1 条件概率
设
(
Ω
,
F
,
P
)
(\Omega, \mathcal{F}, \mathcal{P})
(Ω,F,P) 是一个概率空间,
B
∈
F
B \in \mathcal{F}
B∈F, 且
P
(
B
)
>
0
P(B) > 0
P(B)>0, 则
∀
A
∈
F
\forall A \in \mathcal{F}
∀A∈F, 记
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P(A|B) = \frac{P(AB)}{P(B)}
P(A∣B)=P(B)P(AB).
称
P
(
A
∣
B
)
P(A|B)
P(A∣B) 为在事件
B
B
B 发生的条件下的事件
A
A
A 发生的条件概率.
乘法公式:
- P ( A B ) = P ( A ) P ( A ∣ B ) P(AB) = P(A)P(A|B) P(AB)=P(A)P(A∣B);
- P ( A B C ) = P ( A ) P ( A ∣ B ) P ( C ∣ A B ) P(ABC) = P(A)P(A|B)P(C|AB) P(ABC)=P(A)P(A∣B)P(C∣AB).
性质:
- 概率的所有性质;
- 若 B C = ∅ BC = \emptyset BC=∅, 则 P ( B C ) = 0 P(BC) = 0 P(BC)=0;
- P ( B ∣ B ) = 1 P(B|B) = 1 P(B∣B)=1, 若 C ⊂ B C \subset B C⊂B, 则 P ( B ∣ C ) = 1 P(B|C) = 1 P(B∣C)=1;
- 若 B ⊂ C B \subset C B⊂C, 则 P ( B ∣ C ) = P ( B ) P ( C ) P(B|C) = \frac{P(B)}{P(C)} P(B∣C)=P(C)P(B);
- P ( B ∣ Ω ) = 1 P(B| \Omega) = 1 P(B∣Ω)=1, 若 P ( C ) = 1 P(C) = 1 P(C)=1, 则 P ( B ∣ C ) = 1 P(B|C) = 1 P(B∣C)=1 (利用补集来证明).
2 事件独立
A , B ∈ F A, B \in \mathcal{F} A,B∈F, 若 P ( A B ) = P ( A ) P ( B ) P(AB) = P(A)P(B) P(AB)=P(A)P(B), 则 A A A, B B B 独立.
A , B , C ∈ F A, B, C \in \mathcal{F} A,B,C∈F, 若
- P ( A B ) = P ( A ) P ( B ) P(AB) = P(A)P(B) P(AB)=P(A)P(B);
- P ( A C ) = P ( A ) P ( C ) P(AC) = P(A)P(C) P(AC)=P(A)P(C);
- P ( B C ) = P ( B ) P ( C ) P(BC) = P(B)P(C) P(BC)=P(B)P(C);
- P ( A B C ) = P ( A ) P ( B ) P ( C ) P(ABC) = P(A)P(B)P(C) P(ABC)=P(A)P(B)P(C),
则 A A A, B B B, C C C 相互独立.
性质:
- 若 A A A, B B B 独立, P ( B ) > 0 ⇔ P ( A ∣ B ) = P ( A ) P(B) > 0 \Leftrightarrow P(A|B) = P(A) P(B)>0⇔P(A∣B)=P(A);
- 若 A A A, B B B 独立, P ( B ) > 0 ⇔ P ( A ∣ B ) = P ( A ∣ B ‾ ) ⇔ P ( A ∣ B ) + P ( A ‾ ∣ B ‾ ) = 1 P(B) > 0 \Leftrightarrow P(A|B) = P(A| \overline{B}) \Leftrightarrow P(A|B) + P(\overline{A} | \overline{B}) = 1 P(B)>0⇔P(A∣B)=P(A∣B)⇔P(A∣B)+P(A∣B)=1;
- 若 A A A, B B B 独立, 则 { A , B ‾ } \{A, \overline{B} \} {A,B}, { A ‾ , B } \{ \overline{A}, B \} {A,B}, { A ‾ , B ‾ } \{ \overline{A}, \overline{B} \} {A,B} 各组事件独立;
- Ω \Omega Ω 和 ∅ \emptyset ∅ 与任何事件独立.
3 全概率公式
设事件
E
1
,
E
2
,
.
.
.
E_1, E_2, ...
E1,E2,... 是样本空间
Ω
\Omega
Ω 的一个分割 (完备事件组) , 即
E
i
E_i
Ei,
i
=
1
,
2
,
.
.
.
i = 1, 2, ...
i=1,2,... 两两互斥且
∪
i
=
1
∞
E
i
=
Ω
\cup_{i = 1}^{\infty}E_i = \Omega
∪i=1∞Ei=Ω, 则
P
(
A
)
=
∑
i
=
1
∞
P
(
A
∣
E
i
)
P
(
E
i
)
P(A) = \sum_{i=1}^{\infty} P(A|E_i)P(E_i)
P(A)=∑i=1∞P(A∣Ei)P(Ei).
分解复杂问题分布考虑.
贝叶斯 (Bayesian) 公式:
P
(
E
i
∣
A
)
⏞
后
验
概
率
=
P
(
A
∣
E
i
)
P
(
E
i
)
⏞
先
验
概
率
P
(
A
)
=
P
(
A
∣
E
i
)
P
(
E
i
)
∑
j
=
1
∞
P
(
A
∣
E
j
)
P
(
E
j
)
.
\overbrace{P(E_i | A)}^{后验概率} = \frac{P(A|E_i)\overbrace{P(E_i)}^{先验概率}}{P(A)} = \frac{P(A|E_i)P(E_i)}{\sum_{j=1}^{\infty} P(A|E_j)P(E_j)}.
P(Ei∣A)
后验概率=P(A)P(A∣Ei)P(Ei)
先验概率=∑j=1∞P(A∣Ej)P(Ej)P(A∣Ei)P(Ei).