取值为Xk(k=1,2,…)且取各个值的概率，即事件(X=Xk)的概率为

P(X=xk)=pk，k=1,2,…，则称上式为离散型随机变量的概率分布或分布律。有时也用分布列的形式给出：。

显然分布律应满足下列条件：

（1），（2）。

（2）连续型随机变量的分布密度

设是随机变量的分布函数，若存在非负函数，对任意实数，有，则称为连续型随机变量。称为的概率密度函数或密度函数，简称概率密度。

密度函数具有下面4个性质：

1°。

2°。

（3）离散与连续型随机变量的关系

积分元在连续型随机变量理论中所起的作用与在离散型随机变量理论中所起的作用相类似。

（4）分布函数

设为随机变量，是任意实数，则函数

称为随机变量X的分布函数，本质上是一个累积函数。

可以得到X落入区间的概率。分布函数表示随机变量落入区间（–

∞，x]内的概率。

分布函数具有如下性质：

1°；

2°

是单调不减的函数，即时，有；

3°，；

4°，即是右连续的；

5°。

对于离散型随机变量，；

对于连续型随机变量。

（5）八大分布

0-1分布

P(X=1)=p,P(X=0)=q

二项分布

在重贝努里试验中，设事件发生的概率为。事件发生的次数是随机变量，设为，则可能取值为。，其中，则称随机变量服从参数为，的二项分布。记为。

当时，，这就是（0-1）分布，所以（0-1）分布是二项分布的特例。

泊松分布

设随机变量的分布律为，，则称随机变量服从参数为的泊松分布，记为或者P()。

泊松分布为二项分布的极限分布（np=λ，n→∞）。

超几何分布

随机变量X服从参数为n,N,M的超几何分布，记为H(n,N,M)。

几何分布，其中p≥0，q=1-p。

随机变量X服从参数为p的几何分布，记为G(p)。

均匀分布

设随机变量的值只落在[a，b]内，其密度函数在[a，b]上为常数，即

a≤x≤b

其他，则称随机变量在[a，b]上服从均匀分布，记为X~U(a，b)。

分布函数为

a≤x≤b

0，xb。

当a≤x1

指数分布,0，其中，则称随机变量X服从参数为的指数分布。

X的分布函数为,x<0。

记住积分公式：

正态分布

设随机变量的密度函数为，其中、为常数，则称随机变量服从参数为、的正态分布或高斯（Gauss）分布，记为。

具有如下性质：

1°的图形是关于对称的；

2°

当时，为最大值；

若，则的分布函数为

。

参数、时的正态分布称为标准正态分布，记为，其密度函数记为，分布函数为。

是不可求积函数，其函数值，已编制成表可供查用。

Φ(-x)＝1-Φ(x)且Φ(0)＝。

如果~，则~。

（6）分位数

下分位表：；

上分位表：。

（7）函数分布

离散型

已知的分布列为，的分布列（互不相等）如下：，若有某些相等，则应将对应的相加作为的概率。

连续型

先利用X的概率密度fX(x)写出Y的分布函数FY(y)＝P(g(X)≤y)，再利用变上下限积分的求导公式求出fY(y)。

第三章

二维随机变量及其分布

（1）联合分布

离散型

如果二维随机向量（X，Y）的所有可能取值为至多可列个有序对（x,y），则称为离散型随机量。

设=（X，Y）的所有可能取值为，且事件{=}的概率为pij，称

为=（X，Y）的分布律或称为X和Y的联合分布律。联合分布有时也用下面的概率分布表来表示：

…

p11

p12

…

p1j

…

p21

p22

…

p2j

…

pi1

…

这里pij具有下面两个性质：

（1）pij≥0（i,j=1,2,…）；

（2）

连续型

对于二维随机向量，如果存在非负函数，使对任意一个其邻边分别平行于坐标轴的矩形区域D，即D={(X,Y)|a

则称为连续型随机向量；并称f(x,y)为=（X，Y）的分布密度或称为X和Y的联合分布密度。

分布密度f(x,y)具有下面两个性质：

（1）

f(x,y)≥0;

