Python小白进阶篇之概率论

决战春招

于 2024-10-10 22:56:48 发布

阅读量338

点赞数 10

文章标签：概率论

本文链接：https://blog.csdn.net/guanyuyouxiu_/article/details/142815662

版权

今天我们的学习笔记到了概率论这一篇，相信各位对于概率都不会太陌生，在高中作为选择题和大题，大家与之接触的不算少，那么走近属于大学的概率，战友们也一举拿下！！！

一、事件概率

1.1事件

事件是指在某个试验或观察中可能发生的结果或结果的集合。是样本空间的一个子集，可以包含一个或多个样本点，也可以是整个样本空间。事件用大写字母，如 A，B，C 等表示。

例：

事件A={1,2,3}

1.2基本事件

基本事件是指试验中不可再分的最简单的事件。每个基本事件代表一个单一的可能结果。

例子：

抛一枚硬币：基本事件是“正面"和”反面“。

抛一个六面骰子：基本事件是会出现，1-6的每个数字。

1.3复合事件

复合事件是由多个基本事件组合而成的事件。复合事件代表多个可能结果的集合。

例子：

抛两枚硬币，复合事件中可以出现"至少一个正面“

这个事件包含“正面-正面”、“正面-反面”和“反面-正面”三个基本事件。
掷一个六面骰子：复合事件可以是“点数大于3”，这个事件包含“4点”、“5点”和“6点”三个基本事件。

1.4必然事件

必然事件是指在试验中一定会发生的事件。必然事件发生的概率为1.在样本空间中，必然事件包括了样本空间中的所有样本点。

比如在丢骰子时候，点数一定在1-6之间，这就是一个必然事件，和基本事件比的话一个点就是一个事件，而会发生每一个基本事件就是必然事件这是我的感觉。

1.5不可能事件

不可能事件值在试验中绝对不会发生的事件。

不可能的事件发生的概率为0，通常用∅表示。

投掷一个六面骰子发生大于点数六的情况便是一个不可能事件。

1.6样本空间

样本空间是指试验中所有可能结果的集合。样本空间通常用大写字母 Ω 表示。

例如：

投一枚硬币：硬币的正反面便都是属于样本空间里面。

投一个六面骰子样本空间包括1-6。

而样本空间中有一个关键的个体：样本点

样本点通常用小写字母ω表示。

二、事件间的关系

本章学习的为事件概率，分别了解事件的概念和概率的概念，才能熟练掌握本章知识。

2.2.1包含关系

包含关系是指一个事件是另一个事件的子集。如果事件A包含在事件B中，那么A发生时，B必然发生，即：A⊆B

2.2.1并集

并事件是指两个或多个事件中至少有一个事件发生的情况。事件A和事件B的并事件记作 A∪B或A+B，表示 A 或 B 发生。

2.2.2交集

交事件是指两个或多个事件同时发生的情况。事件A和事件B的交事件记作A∩B或AB，表示 A 和 B 同时发生。

2.2.3差集

如果事件A发生而事件B不发生，则表示这些事件的差集发生了。即事件A中的A和B的公共部分去掉，事件A和B的差集表示A-B

2.2.4互斥事件

互斥事件是指两个事件不能同时发生。如果事件A和事件B是互斥事件，那么A和B的交集为空集

2.2.5对立事件

对立事件是指两个事件互为对立，即一个事件发生时，另一个事件必然不发生。如果事件 A 和事件 B 是对立事件，那么 A 和 B 的并集是样本空间，且 A 和 B 的交集为空集，即： A+B=Ω且AB=∅ 通常，事件 A 的对立事件记作

例子：

抛一枚硬币：事件“正面”和事件“反面”是对立事件。

这里提到互斥和对立事件的区别：

1.首先两个事件对立，则一定是互斥事件。

2.互斥事件是用于多个事件，对立只适用于两个事件。

3.互斥事件，A和B不能同时发生，也可以都不发生；对立事件有且只有一个发生。

完备事件组

这里指的是一组事件，满足以下两个条件：

1.互斥性2.完备性（这些事件的并集是整个样本空间，且它们的并集是必然事件）

例子：

假设投掷的是一个公平的六面骰子，样本空间是Ω={1,2,3,4,5,6}。

首先1-6是一个完备事件组。

这些事件两两互斥，并且他们的并集包含了所有可能的结果即整个样本空间。

运算法则

这里除了提到关于基本事件的概念、类型，这里还提到了事件的基本运算法则：

交换律是指事件的并集和交集运算满足交换性，即运算的顺序不影响结果。

并集的交换律：

A∪B=B∪A
交集的交换律：

A∩B=B∩A

例子：

事件 A 和事件 B 的并集：A∪B=B∪A。
事件 A 和事件 B 的交集：A∩B=B∩A。

结合律

结合律是指事件的并集和交集运算满足结合性，即多个事件的运算顺序不影响结果。

交并集前后结合都不影响结果。

分配率

分配律是指事件的并集和交集运算满足分配性，即一个运算对另一个运算的分配关系。

并集对交集的分配律：

A∪(B∩C)=(A∪B)∩(A∪C)
交集对并集的分配律：

A∩(B∪C)=(A∩B)∪(A∩C)

