目录
1. 基本概念
- 概率：描述事件发生可能性的度量，通常用于量化事件发生的可能性大小。在统计学和概率论中，概率被定义为某个事件发生的可能性，它通常取值在0到1之间。
- 事件：有概率可言的任何事情。
- 穷举事件：P(a)+P(b)=1：穷举事件的概率之和等于1
- 交集 - 与
- 并集 - 或
- 全概率公式 ：
- 贝叶斯定理 ：
- 独立事件：如果事件 A 的发生与事件 B 的发生没有关联，那么这两个事件就是独立的。
2. 概率
2.1 概念
概率是描述事件发生可能性的度量，通常用于量化事件发生的可能性大小。在统计学和概率论中，概率被定义为某个事件发生的可能性，它通常取值在0到1之间，其中0表示不可能发生，1表示一定发生。
事件：统计学用“事件”一词表示有概率可言的任何事情，换句话说，事件就是人们能指出其发生可能性的任何事情。
概率的量度尺度是0-1。如果某件事不可能发生，则其概率为0;如果某件事肯定会发生，则其概率为1。大多数时候，所面对的都是介于0和1之间的概率。
概率只是对事件发生可能性的一种表达，概率并非担保。概率仅仅指出长期趋势。
无论事件多么不可能发生，只要不是完全不可能发生，该事件就仍然可能发生。
2.2 计算
2.3 概率空间
概率空间（Probability Space）是概率论中描述随机试验的数学结构，由三个要素组成：样本空间、事件和概率度量。
-
样本空间（Sample Space）：样本空间是随机试验的所有可能结果的集合，通常用 �S 表示。样本空间中的每个元素都是一个基本事件（Elementary Event），表示随机试验的一个可能结果。
-
事件（Event）：事件是样本空间的子集，表示随机试验中可能发生的某些结果的集合。事件可以是单个结果，也可以是多个结果的组合。通常用 A、B 等字母表示事件。
-
概率度量（Probability Measure）：概率度量是样本空间中每个事件发生的可能性大小的度量，通常用概率函数 P 来表示。概率度量满足以下条件：
- 非负性：对于任何事件 A，其概率P(A)≥0。
- 规范性：样本空间的概率为1，即P(S)=1。
- 可加性：对于互斥事件（即不相交的事件），它们的概率之和等于它们各自的概率的总和，即如果A1,A2,… 是两两互斥的事件，则有 P(A1∪A2∪…)=P(A1)+P(A2)+…。
3. 韦恩图
韦恩图（Venn Diagram）用于可视化集合之间关系。它由圆形或其他闭合图形组成，用来表示不同集合之间的重叠和交集关系。
4.对立事件
对立事件（Complementary Events）指的是在一个随机试验中，一个事件的发生与另一个事件的不发生是互斥的，即它们不能同时发生，因此彼此之间的概率之和等于1。如果事件 A 表示某个事件发生，那么事件 A 的对立事件Ac 表示该事件不发生。
对立事件满足以下特性：
- 如果事件 A 的概率为 P(A)，则事件 A 的对立事件Ac 的概率为 P(Ac)=1−P(A)。
- 事件 A 和事件 Ac 的并集组成了整个样本空间，即A∪Ac=S。
- 事件 A 和事件 Ac 互为对立事件，因此它们的交集为空集，即A∩Ac=∅。
5. 互斥事件和相交事件
5.1 互斥事件
互斥事件：互斥事件指的是在一个随机试验中，两个事件之间不存在共同结果，即它们不能同时发生。如果事件 A 发生了，则事件 B 必然不发生，反之亦然。
数学上表达为A∩B=∅，即事件 A 和事件 B 的交集为空集。
在概率论中，互斥事件的概率之和等于各个事件的概率之和，即 P(A∪B)=P(A)+P(B)。
例如，掷一枚骰子，事件 A 表示出现奇数点数，事件 B 表示出现偶数点数，则事件 A 和事件 B 就是互斥事件。
5.2 相交事件
相交事件：相交事件指的是在一个随机试验中，两个事件之间存在共同结果，即它们可以同时发生。
事件 A 和事件 B 的交集不为空，即A∩B≠∅。
在概率论中，相交事件的概率可以通过概率加法规则来计算，即 P(A∪B)=P(A)+P(B)−P(A∩B)。
例如，考虑一个扑克牌的随机抽取实验，事件 A 表示抽到红桃，事件 B 表示抽到 A 或 K，则事件 A 和事件 B 就是相交事件。
6. 交集 - 与 并集 - 或
6.1 交集 - 与
6.2 并集 - 或
穷举事件：P(a)+P(b)=1：穷举事件的概率之和等于1
7. 条件概率
这个等价公式称为乘法规则。它基于概率的乘法规则，将条件概率表示为两个事件相互关联的概率的乘积。其中：
- P(A∣B) 是在事件 B 发生的条件下事件 A 发生的概率；
- P(B∣A) 是在事件 A 发生的条件下事件 B 发生的概率；
- P(A) 是事件 A 发生的概率；
- P(B) 是事件 B 发生的概率。
8. 概率树
9. 全概率公式
对于任意一个事件 A，全概率公式表示为：
- P(A) 是事件 A 的概率；
- P(A∣Bi) 是在给定事件 Bi 发生的条件下事件 A 发生的条件概率；
- P(Bi) 是事件 Bi 的概率。
10. 贝叶斯定理
贝叶斯定理的基本思想是，通过已知的先验概率和新的证据（或条件概率），更新我们对事件的信念或概率。
贝叶斯定理是概率论中的一个重要定理，用于计算在给定相关事件的条件下，另一个事件的概率。它是一种基于条件概率的推断方法，可以帮助我们根据先验知识和新的证据来更新对事件的信念或概率。
其中：
- P(A∣B) 表示在事件 B 发生的条件下事件 A 发生的概率，也称为后验概率；
- P(B∣A) 表示在事件 A 发生的条件下事件 B 发生的概率，也称为似然度；
- P(A) 和P(B) 分别是事件 A 和事件 B 的先验概率；
- 分母 P(B) 是事件 B 的边缘概率。
11.独立事件
独立事件：如果事件 A 的发生与事件 B 的发生没有关联，那么这两个事件就是独立的。
12. 线性变换
如果 X 是一个随机变量，a 和 b 是常数，则对于线性变换 Y=aX+b，其期望和方差可以如下计算：
-
期望的线性变换：如果 Y=aX+b，则 E(Y)=aE(X)+b。
-
方差的线性变换：如果 Y=aX+b，则 Var(Y)=a^2 Var(X)。
13. 观测值速算法
13.1 观测值期望
13.2 观测值方差
14. 加减法运算
14.1 简单的加减法
14.2 线性变换的加减运算
456
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
