《概率论基础教程》总结 -- 样本空间、概率、条件概率 等

一、排列组合

基本三个公式:
1、二项式系数
这里写图片描述
2、多项式系数
这里写图片描述
3、方程解的个数
这里写图片描述

这里写图片描述

难度不大,解题中注意问题的转化。

二、样本空间

样本空间:考虑一个实验,所有可能结果构成的子集,称为该实验的样本空间。
这个定义就说明了样本空间的概率是1。

事件:样本空间的任意子集称为事件。

集合运算
因为事件是集合,所以概率计算中就需要用到集合的各种运算,总结如下:
1、交并补
2、交换律、结合律、分配率。
3、德摩根定律。
这里写图片描述
4、推演出的常用公式:
这里写图片描述
这个公式推广以后就可以说明全概率公式的正确性。

这里写图片描述
可以推广到更多个事件。
上面两个公式很有用,因为求并集的每个事件之间都是互斥的。

互斥事件
两个事件 E F 互斥(不相容),满足EF = 空集。也就是说两个事件不可能同时发生。

三、概率

笼统的讲,有两种概率。第一种是熟知的事件发生的相对频率取极限之后收敛的值。第二种是主观概率,是可信度的度量。

如果用数学语言来定义概率呢?
概率是定义在样本空间中的事件上的集函数,满足三个公理。
1、概率值非负,不大于1。
2、样本空间概率为1。
3、不相容事件并的概率,是每个事件概率的和。

概率的演算公式
1、包含关系
这里写图片描述
看起来简单,证明一下呢?

2、补集
这里写图片描述

3、交集(intersection)
事件交集的概率并不能从事件的概率求出来。除非事件是相互独立的。

4、并集(union)
这里写图片描述
推广一下,就成了容斥公式:
这里写图片描述

5、布尔不等式
这里写图片描述
可以从容斥公式推出。

概率的计算
一般直接计算事件概率的方法(不是从其他事件推理出),是统计事件包括的样本空间结果数量,除以样本空间所有结果的数量。这里有一个假设是,样本空间里每一个结果出现的概率是一样的。很多情况下,即是不说明,这个假设都应该是存在的。

目前,概率的计算就是算出两个排列组合的值,然后相除。后面的很多情况下,新的事件概率是从已知的概率推理出来的,这可以算两个不同的概率计算模式。

四、条件概率

条件概率相关的公式
1、条件概率的定义
这里写图片描述
一个变化的公式也很常用
这里写图片描述

2、乘法规则
这里写图片描述
连续使用条件概率定义的公式,可以证明正确性。

3、贝叶斯公式
这里写图片描述
忘记机器学习里关于贝叶斯公式的东西,从简单的问题来理解贝叶斯公式。

假如有n个事件,每个事件记为Fj,这些事件的概率都已知。也就是P(Fj),这个被称为先验概率(就是最初的概率嘛)。
这种情况下,突然发生了一个事件E,此时要求E为条件的情况下Fj的概率,也就是后验概率。

考虑Fj是n个对同一个问题的不同假设(比如某人是否是癌症病人),每种假设有一个先验概率。当观察到一个事件E时,E能够对不同假设产生不同效果(比如肺部有一大片阴影这个事件会提高病人得了癌症的概率)。所以E也叫做证据。根据证据我们就可以修正原来假设的概率,修正后的概率就是后验概率。

简单说,贝叶斯公式是根据观察到的证据修正假设的概率的方法。

举个例子说明概率修正的意思。你去买彩票,中头奖的概率是已知的吧。开奖那天你无意中知道除了最后一个数字外,你买的彩票和头奖的开奖结果一模一样。这时,你对中头奖的预期就被大大提高了。这就是已知的证据修正了你对是否中头奖这个问题的假设的概率。

4、优势比
事件A发生的概率和A不发生的概率的比值是事件A的优势比。
这里写图片描述

这里写图片描述
这个公式可以认为是证据修正事件优势比的公式。由贝叶斯公式推出。

5、全概率公式
这里写图片描述
其中Fi两两之间是不相容的。这就是贝叶斯公式等号右边的分母的部分。

独立事件
从上面贝叶斯公式的讨论中知道,证据事件E会修正已有事件F的概率,也就是说P(F | E)一般不等于P( F )。如果E不能对F产生影响的话,那么就认为E,F两个事件是独立的。有公式:

P( F | E ) = P( F )

换种表达:
这里写图片描述

如果三个事件之间互相独立,有:
这里写图片描述

独立性推广到任意个事件之间:
这里写图片描述

概率独立性重要的原因在于很多的试验由一连串的重复试验组成的,试验之间彼此相同且相互独立的,也就是独立同分布。独立事件的定义保证了在计算一个独立同分布的重复试验的结果时,可以由每个事件的概率的乘积得到。

条件概率满足概率的所有定义
条件概率的定义满足概率的三个公理,在给定条件的情况下,事件的条件概率就是一个概率。

有点废话的感觉,换作用公式表示:P(F | E) = Q( F )。就是说E为条件下F的概率可以看做另一个F的概率函数。这个函数Q满足概率的所有定义和演算公式。所以条件概率上也可以使用上述的概率演算公式。上述概率演算公式中,每一个概率表达式中,都添加一个相同的条件,就得到条件概率的演算公式了。

条件独立(条件概率的独立)
既然条件概率是一个概率了,当然也可以计算条件概率和拥有独立性。思路类似:
这里写图片描述
如果把条件F去掉,就成了普通的独立事件公式了。

另外验证条件概率的条件概率:
P( E1 | E2F ) = P( E1E2 | F ) / P( E2 | F )
看,如果把F条件去掉,是不是就成了普通的条件概率的公式。以上两个结论都证明了条件概率满足概率的所有定义这个事实。

五、难点

1、事件的互斥性和独立性。
关于两个事件的以下结论成立:
互不相容一定不独立
独立一定相容

PS:一个没想通的问题
命题:若P( A | B ) = 1,则B 属于A。该命题成立吗?如果不成立,正确的推论应该是什么呢?

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页
评论 2

打赏作者

行_之_

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值