概率论组队学习

随机事件与随机变量

随机现象： 现实生活中，一个动作或一件事情，在一定条件下，所得的结果不能预先完全确定，而只能确定是多种可能结果中的一种。
样本空间：一个试验所有可能的集合。
样本点：试验的每一种可能的结果。
随机事件：样本空间满足一定条件的子集。

概率
定义：每个事件AAA，定义一个实数P(A)P(A)P(A)与之对应，若函数。

概率公理：

非负性：0<P(A)<=10<P(A)<=10<P(A)<=1;
可加性：若事件A1,A2,A3,…A_1,A_2,A_3,…A
1
​
,A
2
​
,A
3
​
,…两两互斥，即对于i，j=1,2,…，i≠j,Ai∩Aj=ϕi，j=1,2,…，i \neq j ,A_i \cap A_j = \phii，j=1,2,…，i

​
=j,A
i
​
∩A
j
​
=ϕ，均有P(A1∪A2∪…)=P(A1)+P(A2)+…P(A_1 \cup A_2 \cup …)=P(A_1) +P(A_2) +…P(A
1
​
∪A
2
​
∪…)=P(A
1
​
)+P(A
2
​
)+…
P(Ω)=1P(\Omega)=1P(Ω)=1;
古典概率
定义：设随机事件 EEE 的样本空间中只有有限个样本点，即 Ω={ω1,ω2,…,ωn}\Omega= { \omega_1, \omega_2,…, \omega_n }Ω={ω
1
​
,ω
2
​
,…,ω
n
​
}，其中， nnn 为样本点的总数。每个样本点ωi(i=1,2,…,n)\omega_i (i =1,2,…,n)ω
i
​
(i=1,2,…,n)出现是等可能的，并且每次试验有且仅有一个样本点发生，则称这类现象为古典概型。若事件 AAA 包含个mmm 个样本点，则事件 AAA 的概率定义为：
P(A)=事件A包含的基本事件数基本事件总数P(A) = \frac {事件A包含的基本事件数} {基本事件总数}P(A)=
基本事件总数
事件A包含的基本事件数
​
。

条件概率
定义：设 AAA 和 BBB 是两个事件，且P(B)>0P(B)>0P(B)>0，称 P(A∣B)=P(AB)P(B)P(A|B) = \frac {P(AB)} {P(B)}P(A∣B)=
P(B)
P(AB)
​
为在事件 BBB 发生的条件下，事件 AAA 发生的概率。

由于条件概率所关心的事件都是事件B的子事件，可以把条件概率看作B上的概率律，即把事件B看成全空间的必然事件。

P(A∣B)=事件A且B的结果数事件B的结果数P(A|B) = \frac {事件A且B的结果数}{事件B的结果数}P(A∣B)=
事件B的结果数
事件A且B的结果数
​

全概率公式和贝叶斯公式
全概率公式定义：设B1,B2,…B_1,B_2,…B
1
​
,B
2
​
,…是样本空间Ω\OmegaΩ的一个划分，AAA 为任一事件，则P(A)=∑∞i=1P(Bi)P(A∣Bi)P(A) = \sum_{i=1}^{\infty } {P(B_i)}P(A|B_i)P(A)=∑
i=1
∞
​
P(B
i
​
)P(A∣B
i
​
)称为全概率公式。
贝叶斯公式定义：设B1,B2,…B_1,B_2,…B
1
​
,B
2
​
,…是样本空间Ω\OmegaΩ的一个划分，则对任一事件 $ A(P(A)>0)$ ,有$P(B_i|A) =\frac {P(B_i A)} {P(A)} = \frac {P(A|B_i )P(B_i)} {\sum_{j=1}^{\infty }P( B_j)P(A|B_j)} ,i=1,2,… $ 称上式为贝叶斯公式。

贝叶斯准则还可以用来进行因果推理。有许多“原因"可以造成某一“结果”。现在设我们观察到某-结果,希望推断造成这个结果出现的“原因”。现在设事件A1,…,AnA1,… ,AnA1,…,An是原因,而BBB代表由原因引起的结果。 P(B∣Ai）P(B|Ai）P(B∣Ai）表示在因果模型中由“原因”AiAiAi造成结果B出现的概率。当观察到结果BBB的时候,我们希望反推结果BBB是由原因AiAiAi造成的概率P(Ai∣B)。P(Ai∣B)P(Ai|B)。P(Ai|B)P(Ai∣B)。P(Ai∣B)为由于代表新近得到的信息BBB之后AiAiAi出现的概率，称之为后验概率,而原来的P(Ai)P(Ai)P(Ai)就称为先验概率。

随机变量
定义：设 EEE 是随机试验，Ω\OmegaΩ 是样本空间，如果对于每一个 ω∈Ω\omega \in \Omegaω∈Ω。都有一个确定的实数 X(ω)X(\omega)X(ω) 与之对应，若对于任意实 x∈Rx \in Rx∈R , 有 {ω：X(ω)<x}∈F{\omega ：X(\omega) < x } \in F{ω：X(ω)<x}∈F ，则称 Ω\OmegaΩ 上的单值实函数 X(ω)X(\omega)X(ω) 为一个随机变量。

离散型随机变量
定义：如果随机变量 XXX 的全部可能取值只有有限多个或可列无穷多个，则称 XXX 为离散型随机变量。

随机变量的数字特征
数学期望
离散型：E(X)=∑ixipiE(X) = \sum_{i} {x_ip_i}E(X)=∑
i
​
x
i
​
p
i
​

连续型：E(X)=∫+∞−∞xf（x）dxE(X)= \int_{- \infty}^{+ \infty}{xf（x）}dxE(X)=∫
−∞
+∞
​
xf（x）dx
方差
Var（X）=E{[X−E(X)]2}Var （X） =E{ [X-E(X)]^2}Var（X）=E{[X−E(X)]
2
}
并且称 Var(X)−−−−−−√\sqrt{Var(X)}
Var(X)
​
为 XXX 的标准差或均方差。

协方差
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}Cov(X, Y) = E{ [X-E(X)] [Y-E(Y)]}Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}
当 Var(X)−−−−−−√>0，Var(Y)−−−−−−√>0\sqrt {Var(X)} >0 ，\sqrt {Var(Y)} >0
Var(X)
​

0，
Var(Y)
​
0 时，称
ρ（X,Y）=Cov(X，Y)Var(X)√Var(Y)√\rho（X,Y） = \frac{Cov(X，Y)}{\sqrt {Var(X)} \sqrt {Var(Y)}}
ρ（X,Y）=
Var(X)
​

Var(Y)
​

Cov(X，Y)
​

为 X,YX,YX,Y 的相关系数，它是无纲量的量。