第一章 概率论与数理统计1

概率论与数理统计复习 第一章 概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(?):每次试验中一定不会发生的事件. 二. 事件间的关系和运算⊂(事件B包含事件A )事件A 发生必然导致事件B 发生.∪B (和事件)事件A 与B 至少有一个发生. 3. A ∩B=AB(积事件)事件A 与B 同时发生. 4. A-B(差事件)事件A 发生而B 不发生.5. AB=? (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=?且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则 交换律 结合律 分配律 德?摩根律 B A B A I Y = B A B A Y I = 三. 概率的定义与性质1.定义 对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性 对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(?) = 0 , 注意: A 为不可能事件 P(A)=0 . (2)有限可加性 对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B-A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理 对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义 如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义 事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0). P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0)3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则当P(B i )>0时,有全概率公式 P(A)=()()i ni i B A P B P ∑=1当P(A)>0, P(B i )>0时,有贝叶斯公式P (B i |A)=()()()()()()∑==ni i i i i i B A P B P B A P B P A P AB P 1. 六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立? P(B)= P (B|A) .(2)若A 与B,A 与B ,A 与B, ,A 与B 中有一对相互独立,则另外三对也相互独立.2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立. 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P ΛΛ2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章 随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1) (3))X~?(?)参数为?的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (?>0)三.连续型随机变量1.定义 如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为?的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (?>0).(3)X~N (?,?2)参数为?,?的正态分布 222)(21)(σμσπ--=x e x f -?<x<?, ?>0.特别, ?=0, ?2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, ?(-x)=1-Φ(x) .若X ～N ((?,?2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z ?}= P{Z<-z ?}= P{|Z|>z ?/2}= ?,则点z ?,-z ?, ?z ?/ 2分别称为标准正态分布的上,下,双侧?分位点. 注意：?(z ?)=1-? , z 1- ?= -z ?. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法 先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法 若g(x)处处可导,且恒有g /(x)>0 (或g / (x)<0 ),则Y=g (X)是连续型随机变量,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , ?= min (g (-?),g (?)) ?= max (g (-?),g (?)) .如果 f (x)在有限区间[a,b]以外等于零,则 ?= min (g (a),g (b)) ?= max (g (a),g (b)) .第三章 二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义 若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ?)=0, F(-?,y)=0, F(-?,-?)=0, F(?,?)=1 .(3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义 若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 . (2)归一性 ∑∑=i jij p 1 . 3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义 如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-yxdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度. 2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-dxdy y x f .(3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<?}= F (x , ?) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<?, Y ≤y}= F (?,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=•i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=•j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dyy f Y五.相互独立的随机变量1.定义 若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义 设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称,}{},{jj i j j i p p y Y P y Y x X P •=====P{X=x i |Y=y j }为在Y= y j 条件下随机变量X 的条件分布律. 同样,对于固定的i,若P{X=x i }>0,则称P{Y=y j |X=x i } 为在X=x i 条件下随机变量Y 的条件分布律.