第1章 事件的概率

1，概率是什么？

1.1主观概率

主观概率 可以理解为一种心态或倾向性，其原因如下：

• （1）是根据其经验和知识来对事件（某种情况）出现的可能性大小进行估计；
• （2）根据其利害关系，反映了主体认识的一种倾向性。

1.2 试验与事件

在“概率论”中，“事件”的一般含义如下：

• （1）有一个明确界定的试验；
• （2）这个试验的全部可能结果，是在试验前就明确的。当然，我们不能确切地指导一个试验的全部可能结果，但可以知道它不超出某个范围；
• （3）有一个明确的陈述，这个陈述界定了试验的全部可能结果中的一个确定的部分。

“随机事件”或“偶然事件”：
事件是否在某次试验中发生，取决于机遇。

1.3 古典概率

定义：设一个试验有$N$个等可能的结果，而事件$E$恰包含其中的$M$个结果，则事件$E$的概率，记为$P(E)$定义为：
$$P(E)=M/N$$
古典概率的计算：排列组合；
局限性：它只能用于全部试验结果为有限个，且等可能性发生。

1.4 概率的统计定义

用重复试验$n$次得到的事件$E_1$出现的次数$m$，即$m/n$作为事件$E_1$的概率$P(E_1)$的估计。

一个事件出现的可能性大小，应由在多次重复试验中其出现的频繁程度去刻画。

"概率的统计定义“的重要性：

• 一是提供了一种估计概率的（实用）方法。
• 二是提供了一个检验理论正确与否的准则。

1.5 概率的公理化定义

1933年，前苏联数学家柯尔莫哥洛夫；

基本要素：
$\Omega$：抽象的集合，其元素$\omega$为基本事件；
$F$: 由$\Omega$的子集构成的一个集类，其中的每个成员就称为”事件“；
$P$：定义在$F$上的函数，对$F$中的任一成员$A$，$P(A)$的值理解为事件$A$的概率。
对该函数$P$的要求（即公理）：

• (1) $0\le P(A)\le 1$;
• (2) $P(\Omega )=1,P(\varnothing )=0$
• (3) 加法定理：若干个互斥事件之和的概率，等于各事件的概率之和，即
  $$P(A_1+A_2+...)=P(A_1)+P(A_2)+...$$

2，古典概率的计算

2.1 排列组合的几个常用公式

古典概率计算归结于计算两个数$M$和$N$。这种计算大多涉及排列组合。
(1) $n$个相异物件取$r(1\le r\le n)$个不同的排列总数为：
$$P_r^n=n(n-1)(n-2)...(n-r+1)$$
(2) $n$个相异物件取$r(1\le r\le n)$个不同的组合总数为：
$$C_r^n=\frac{P_r^n}{r!}=\frac{n!}{r!(n-r)!}$$
(3) 与二项式展开的关系，组合系数${(}_r^n)$又常称为”二项式系数“；
$$(a+b{)}^n=\sum _{i=0}^n{(}_r^n)a^i{b}^{n-1}$$
(4) $n$个相异物件分成$k$堆，各堆物件数分别为$r_1,...,r_k$的分法是：
$$n!/(r_1!,...,r_k!)$$
上式常称为多项式系数，因为它是$(x_1+...+x_k{)}^n$的展开式中$x_1^{r_1}$$\cdots$ $x_k^{r_k}$这一项的系数。

3， 事件的运算、条件概率与独立性

3.1 事件的蕴含、包含及相等

在同一试验下的两个事件 A和B，如果当A发生时B必发生，则称A蕴含B，或者说B包含A，记为$A\subset B$.
若A，B互相包含，则称A,B两事件相等，记为$A=B$.

3.2 事件的互斥和对立

若两事件A，B不能在同一试验中都发生（但可以都不发生），则称它们是互斥的。
互斥事件的一个重要情况是”对立事件“，若A为一事件，则事件$B=A不发生$称为A的对立事件，记为$\overline{A}$（读作 A bar）.

3.3 事件的和（并）

事件C如下：
C = { A 发 生 , 或 B 发 生 } = { A , B 至 少 有 一 个 发 生 } C=\{A发生,或B发生\}=\{A, B 至少有一个发生\} C={A发生,或B发生}={A,B至少有一个发生}
记为 $C=A+B$.

3.4 概率的加法定理

若干个互斥事件之和的概率，等于各事件的概率之和，即
$$P(A_1+A_2+...)=P(A_1)+P(A_2)+...$$.
加法定理的推论：
$$P(\overline{A})=1-P(A)$$

3.5 两事件的积（交）、事件的差

事件C有： C = { A , B 都 发 生 } C=\{A, B都发生\} C={A,B都发生}，称为两事件A，B的乘积，并记为$C=AB$.
两事件A，B之差，记为$A-B$，定义为：
A − B = { A 发 生 ， B 不 发 生 } A-B=\{A发生，B不发生\} A−B={A发生，B不发生}.

注意：
$A+A=A$; $AA=A$;
由$A-B=\varnothing$（不可能事件），推不出$A=B$, 而只能推出 $A\subset B$;
$(A-B)+B$的结果并不是$A$, 而是$A+B$。

3.6 条件概率

从广义上说，任何概率都是条件概率，因为我们是在一定的试验之下去考虑事件的概率的，而试验即规定条件。
定义：
设有两个事件A，B，而$P(B)\ne 0$. 则”在给定B发生的条件下，A的条件概率“，记为$P(A|B)$，定义为：
$$P(A|B)=\frac{P(AB)}{P(B)}$$

3.7 事件的独立性，概率乘法定理

两个事件若满足下式，则称A，B独立。
$$P(AB)=P(A)P(B)$$
乘法定理：
若干个独立事件$A_1,\cdots ,A_n$之积的概率，等于各事件概率的乘积：
$$P(A_1\cdots A_n)=P(A_1)\cdots P(A_n)$$

3.8 全概率公式与贝叶斯公式

1） 全概率公式：
设$B_1,B_2,\cdots$为有限/无限个事件，它们两两互斥且在每次试验中至少发生一个，即
$$B_i{B}_j=\varnothing （不可能事件）（i\ne j）$$
$$B_1+B_2+\cdots =\Omega （必然事件）$$
对于任一事件$A$，有：
$$P(A)=P(B_1)P(A|B_1)+P(B_2)P(A|B_2)+\cdots$$
其实用意义在于：
在较复杂的情况下直接算$P(A)$不易，但A总是随某个$B_i$伴出，适当去构造这一组$B_i$往往可以简化计算。
2）贝叶斯公式：
在全概率公式的假定之下，有
$$P(B_i|A)=P(A{B}_i)/P(A)=\frac{P(B_i)P(A|B_i)}{{\sum }_{j}P(B_j)P(A|B_j)}.$$

由”结果”推“原因”：现在有一个“结果”$A$已经发生了，在众多可能的“原因”$B_i$之中，到底是哪一个导致了这个结果？

依据这个公式的思想发展了一整套统计推断的方法——贝叶斯统计。