1.2 概率模型
概率模型
- 试验:概率模型都关联着一个试验,试验必产生一个结果
- 样本空间 Ω \Omega Ω: 试验的所有可能
- 事件A :样本空间的子集
- 概率:确定了任何结果或结果的集合(事件)的似然程度(likelood)
表示:常用序贯树形图等序贯模型表示样本空间的试验结果
概率公理
- 非负性: ∀ A , P ( A ) ≥ 0 \forall A, P(A)\geq0 ∀A,P(A)≥0
- 可加性: ∀ A , B , A ∩ B = ∅ , P ( A ∪ B ) = P ( A ) + P ( B ) \forall A,B, A\cap B= \varnothing ,P(A\cup B)=P(A)+P(B) ∀A,B,A∩B=∅,P(A∪B)=P(A)+P(B)
- 归一化: P ( Ω ) = 1 P(\Omega)=1 P(Ω)=1
概率律的性质(由公理可推导)
a.
A
⊂
B
,
则
P
(
A
)
≤
P
(
B
)
A\subset B, 则 P(A)\leq P(B)
A⊂B,则P(A)≤P(B)
b.
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
∩
B
)
P(A\cup B)=P(A)+P(B)-P(A\cap B)
P(A∪B)=P(A)+P(B)−P(A∩B)
c.
P
(
A
∪
B
)
≤
P
(
A
)
+
P
(
B
)
P(A\cup B)\leq P(A)+P(B)
P(A∪B)≤P(A)+P(B)
d.
P
(
A
∪
B
∪
C
)
=
P
(
A
)
+
P
(
A
c
∩
B
)
+
P
(
A
c
∩
B
c
∩
C
)
P(A\cup B\cup C)=P(A)+P(A^c\cap B)+P(A^c\cap B^c\cap C)
P(A∪B∪C)=P(A)+P(Ac∩B)+P(Ac∩Bc∩C)
离散模型
离散概率律:样本空间由有限个可能的结果组成
P
(
{
S
1
,
S
2
,
.
.
.
,
S
n
}
)
=
P
(
S
1
)
+
P
(
S
2
)
+
.
.
.
+
P
(
S
n
)
P(\{S_1, S_2,...,S_n\})=P(S_1)+P(S_2)+...+P(S_n)
P({S1,S2,...,Sn})=P(S1)+P(S2)+...+P(Sn)
离散均匀概率律:样本空间由n个等可能性的试验结果组成
P
(
A
)
=
事
件
A
中
的
试
验
结
果
数
n
P(A) = \frac{事件A中的试验结果数}{n}
P(A)=n事件A中的试验结果数
例1.3:
试验:连续两次抛掷一个骰子
样本空间:两次点数所有可能的集合
事件A:两次点数之和为偶数
事件B:两次点数相等
事件C:至少有一次得6
连续模型
试验的样本空间为连续集合
-
幸运轮 Ω = [ 0 , 1 ] \Omega=[0, 1] Ω=[0,1],指针指向0到1之间的一个刻度
概率模型 P ( [ a , b ] ) = b − a , [ a , b ] ⊆ Ω P([a, b])=b-a , [a, b] \subseteq \Omega P([a,b])=b−a,[a,b]⊆Ω -
见面(几何模型)
A, B约定某时刻见面,两人均可能延迟0~1小时,先到者会等待15分钟
样本空间 Ω = [ 0 , 1 ] × [ 0 , 1 ] \Omega=[0,1]\times[0, 1] Ω=[0,1]×[0,1]可表示为一个正方形
概率P(S)为S的面积 ( S ⊆ Ω ) (S\subseteq \Omega) (S⊆Ω)
1.3 条件概率
条件概率-定义:
P
(
A
∣
B
)
=
P
(
A
∪
B
)
P
(
B
)
P(A|B)=\frac {P(A\cup B)}{P(B)}
P(A∣B)=P(B)P(A∪B)
含义:给定试验、样本空间,已知B发生,事件A发生的概率
条件概率也是概率律,满足概率的三公理与性质
对条件概率的理解:
P(A|B) ,其中B固定,A为
Ω
\Omega
Ω中任一事件
- 该条件概率为样本空间 Ω \Omega Ω上的新概率律
- 也可看作B上的概率律,B为全空间
乘法法则
例1.9 雷达探测器
例1.10
从52张牌中连续无放回的抽取3张牌,求3张牌中无红桃的概率
1.4 全概率定理和贝叶斯准则
全概率定理
A
1
,
A
2
,
.
.
.
,
A
n
A_1, A_2, ..., A_n
A1,A2,...,An是样本空间的一个分割,且
P
(
A
i
)
>
0
P(A_i)>0
P(Ai)>0,对任意事件B:
P
(
B
)
=
P
(
A
1
∩
B
)
+
.
.
.
+
P
(
A
n
∩
B
)
=
P
(
A
1
)
P
(
B
∣
A
1
)
+
.
.
.
+
P
(
A
n
)
P
(
B
∣
A
n
)
P(B)=P(A_1\cap B)+...+P(A_n\cap B)=P(A_1)P(B|A_1)+...+P(A_n)P(B|A_n)
P(B)=P(A1∩B)+...+P(An∩B)=P(A1)P(B∣A1)+...+P(An)P(B∣An)
例1.13
P(胜) = P(一类对手)P(胜|一类)+P(二类)P(胜|二类)+P(三类)P(胜|三类)
例1.15 爱丽丝上课
U
i
,
B
i
U_i, B_i
Ui,Bi表示经过i周跟上或跟不上
贝叶斯准则
P
(
A
i
∣
B
)
⋅
P
(
B
)
=
P
(
B
∣
A
i
)
⋅
P
(
A
i
)
P(A_i|B)\cdot P(B)=P(B|A_i)\cdot P(A_i)
P(Ai∣B)⋅P(B)=P(B∣Ai)⋅P(Ai)
其中
P
(
B
∣
A
i
)
P(B|A_i)
P(B∣Ai)后验概率,
P
(
A
i
)
P(A_i)
P(Ai)先验概率
例1.18 假阳性之迷
已知某疾病检出率为95%, 则求检测结果为阳性时,该人患病的概率