第四章 随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量 连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛) ⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛) 函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差?(X)=√D(X) . 二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) . ,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .4. D(X) = 0 ⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) ~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) ~ b (n,p) (0<p<1) n p n p (1- p) ~ ?(?) ? ?,}{},{•=====i ji i j i p p x X P y Y x X P~ U(a,b) (a+b)/2 (b-a) 2/12 服从参数为?的指数分布 ? ?2 ~ N (?,?2) ? ?2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章 样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i iX X n S 12211 样本标准差S 样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布 即统计量的分布1.X 的分布 不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n . 特别,若X~ N (?,?2 ) ,则 X ~ N (?, ?2 /n) .2.?2分布 (1)定义 若X ～N (0,1) ,则Y =∑=ni i X 12~ ?2(n)自由度为n 的?2分布.(2)性质 ①若Y~ ?2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ ?2(n 1) Y 2~ ?2(n 2) ,则Y 1+Y 2~ ?2(n 1 + n 2). ③若X~ N (?,?2 ), 则22)1(σS n -~ ?2(n-1),且X 与S 2相互独立.(3)分位点 若Y~ ?2(n),0< ? <1 ,则满足的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为?2分布的上、下、双侧?分位点. 3. t 分布(1)定义 若X~N (0,1),Y~ ?2(n),且X,Y 相互独立,则t=nY X ~t(n)自由度为n 的t 分布.(2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (?,?2 )时, nS X μ-~ t (n-1) . ③两个正态总体相互独立的样本 样本均值 样本方差X~ N (?1,?12 ) 且?12=?22=?2 X 1 ,X 2 ,…,X n1 X S 12 Y~ N (?2,?22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w (3)分位点 若t ~ t (n) ,0 < ?<1 , 则满足的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧?分位点. 注意: t 1- ? (n) = - t ? (n).分布 (1)定义 若U~?2(n 1), V~ ?2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点 若F~ F(n 1,n 2) ,0< ? <1,则满足的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧?分位点. 注意: .).(1),(12211n n F n n F αα=-第七章 参数估计一.点估计 总体X 的分布中有k 个待估参数?1, ?2,…, ?k .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμΛΛΛ解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k μμμθθμμμθθμμμθθΛΛΛ,以样本矩A l 取代总体矩? l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A ΛΛΛθθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, ?1, ?2,…, ?k ),称样本X 1 ,X 2 ,…,X n的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθΛΛ为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21Λ,称为参数?1, ?2,…,?k 的最大似然估计值,代入样本得到最大似然估计量.若L(?1, ?2,…, ?k )关于?1, ?2,…, ?k 可微,则一般可由 似然方程组0=∂∂i L θ 或 对数似然方程组 0ln =∂∂iLθ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性 若E(∧θ)=?,则估计量∧θ称为参数?的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=?k =E(X k ),即样本均值X ,样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩?k 的无偏估计,(2)有效性 若E(∧θ1 )=E(∧θ2)= ?, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效. (3)一致性(相合性) 若n →∞时,θθP→∧,则称估计量∧θ是参数?的相合估计量. 二.区间估计1.求参数?的置信水平为1-?的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,?),其中只有一个待估参数?未知,且其分布完全确定.(2)利用双侧?分位点找出W 的区间(a,b),使P{a<W <b}=1-?.(3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求.2.单个正态总体待估参数 其它参数 W 及其分布 置信区间? ?2已知 n X σμ-~N (0,1) (2/ασz n X ±) ? ?2未知n S X μ-~ t (n-1) )1((2/-±n t n S X α ?2 ?未知22)1(σS n -~ ?2(n-1) ))1()1(,)1()1((22/1222/2-----n S n n S n ααχχ 3.两个正态总体(1)均值差? 1-? 2 其它参数 W 及其分布 置信区间已知2221,σσ 22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±- 未知22221σσσ== 212111)(n n S Y X w +---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w +-+±-α 其中S w 等符号的意义见第六章二. 3 (2)③. (2) ? 1,? 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比?12/?22的置信区间为 注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标?/2改为?,另外的下(上)限取为-? (?)即可.。