对偶律

对偶律是指事件的补集运算的对偶关系，即并集的补集和交集的补集之间的关系。

二、概率

2.1定义

对于一个事件A，其概率 P(A) 定义为：

以下介绍模型

2.2、古典模型

古典概率模型，也称为古典模型或等可能模型，是一种概率论中用于计算随机事件发生概率的方法。它基于以下假设：

有限性：样本空间是有限的，即所有可能的结果可以被列举出来。
等可能性：样本空间中的每个基本事件（样本点）出现的可能性是相等的。

在古典模型中，一个事件的概率可以通过以下公式计算：

而怎么样计算古典模型的步骤：

确定样本空间：列出随机试验所有可能的结果。
计数：计算样本空间中基本事件的总数。
识别事件：确定事件 A 包含的基本事件数。
计算概率：使用上述公式计算事件 A 的概率。

例子

假设投掷一个六面骰子，想要获得奇数1、3、5

样本空间一共有六个数字，基本事件总数也为6，事件A令获得奇数的1、3、5

因此投掷得奇数概率：

2.3组合

组合的定义给定一个包含 n 个元素的集合，从中选择 r 个不同元素（r≤n）进行组合，意味着这 r 个元素的顺序并不重要。

组合通常的表示：

计算公式：

组合的性质：

对称性：C(n,r)=C(n,n−r)
边界条件：C(n,0)=C(n,n)=1
当 r>n 时，C(n,r)=0

举例：

接下来计算一下几何概型：

几何概型是概率论中的一个基本概念，它用于处理那些结果可以被表示为几何区域（如线段、平面区域、立体区域等）的随机试验的概率问题。几何概型的基本思想是将概率问题转化为几何区域上的面积、体积或长度等几何量的比值。

还有些模型和公式伙伴们可以自行查阅，在此我就不一一赘述。

全概率公式

假设事件 A1,A2,...,An 是样本空间 Ω 的一个完备事件组，即这些事件两两互斥，并且它们的并集是整个样本空间。如果我们想计算事件 B 的概率，可以使用全概率公式：

贝叶斯公式

贝叶斯公式描述了在已知其他条件概率的情况下，一个条件概率的计算方法。贝叶斯公式是逆概率理论的核心，它允许我们根据已知的某些概率来更新我们对另一个概率的信念。

其中：

定义

设试验成功的概率为 p(0<p<1)，失败的概率为 1−p，如果在n重伯努利实验中，成功k次的概率参数为 p 的伯努利分布。

伯努利分布的概率质量函数（PMF）为：

二、随机变量及其分布

P(Bi∣A) 是在事件 A 发生的条件下事件 Bi发生的条件概率(后验概率)。
P(A∣Bi)是在事件 Bi发生的条件下事件 A 发生的条件概率(似然度)。
P(Bi)是事件 Bi发生的边缘概率(先验概率)。
P(A)是事件 A 发生的边缘概率(先验概率)，可以通过全概率公式计算得出：
伯努利模型
伯努利模型是一种基础的概率模型，它描述了一个随机试验只有两种可能结果的情况：成功或失败。在伯努利模型中，每次试验只有两个

可能的结果，通常称为成功和失败。这些结果用事件S和事件F来表示，其中S表示成功，F表示失败。伯努利模型的关键特点是每次试验的

结果是相互独立的，即前一次试验的结果不会影响后一次试验的结果，每次试验中成功的概率为p，失败的概率为1-p，并且这些概率对于

每次试验都保持不变。

伯努利模型在概率论、统计学和随机过程等领域中都有重要的应用。例如，在统计学中，可以使用伯努利模型来建立二元数据的模型，比

如用户是否购买产品、是否点击广告等。在风险分析中，伯努利模型可以用来描述某种事件的发生与否，比如是否发生事故、是否发生自

然灾害等。在金融数学中，伯努利模型可以用来模拟股票价格的上涨和下跌情况。

前置概念
伯努利试验：
- 伯努利试验是一种特殊类型的随机试验，其结果只有两种可能：成功或失败。
- 伯努利试验的结果是二元的，通常用1表示成功，用0表示失败。
n重伯努利试验：
- n重伯努利试验是指伯努利试验重复进行n次，每次试验都是独立的。
- 在n重伯努利试验中，每次试验的成功概率相同，通常用p表示，失败概率为1-p。