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
N
N个等可能的结果,而事件
E
E
E恰包含其中的
M
M
M个结果,则事件
E
E
E的概率,记为
P
(
E
)
P(E)
P(E)定义为:
P
(
E
)
=
M
/
N
P(E)=M/N
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 n n次得到的事件 E 1 E_{1} E1出现的次数 m m m,即 m / n m/n m/n作为事件 E 1 E_{1} E1的概率 P ( E 1 ) P(E_{1}) P(E1)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:
Ω
\Omega
Ω:抽象的集合,其元素
ω
\omega
ω为基本事件;
F
F
F: 由
Ω
\Omega
Ω的子集构成的一个集类,其中的每个成员就称为”事件“;
P
P
P:定义在
F
F
F上的函数,对
F
F
F中的任一成员
A
A
A,
P
(
A
)
P(A)
P(A)的值理解为事件
A
A
A的概率。
对该函数
P
P
P的要求(即公理):
- (1) 0 ≤ P ( A ) ≤ 1 0 \le P(A) \le 1 0≤P(A)≤1;
- (2) P ( Ω ) = 1 , P ( ∅ ) = 0 P(\Omega)=1, P(\emptyset)=0 P(Ω)=1,P(∅)=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 ) + . . . P(A_{1}+A_{2}+...)=P(A_{1})+P(A_{2})+... P(A1+A2+...)=P(A1)+P(A2)+...
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
M
M和
N
N
N。这种计算大多涉及排列组合。
(1)
n
n
n个相异物件取
r
(
1
≤
r
≤
n
)
r(1 \le r \le n)
r(1≤r≤n)个不同的排列总数为:
P
r
n
=
n
(
n
−
1
)
(
n
−
2
)
.
.
.
(
n
−
r
+
1
)
P^{n}_{r}=n(n-1)(n-2)...(n-r+1)
Prn=n(n−1)(n−2)...(n−r+1)
(2)
n
n
n个相异物件取
r
(
1
≤
r
≤
n
)
r(1 \le r \le n)
r(1≤r≤n)个不同的组合总数为:
C
r
n
=
P
r
n
r
!
=
n
!
r
!
(
n
−
r
)
!
C^{n}_{r}=\frac{P^{n}_{r}}{r!}=\frac {n!}{r!(n-r)!}
Crn=r!Prn=r!(n−r)!n!
(3) 与二项式展开的关系,组合系数
(
r
n
)
(^{n}_{r})
(rn)又常称为”二项式系数“;
(
a
+
b
)
n
=
∑
i
=
0
n
(
r
n
)
a
i
b
n
−
1
(a+b)^{n}=\sum_{i=0}^{n}(^{n}_{r})a^{i}b^{n-1}
(a+b)n=i=0∑n(rn)aibn−1
(4)
n
n
n个相异物件分成
k
k
k堆,各堆物件数分别为
r
1
,
.
.
.
,
r
k
r_{1},...,r_{k}
r1,...,rk的分法是:
n
!
/
(
r
1
!
,
.
.
.
,
r
k
!
)
n!/(r_{1}!,...,r_{k}!)
n!/(r1!,...,rk!)
上式常称为多项式系数,因为它是
(
x
1
+
.
.
.
+
x
k
)
n
(x_{1}+...+x_{k})^{n}
(x1+...+xk)n的展开式中
x
1
r
1
x_{1}^{r_{1}}
x1r1
⋯
\cdots
⋯
x
k
r
k
x_{k}^{r_{k}}
xkrk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
⊂
B
A \subset B
A⊂B.
若A,B互相包含,则称A,B两事件相等
,记为
A
=
B
A=B
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
B={A不发生}
B=A不发生称为A的对立事件,记为
A
‾
\overline{A}
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
C=A+B
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
)
+
.
.
.
P(A_{1}+A_{2}+...)=P(A_{1})+P(A_{2})+...
P(A1+A2+...)=P(A1)+P(A2)+....
加法定理的推论:
P
(
A
‾
)
=
1
−
P
(
A
)
P(\overline A)=1-P(A)
P(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
=
A
B
C=AB
C=AB.
两事件A,B之差,记为
A
−
B
A-B
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 A+A=A A+A=A; A A = A AA=A AA=A;
由 A − B = ∅ A-B=\empty A−B=∅(不可能事件),推不出 A = B A=B A=B, 而只能推出 A ⊂ B A \subset B A⊂B;
( A − B ) + B (A-B)+B (A−B)+B的结果并不是 A A A, 而是 A + B A+B 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
)
≠
0
P(B) \neq 0
P(B)=0. 则”在给定B发生的条件下,A的条件概率“,记为
P
(
A
∣
B
)
P(A|B)
P(A∣B),定义为:
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A|B)=\frac {P(AB)}{P(B)}
P(A∣B)=P(B)P(AB)
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
(
A
B
)
=
P
(
A
)
P
(
B
)
P(AB)=P(A)P(B)
P(AB)=P(A)P(B)
乘法定理:
若干个独立事件
A
1
,
⋯
,
A
n
A_{1},\cdots,A_{n}
A1,⋯,An之积的概率,等于各事件概率的乘积:
P
(
A
1
⋯
A
n
)
=
P
(
A
1
)
⋯
P
(
A
n
)
P(A_{1} \cdots A_{n})=P(A_{1})\cdots P(A_{n})
P(A1⋯An)=P(A1)⋯P(An)
3.8 全概率公式与贝叶斯公式
1) 全概率公式:
设
B
1
,
B
2
,
⋯
B_{1},B_{2},\cdots
B1,B2,⋯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
=
∅
(
不
可
能
事
件
)
(
i
≠
j
)
B_{i}B_{j}=\empty(不可能事件)(i\neq j)
BiBj=∅(不可能事件)(i=j)
B
1
+
B
2
+
⋯
=
Ω
(
必
然
事
件
)
B_{1}+B_{2}+\cdots =\Omega (必然事件)
B1+B2+⋯=Ω(必然事件)
对于任一事件
A
A
A,有:
P
(
A
)
=
P
(
B
1
)
P
(
A
∣
B
1
)
+
P
(
B
2
)
P
(
A
∣
B
2
)
+
⋯
P(A)=P(B_{1})P(A|B_{1})+P(B_{2})P(A|B_{2})+\cdots
P(A)=P(B1)P(A∣B1)+P(B2)P(A∣B2)+⋯
其实用意义在于:
在较复杂的情况下直接算
P
(
A
)
P(A)
P(A)不易,但A总是随某个
B
i
B_{i}
Bi伴出,适当去构造这一组
B
i
B_{i}
Bi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
)
=
P
(
B
i
)
P
(
A
∣
B
i
)
∑
j
P
(
B
j
)
P
(
A
∣
B
j
)
.
P(B_{i}|A)=P(AB_{i})/P(A)=\frac {P(B_{i})P(A|B_{i})}{\sum _{j}P(B_{j})P(A|B_{j})}.
P(Bi∣A)=P(ABi)/P(A)=∑jP(Bj)P(A∣Bj)P(Bi)P(A∣Bi).
由”结果”推“原因”
:现在有一个“结果”
A
A
A已经发生了,在众多可能的“原因”
B
i
B_{i}
Bi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。