（2）

（2）二维随机变量的本质

（3）联合分布函数

设（X，Y）为二维随机变量，对于任意实数x,y,二元函数

称为二维随机向量（X，Y）的分布函数，或称为随机变量X和Y的联合分布函数。

分布函数是一个以全平面为其定义域，以事件的概率为函数值的一个实值函数。分布函数F(x,y)具有以下的基本性质：

（1）

（2）F（x,y）分别对x和y是非减的，即

当x2>x1时，有F（x2,y）≥F(x1,y);当y2>y1时，有F(x,y2)

≥F(x,y1);

（3）F（x,y）分别对x和y是右连续的，即

（4）

（5）对于

.（4）离散型与连续型的关系

（5）边缘分布

离散型

X的边缘分布为；

Y的边缘分布为。

连续型

X的边缘分布密度为

Y的边缘分布密度为

（6）条件分布

离散型

在已知X=xi的条件下，Y取值的条件分布为

在已知Y=yj的条件下，X取值的条件分布为

连续型

在已知Y=y的条件下，X的条件分布密度为；

在已知X=x的条件下，Y的条件分布密度为

（7）独立性

一般型

F(X,Y)=FX(x)FY(y)

离散型

有零不独立

连续型

f(x,y)=fX(x)fY(y)

直接判断，充要条件：

①可分离变量

②正概率密度区间为矩形

二维正态分布

＝0

随机变量的函数

若X1,X2,…Xm,Xm+1,…Xn相互独立，h,g为连续函数，则：

h（X1，X2,…Xm）和g（Xm+1,…Xn）相互独立。

特例：若X与Y独立，则：h（X）和g（Y）独立。

例如：若X与Y独立，则：3X+1和5Y-2独立。

（8）二维均匀分布

设随机向量（X，Y）的分布密度函数为

其中SD为区域D的面积，则称（X，Y）服从D上的均匀分布，记为（X，Y）～U（D）。

例如图3.1、图3.2和图3.3。

图3.1

图3.2

图3.3

（9）二维正态分布

设随机向量（X，Y）的分布密度函数为

其中是5个参数，则称（X，Y）服从二维正态分布，记为（X，Y）～N（由边缘密度的计算公式，可以推出二维正态分布的两个边缘分布仍为正态分布，即X～N（但是若X～N（，(X，Y)未必是二维正态分布。

（10）函数分布

Z=X+Y

根据定义计算：

对于连续型，fZ(z)＝

两个独立的正态分布的和仍为正态分布（）。

n个相互独立的正态分布的线性组合，仍服从正态分布。，Z=max,min(X1,X2,…Xn)

若相互独立，其分布函数分别为，则Z=max,min(X1,X2,…Xn)的分布函数为：

分布

设n个随机变量相互独立，且服从标准正态分布，可以证明它们的平方和的分布密度为

我们称随机变量W服从自由度为n的分布，记为W～，其中

所谓自由度是指独立正态随机变量的个数，它是随机变量分布中的一个重要参数。

分布满足可加性：设

则

t分布

设X，Y是两个相互独立的随机变量，且

可以证明函数的概率密度为

我们称随机变量T服从自由度为n的t分布，记为T～t(n)。

F分布

设，且X与Y独立，可以证明的概率密度函数为

我们称随机变量F服从第一个自由度为n1，第二个自由度为n2的F分布，记为F～f(n1,n2).第四章

随机变量的数字特征

（1）一维随机变量的数字特征

离散型

连续型

期望

期望就是平均值

设X是离散型随机变量，其分布律为P()＝pk，k=1,2,…,n，（要求绝对收敛）

设X是连续型随机变量，其概率密度为f(x)，（要求绝对收敛）

函数的期望

Y=g(X)

