本文主要讲一下如何对随机事件求概率这个问题,这个问题听起来是很简单的,但实际上这里面还是有一点点东西的。
三大结构
当我们讨论某一随机事件的概率时,我们一般是在一个框架下讨论的,这个框架包含三个结构:样本空间(sample space),事件(event)和几率测度(probability measure)。
- sample space:记作 Ω \Omega Ω,样本空间,即某一随机现象发生的所有可能取值集合。
- event:sample space的任一子集叫做event,即事件。
- probability measure:给定一个event,probability measure就是测量该event发生的概率。
接下来用一个映射来表达这三者的关系。
P
:
2
Ω
→
[
0
,
1
]
(
1
)
P:2^\Omega \rightarrow[0,1] \quad\quad (1)
P:2Ω→[0,1](1)
离散的样本空间
根据
Ω
\Omega
Ω这一集合所含元素为countable 和 uncountable这两种情况,我们又可以将样本空间分为离散的样本空间和连续的样本空间。
什么是countable呢? 就是集合内的元素是finite,如{1,2,3,4,5,6},或者集合内的元素是infinite,但是countable,比如自然数集合
N
\mathcal{N}
N。
根据公式(1),我们只需要定义P这个映射就好了,可是如果
Ω
\Omega
Ω的元素很多的话,我们是定义P是非常麻烦的(我们需要为
2
Ω
2^\Omega
2Ω个事件定义其概率)。我们前面"概率论与数理统计(一)"讲到了概率的三大公理,根据第三个加法公理,我们只需要定义这样的映射p就好了(即只为每个基本事件定义概率,然后根据加法公理去计算若干个事件合在一起的新事件的概率):
p
:
Ω
→
[
0
,
1
]
(
2
)
p:\Omega \rightarrow [0,1] \quad\quad (2)
p:Ω→[0,1](2)
我们可以回想一下古典概率,其局限在于:(1) 不能处理infinite的情况。(2)若每个基本事件的概率不同,古典概率也无法使用。而使用我们现在采用的框架就能解决上述的两个问题。
连续的样本空间
可以明显看出来离散情况下的做法并不适用与连续情况。
连续的情况讲起来有点麻烦,暂时先不讲了。
总结
通过本文,我们学习了概率论的基本框架,该框架包含三个主要的结构:样本空间,事件,几率测度。针对样本空间离散和连续的情况,本文做了不同的讲解。