Chapter 1 概率论的基本概念¶
约 1156 个字 预计阅读时间 6 分钟
样本空间与随机事件¶
随机试验(random experiment)的特点:
- 可以复现;
- 每次试验的结果不定,但事先可以知道试验的所有可能结果;
而随机试验的所有可能结果构成的集合为样本空间(sample space),记为\(S\),其中的每一个元素为样本点(sample point)。
而样本空间的任一子集成为随机事件(random event),简称事件。
- 特别的,只含有一个样本的子集称为基本事件。
事件的相互关系
从左到右分别:
包含 | 和事件 | 积事件 | 逆事件 | 差事件
- 两互逆事件又称对立事件。
- 若\(AB=\varnothing\),则称两事件不相容(或互斥)
- 若\(A\subset B \;and\;B\subset A\),则称两事件相等
其中,和、交、逆事件有如下运算规律:
- 交换律:\(A\cup B=B\cup A\;,\;A\cap B=B\cap A\);
- 结合律:\(A\cup(B\cup C)=(A\cup B)\cup C\;,\;A(BC)=(AB)C\);
- 分配律:\(A(B\cup C)=(AB)\cup(AC)\;,\;(AB)\cup C=(A\cup C)(B\cup C)\);
- 对偶律 / 德摩根定律(De Morgan's law):\(\overline{\bigcup\limits^n_{j=1}A_j}=\bigcap\limits^n_{j=1}\overline{A_j}\;,\;\overline{\bigcap\limits^n_{j=1}A_j}=\bigcup\limits^n_{j=1}\overline{A_j}\);
串联系统与并联系统:
- 串联系统:\(A=\bigcap\limits_{i=1}^nA_i\)
- 并联系统:\(A=\bigcup\limits_{i=1}^nA_i\)
频率与概率¶
频率 = 频数 / 试验总次数
若样本空间\(S\)中的任一事件\(A\),定义概率\(P(A)\)满足以下三条公理:
- 非负性\(P(A)\geq0\);
- 规范性 / 正则性\(P(S)=1\);
- 可列可加性:对于\(S\)中不相容的事件\(A_i\),有\(P(\bigcup\limits^{+\infty}_{j=1}A_j)=\sum\limits_{j=1}^{+\infty}P(A_j)\);
由此得到如下几条概率的性质:
- 对于有限个两两不相容的事件的和事件,有 \(P(\bigcup\limits^n_{j=1}A_j)=\sum\limits_{j=1}^nP(A_j)\);
- \(P(A)=1-P(\overline A)\);特别的,可以得到\(P(\varnothing)=0\);
- 当\(A\supset B\)时,\(P(A-B) = P(A)-P(B)\)且\(P(A)\geq P(B)\);
- 概率的加法公式:\(P(A\cup B)=P(A)+P(B)-P(AB)\);推广即容斥原理;
- 加法公式的推论:\(P(A\cup B)\leq P(A)+P(B)\);
等可能概型¶
如果随机事件满足:
- \(S\)中样本点数有限;
- \(\forall i,j \in\{1,2,...,n\},\;P(e_i) = P(e_j)\),即等可能;
则该试验问题为等可能概型(古典概型)
有如下性质:若总事件个数为 \(N\),\(A\) 为 \(n\) 个基本事件的和事件,则 \(P(A)=\frac{n}{N}\)。
条件概率¶
如果\(P(B)>0\),那么定义在\(B\)发生的条件下\(A\)发生的条件概率(contidional probability)为:
\(P(A|B)=\frac{P(AB)}{P(B)}\)
条件概率是在新的样本空间下的概率度量,它满足概率的定义和性质。
定义完备事件组为\(S\)的一个划分\(B_1,B_2,...,B_n\),它满足如下性质:
- \(B_iB_j=\varnothing,i,j,...,n,i\not=j\);
- \(\bigcup\limits^n_{i=1}B_i=S\);
设\(S\)为一样本空间,\(A\)为该试验的事件,\(\{B_i\}\)为\(S\)的一个划分,则有:
- 若\(A_1,...,A_n,...\)互不相容,则\(P(\cup_{n=1}^{\infty}A_n|B)=\sum\limits_{n=1}^{\infty}P(A_n|B)\);
- 乘法公式:当\(P(A)\not=0\;\,\;P(B)\not=0\)时,有\(P(AB)=P(A)*P(B|A)=P(B)*P(A|B)\);
- 全概率公式:\(P(A)=\sum\limits_{j=1}^nP(B_j)P(A|B_j)\);
- 贝叶斯公式:\(P(B_k|A)=\frac{P(B_kA)}{P(A)}=\frac{P(B_k)P(A|B_k)}{\sum\limits_{j=1}^nP(B_j)P(A|B_j)}\);
- 其中,我们称\(P(B_j)\)这种事先知道的概率为先验概率;
- 而\(P(B_j|A)\)这种,当事件\(A\)发生后需要修正 \(B_j\) 的概率成为后验概率。
- 我们称\(P(A|B_j)\)为似然概率。
事件独立性与独立试验¶
设\(A,B\)为两个随机事件,若有\(P(AB)=P(A)*P(B)\),则\(A,B\)相互独立(independent)
其实际意义是,事件\(A\)的发生与事件\(B\)的发生互不影响。
那么就有结论:\(while\;\;P(AB)=P(A)*P(B)\;\;,\;\;P(A|B)=P(A)\);
当出现两个以上的随机事件时,如三个随机事件\(A,B,C\),当:
\(P(AB)=P(A)*P(B)\;,\;P(AC)=P(A)*P(C)\;,\;P(BC)=P(B)*P(C)\)
都成立,则称事件\(A,B,C\)两两独立;
如果同时还满足:
\(P(ABC)=P(A)P(B)P(C)\)
则称事件\(A,B,C\)相互独立。
- 显然有:相互独立 \(\Rightarrow\) 两两独立
更普遍的:
定义\(\{A_i\}\)相互独立当且仅当\(\forall{i_j},\;P(\prod_{j=1}^k A_{i_j})=\prod_{j=1}^kP(A_{i_j})\)
独立试验与重复试验:
- 独立试验各个试验结果互不影响;
- 重复试验的每一次子试验都在相同情况下进行;