方差

D(X)=E[X-E(X)]2，标准差，矩

①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即

νk=E(Xk)=,k=1,2,….②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为，即

=，k=1,2,….①对于正整数k，称随机变量X的k次幂的数学期望为X的k阶原点矩，记为vk,即

νk=E(Xk)=

k=1,2,….②对于正整数k，称随机变量X与E（X）差的k次幂的数学期望为X的k阶中心矩，记为，即

k=1,2,….切比雪夫不等式

设随机变量X具有数学期望E（X）=μ，方差D（X）=σ2，则对于任意正数ε，有下列切比雪夫不等式

切比雪夫不等式给出了在未知X的分布的情况下，对概率的一种估计，它在理论上有重要意义。

（2）期望的性质

（1）

E(C)=C

（2）

E(CX)=CE(X)

（3）

E(X+Y)=E(X)+E(Y)，（4）

E(XY)=E(X)

E(Y)，充分条件：X和Y独立；

充要条件：X和Y不相关。

（3）方差的性质

（1）

D(C)=0；E(C)=C

（2）

D(aX)=a2D(X)；

E(aX)=aE(X)

（3）

D(aX+b)=

a2D(X)；

E(aX+b)=aE(X)+b

（4）

D(X)=E(X2)-E2(X)

（5）

D(X±Y)=D(X)+D(Y)，充分条件：X和Y独立；

充要条件：X和Y不相关。

D(X±Y)=D(X)+D(Y)

±2E[(X-E(X))(Y-E(Y))]，无条件成立。

而E(X+Y)=E(X)+E(Y)，无条件成立。

（4）常见分布的期望和方差

期望

方差

0-1分布

二项分布

泊松分布

几何分布

超几何分布

均匀分布

指数分布

正态分布

t分布

(n>2)

（5）二维随机变量的数字特征

期望

函数的期望

＝

方差

协方差

对于随机变量X与Y，称它们的二阶混合中心矩为X与Y的协方差或相关矩，记为，即

与记号相对应，X与Y的方差D（X）与D（Y）也可分别记为与。

全概率公式证明篇2

为此,我们给出今天介绍的内容:《概率论》中的基本公式———全概率公式与Bayes公式.

一、准备知识:设A、B是随机试验E的两个随机事件

1.条件概率公式 :

2.乘法公式 :

二、全概率公式与Bayes公式:设Ω是随机试验E的样本空间

1.定义 :若E的事件组A1,A2,…,An满足

则称事件组A1,A2, … ,An为Ω的一个划分 (或完备事件组).

2.公式 :设B是随机试验E中的任一事件 ,A1,A2,… ,An是Ω的完备事件组,P(Ai)>0(i=1,2,…,n).

(1)全概率公式:

(2)Bayes公式:P(B)>0

例 :设某批产品中 ,甲、乙、丙三厂生产的产品分别占45%,35%,20%,各厂产品的次品率分别为4% ,2% ,5% , 现从中任取一件,

(1)求取到的是次品的概率;

(2)经验证发现取到的产品是次品 ,求该产品是甲厂生产的概率.

解:设事件:

A1={该产品是甲厂生产的},A2={该产品是乙厂生产的}

A3={该产品是丙厂生产的},B={该产品是次品}

则A1,A2,A3为一个完备事件组,且已知:

P(A1)=45%,P(A2)=35%,P(A3)=20%

P(B|A1)=4%,P(B|A2)=2%,P(B|A3)=5%

(1)由全概率公式有:

(2)由Bayes公式有:

三、小结

1.完备事件组就是任一事件发生的情况、原因或途径 ;

2.运用全概率公式与Bayes公式的关键是找出一个完备事件组;

圆锥体体积公式的证明篇3

证明需要几个步骤来解决：

1)圆柱体的微分单元是三棱柱, 而圆锥体的微分单元是三棱锥。

所以, 只要证明三棱锥的体积，是等底等高的三棱柱的体积的1/3，即可知题目所求正确。

2）如图，一个三棱柱可以切分成三个三棱锥：

(上图中,第二个“等底等高”的“高”是横着的，而“底”是竖着的。)

