概率
概率是对某一特定事件发生的可能性的数值度量
4.1 试验、计数法则和概率分配
试验:可以产生明确结果的过程定义为试验
样本空间:试验的样本空间是试验所用可能组成的一个集合
4.1.1 计数法则、组合和排序
三种计数法则:
多步骤试验的计数法则:如果一个试验可以分为循序的k个步骤,在第一步中有 n1 n 1 个试验结果, 第2步中有 n2 n 2 个试验结果 以此类推 那么所有可能的试验结果的总数为 n1×n2×...×nk n 1 × n 2 × . . . × n k
典型案例:树形图
组合计数法则:从N项中任取n项的组合数为 CNn=N!n!(N−n)! C n N = N ! n ! ( N − n ) !
考虑结果的一致 不考虑选取的顺序 唯一
排列计数法则:从N项中任取n项的排列数 PNn=N!(N−n)! P n N = N ! ( N − n ) !
4.1.2 概率分配
概率分配的基本条件:
1. 分配给每个试验结果的概率值都必须在0和1之间
2. 所有试验结果的概率之和必须为1
古典法:当各种试验结果是等概率发生时,适合采用古典法进行概率分配
相对频数法:适用于大量重复进行 并且能够取得试验结果发生比率的数据
主观法:当不能假定试验结果是等可能发生的时候 可以采用主观法为试验结果分配概率
4.2 事件及其概率
样本点和事件是研究概率论的基础
事件:事件是样本点的一个集合
事件的概率:事件的概率等于事件中所有样本点的概率之和
4.3 概率的基本性质
4.3.1 事件的补
事件A的补 定义为:所有不包含在事件A中的样本点
P(A)+P(Ac)=1 P ( A ) + P ( A c ) = 1
4.3.2 加法公式
两个事件的并:A和B的并是所有的属于A或B或同时属于二者的样本点构成的事件 记作 A∪B A ∪ B
两个事件的交:给定两个事件A和B 则A和B的交是同时属于A和B的样本点构成的事件 记作 A∩B A ∩ B
加法公式: P(A∪B)=P(A)+P(B)−P(A∩B) P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A ∩ B )
互斥事件:如果两个事件没有公共的样本点 则称这两个事件互斥
4.4 条件概率
假设事件A发生的概率为 P(A) P ( A ) ,如果获得了新的信息–确知另一个事件B已经发生 我们希望利用这一新的信息来重新计算事件A发生的可能性。
此时, 事件A发生的可能性叫做条件概率 记作 P(A∣B) P ( A ∣ B ) ,读作”事件B发生的条件下事件A发生的概率“
条件概率: P(A∣B)=P(A∩B)P(B) P ( A ∣ B ) = P ( A ∩ B ) P ( B ) 或 P(B∣A)=P(A∩B)P(A) P ( B ∣ A ) = P ( A ∩ B ) P ( A )
相应事件:事件A发生的概率受到事件B发生与否的影响
4.4.1 独立事件
两个事件A和B是相互独立的, P(A∣B)=P(A) P ( A ∣ B ) = P ( A ) 或 P(B∣A)=P(B) P ( B ∣ A ) = P ( B )
4.4.2 乘法公式
P(A∩B)=P(B)P(A∣B) P ( A ∩ B ) = P ( B ) P ( A ∣ B ) 或者 P(A∩B)=P(A)P(B∣A) P ( A ∩ B ) = P ( A ) P ( B ∣ A )
独立事件的乘法公式: P(A∩B)=P(A)P(B) P ( A ∩ B ) = P ( A ) P ( B )
4.5 贝叶斯定理
通常,在开始分析时 总是对所关心的特定事件估计一个初始(先验概率)。然后,当我们从样本、专项报告或产品检验中获取了有关该事件新的信息,就能根据这些新增信息计算修正概率对先验概率进行更新,得到后验概率,应用贝叶斯定理 可以计算出后验概率
贝叶斯定理:
P(Ai∣B)=P(Ai)P(B∣Ai)P(A1)P(B∣A1)+P(A2)P(B∣A2)+...P(An)P(B∣An) P ( A i ∣ B ) = P ( A i ) P ( B ∣ A i ) P ( A 1 ) P ( B ∣ A 1 ) + P ( A 2 ) P ( B ∣ A 2 ) + . . . P ( A n ) P ( B ∣ A n )