Task01 随机事件与随机变量

1、基本概念

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，称这种现象为随机现象。使随机现象得以实现和对它观察的全过程称为随机试验。

称随机试验的所有可能结果组成的集合为样本空间。

试验的每一个可能结果称为样本点。

称样本空间中满足一定条件的子集为随机事件。另外，随机事件在随机试验中可能出现也可能不出现。

在试验中，称一个事件发生是指构成该事件的一个样本点出现。由于样本空间包含了所有的样本点，所以在每次试验中，它总是发生，因此称为必然事件。

空集不包含任何样本点，且在每次试验中总不发生，所以称为不可能事件。

2、随机事件的概率

随机事件的概率主要有以下性质：

对于任一事件A，均有P(A¯)=1−P(A)

对于两个事件A和B，若A⊂B，则有P(B−A)=P(B)−P(A),P(B)>P(A)

对于任意两个事件A和B，有P(A∪B)=P(A)+P(B)−P(A∩B)

3、古典概率（等概率发生）

我们将掷骰子游戏进行推广，设随机事件 E 的样本空间中只有有限个样本点，即 Ω={ω1,ω2,...,ωn}，其中，n 为样本点的总数。每个样本点ωi(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。

例：求 k 个同班同学没有两人生日相同的概率。

Python代码实现，设 k=40

#我们采用函数的递归的方法计算阶乘：
def factorial(n):
    if n == 0:
        return 1;
    else:
        return (n*factorial(n-1)) 
    
l_fac = factorial(365);          #l的阶乘
l_k_fac = factorial(365-40)      #l-k的阶乘
l_k_exp = 365**40                #l的k次方

P_B =  l_fac /(l_k_fac * l_k_exp)     #P(B）
print("事件B的概率为：",P_B)
print("40个同学中至少两个人同一天过生日的概率是：",1 - P_B)

4 条件概率

设 A 和 B 是两个事件，且P(B)>0，称 P(A∣B)=P(AB)/P(B) 为在事件B发生的条件下，事件A发生的概率。可以得到：P(AB)=P(B∣A)P(A)=P(A∣B)P(B)

5、全概率公式和贝叶斯公式

5.1 全概率公式

设B1,B2,...是样本空间 Ω的一个划分，A 为任一事件，则

​

称为全概率公式。

5.2 贝叶斯公式

设B1,B2,...是样本空间 Ω的一个划分，则对任一事件 A(P(A)>0) ,有

P(Bi∣A)=P(BiA)/P(A)=P(A∣Bi)P(Bi)∑∞j=1P(Bj)P(A∣Bj),i=1,2,...

称上式为贝叶斯公式，称P(Bi)(i=1,2,...)为先验概率，P(Bi∣A)（i=1,2,...）为后验概率。