现在需要证明，这三个三棱锥，体积都是相等的，也就是各自的体积都是图中三棱柱的体积的1/3.证明需要的命题是：底面全等，且高度相等的三棱锥，体积必然相同。

3）如图，底面全等，且高度相等的三棱锥，体积必然相同。这个命题的证明，需要基本的一个原理：祖暅原理。

注释：祖暅原理

祖暅原理也就是“等积原理”。它是由我国南北朝杰出的数学家、祖冲之(429-500)的儿子祖暅(gèng)首先提出来的。

祖暅原理的内容是：夹在两个平行平面间的两个几何体，被平行于这两个平行平面的任何平面所截，如果截得两个截面的面积总相等，那么这两个几何体的体积相等。

在西方，直到17世纪，才由意大利数学家卡瓦列里（Cavalieri.B,1589-1647)发现。于1635年出版的《连续不可分几何》中，提出了等积原理，所以西方人把它称之为“卡瓦列里原理”。其实，他的发现要比我国的祖暅晚1100多年。

祖暅原理的思想

我们都知道“点动成线，线动成面，面动成体”这句话，直线由点构成，点的多少表示直线的长短；面由线构成，也就是由点构成，点的多少表示面积的大小；几何体由面构成，就是由线构成，最终也就是由点构成，点的多少也表示了体积的大小，要想让两个几何体的体积相等，也就是让构成这两个几何体的点的数量相同，祖暅原理就运用到了它。

两个几何体夹在两平行平面中间，可以理解为这两个几何体平行面间的的高度相等。两平行面之间的距离一定，若视距离为一条线段，那么这个距离上就有无数个点，过一个点，可以画出一个平行于两平行面的截面，若两几何体在被过每一点的平行截面截出的截面面积两两相等，则说明两几何体在同一高度下的每两个截面上的点的数量相同。有无数个截面，同一高度每两个几何体的截面上的点的数量相同，则说明，这两个几何体所拥有的点数量相同，那么也就是说，它们的体积相同。所以我们可以用这种思想来理解祖暅原理。

这个原理说：如果两个高度相等的立体，在任何同样高度下的截面面积都相等，那么，这两个立体的体积就相等。

所以，下图可证明：若两三棱锥的底面（三角形）全等，高度相等，那么它们在任何高度上的截面（三角形）也必然全等。于是可以根据祖暅原理断言：

等底等高的三棱锥，体积都相等：

三棱柱的体积，与立方体的体积一样，是底面积乘以高，（三棱柱可来自于半个立方体）：

知道有关三角形的相似、比例、全等的一些定理，就可深入完成题目的证明。

=====

下面这个图, 说明了一个直接的、有趣的推论：

注意上面这个图，在推算球体的体积的时候，还可以用到。

下面再给几个有趣的推论，直到求出球体的体积和表面积公式:

1)金字塔锥的体积也是:(1/3)x底面积x高.这是由于金字塔锥是两个三棱锥构成的:

2）下面的图说明，球体的微分单元是金字塔锥体。

由此可知，球体的体积 =（1/3）x 球的表面积 x 球半径.上面的公式说明，球体的体积和表面积，只要知道其中一个信息，那么就可知道另一个信息。实际上，根据球体半径推算球体的体积，可以更先一步。

3）球体的体积。

先看半球的体积：

这还要用到祖暅原理。上图中，左边的内部被挖空一个圆锥体的圆柱体，我们前面见过，右边是一个半球，高度（球半径）与左边的挖空圆柱体高度相同，都是R.根据图，在任何一个高度h上的水平截面，左边的被截环（绿色）面积是：πR图里，被截的圆（绿色）面积是:πr2 = π(R2-h2).可见，两形体在任何高度上的截面面积都是相等的。于是，根据祖暅原理，上面两形体的体积相同。

左边形体的体积=圆柱体的体积-圆锥体的体积=(2/3)πR3.-πh2.而右边的

所以，右边的半球的体积也是=(2/3)πR3.可知整个球体的体积公式是：

V=(4/3)πR3.再根据球的体积与表面积的关系公式，可得球体的表面积公式为：

全概率公式证明篇4

考虑数值积分公式的直接证明问题,利用微分中值定理给出了数值积分的矩形公式和梯形公式的直接证明,然后给出了数值积分公式的收敛性的证明.