第一章 随机事件及其概率第1章1、解：（1）{}2,3,4,5,6,7S = （2）{} ,4,3,2=S （3）{} ,,,TTH TH H S =（4）{}6,5,4,3,2,1,,T T T T T T HT HH S =2、设A , B 是两个事件，已知81)(,21)(,41)(===AB P B P A P ，求)(B A P ，)(B A P ，)(AB P ，)])([(AB B A P 解：81)(,21)(,41)(===AB P B P A P ∴)()()()(AB P B P A P B A P -+= 85812141=-+=)()()(AB P B P B A P -=838121=-=87811)(1)(=-=-=AB P AB P)])([(AB B A P )]()[(AB B A P -=)()(AB P B A P -= )(B A AB ⊂218185=-=3、解：用A 表示事件“取到的三位数不包含数字1”2518900998900)(191918=⨯⨯==C C C A P 4、在仅由0，1，2，3，4，5组成且每个数字至多出现一次的全体三位数字中，任取一个三位数，（1）该数是奇数的概率；（2）求该数大于330的概率。

解：用A 表示事件“取到的三位数是奇数”，用B 表示事件“取到的三位数大于330”(1) 455443)(2515141413⨯⨯⨯⨯==A C C C C A P =0.48 2） 455421452)(251514122512⨯⨯⨯⨯+⨯⨯=+=A C C C A C B P =0.48 5、袋中有5只白球，4只红球，3只黑球，在其中任取4只，求下列事件的概率（1）4只中恰有2只白球，1只红球，1只黑球； （2）4只中至少有2只红球； （3）4只中没有白球解：用A 表示事件“4只中恰有2只白球，1只红球，1只黑球”（1）412131425)(C C C C A P ==495120=338（2）用B 表示事件“4只中至少有2只红球”16567)(4124418342824=++=C C C C C C B P 或4124838141)(C C C C B P +-==16567495201= （3）用C 表示事件“4只中没有白球”99749535)(41247===C C C P 6、解：用A 表示事件“某一特定的销售点得到k 张提货单”nkn k n MM C A P --=)1()( 7、解：用A 表示事件“3只球至少有1只配对”，B 表示事件“没有配对”（1）3212313)(=⨯⨯+=A P 或321231121)(=⨯⨯⨯⨯-=A P （2）31123112)(=⨯⨯⨯⨯=B P 8、（1）设1.0)(,3.0)(,5.0)(===AB P B P A P ，求(),(),(),(),P A B P B A P A B P A A B(),()P AB A B P A AB ；（2）袋中有6只白球，5只红球每次在袋中任取一只球，若取到白球，放回，并放入1只白球，若取到红球不放回也不再放回另外的球，连续取球四次，求第一、二次取到白球且第三、四次取到红球的概率。

第一章 随机事件与概率（一）随机事件知识点1、称试验E 的样本空间的子集为随机事件，用A 、B 、C …表示。

事件A 的元素是样本点，它在一次试验中，可能出现，也可能不出现。

A 中的某个样本点出现了，事件A 发生，否则，A 不发生。

因此，在一次试验中，可能发生也可能不发生的事情，就是随机事件。

样本空间S 有两个特殊的子集；S 自身和空集φ。

S 含所有的样本点，每次试验，必然发生；φ不含样本点，每次试验一定不发生。

在一定条件下，每次试验一定发生的事情，称为必然事件。

每次试验一定不发生的事情，称为不可能事件。

必然事件S ，不可能事件φ是事先就能明确是否会发生，属于确定性现象，但在概率统计中，为了研究问题的需要，仍将其作为特殊的随机事件处理，使得事件间有着完整的关系，S A ⊂⊂φ。

此外，在样本空间的子集中，只含一个样本点的事件，称为基本事件。

样本点的个数超过一个的事件，称为复合事件。

2、事件之间的关系和运算由于事件是样本点的集合，因此，事件之间的关系和运算可借助集合之间的关系与运算来定义。

其运算规律也同集合间的运算规律。

(1)事件的包含与相等若事件A 发生必然导致事件B 发生，则称A 包含于B (或B 包含A )，记B A ⊂(或A B ⊃)。

若B A ⊂且A B ⊃，则称事件A 与事件B 相等，记B A =。

(2)事件的和事件A 与事件B 至少有一个发生的事件，记作B A ，称为A 与B 的和事件，有{}B e A e e B A ∈∈=或 。

同样地有限个事件n A A A ,,,21 至少有一个发生的事件，记作 ni i A 1=，称为有限个事件的和事件。

可列多个事件 ,,,,21i A A A 至少有一个发生的事件，记作 ∞=1i i A ，称为可列多个事件的和事件。

(3)事件的积事件A 与事件B 同时发生的事件，记作B A (或AB )，称为A 与B 的积事件，{}B e A e e AB ∈∈=且 类似地，有限个多个事件n A A A ,,,21 同时发生的事件，记作 ni i A 1=。