作者：邢家省张愿章李争辉 Xing Jiasheng Zhang Yuanzhang Li Zhenghui 作者单位：邢家省,李争辉,Xing Jiasheng,Li Zhenghui(北京航空航天大学数学与系统科学学院;数学、信息与行为教育部重点实验室,北京,100191)

张愿章,Zhang Yuanzhang(华北水利水电学院,郑州,450011)

全概率公式的应用及例解篇5

全概率公式设随机事件组A1,A2,…两两互斥,且;对任意一个随机事件B,有

全概率公式的应用技巧就是把一个比较繁琐的事件B分解成若干两两互斥的简单事件A1,A2,…的和事件,分解的关键是A1,A2,…的设置以及条件概率的求解。

例1投掷2粒骰子并计算出现的点数和,将这样的试验进行若干次,A={点和3出现在点和5之前},求A的概率。

解将第一次投出的结果作为事件组,记A1={第一次掷出的结果为点和3},A2={第一次掷出的结果为点和3},A3={第一次掷出的结果既不为点和3点也不为点和5},注意到如果第一次掷出的结果既不为点和3点也不为点和5,此事件与A独立,即P(A|A3)=P(A),由全概率公式,

例2 k+1个人做传球游戏,每次传球都将球等可能传给其他人,从甲开始,求第n次传球时仍由甲传出的概率。

解记An={第n次传球时球仍由甲传出},n=1,2,…,容易知道P(An|An-1)=0,,由全概率公式,

另记pn=P(An),则有递归式,容易解得

2 条件概率形式的全概率公式及应用

条件概率也是概率,也有全概率公式,具体如下:

设A1,A2,…两两互斥,且,的一个分割,即A1,A2,…,An互不相容且,C为事件,P(Ai)﹥0,P(C)﹥0,P(AiC)﹥0 i=1,2,…,对任一事件B,有

例3某厂有一,二,三共三个车间,生产同种产品,总产量中三个车间所占的比例分别是60%、25%及15%,三个车间所生产产品的次品率分别为6%、8%及12%,从该厂产品中任意抽取一件产品,取到的恰好是次品,视次品来自一或二或三车间,能被修复成正品的概率分别为0.8,0.5,0.3,求此次品能被修复成正品的概率。

解设Ai={抽取的产品来自第i各车间},i=1,2,3,B={所抽产品为次品},C={能修复成正品},则P(A1)=0.6,P(A2)=0.25,P(A3)=0.15,

P(C|A1B)=0.8,P(C|A2B)=0.5,P(C|A3B)=0.3,所求概率为P(C|B),

由全概率公式

例4两箱产品,第一个箱子里面装有10个合格品和40个次品,第二个箱子里面装有18个合格品和12个次品,随机挑中两个箱子中的一个并随机拿出两个产品,如果第一次拿出的是合格产品,问第二次拿出的也是合格品的概率是多少。

解令Bi={抽到的是第i箱},i=1,2,Ai={第i次拿出的东西是合格品},i=1,2

由条件概率形式的全概率公式可得:

这种类型的问题也可以综合应用条件概率,全概率公式,贝叶斯公式求解,比如例4也可以这样求

3 与随机变量相关的全概率公式及其应用

条件数学期望有一个重要性质:

根据这一性质,对任一事件A,构造一个随机变量

于是,我们有如下结论:

(1)设X是离散型随机变量,分布列pi=P(X=xi),i=1,2,3…,对任一事件A,有