1 重要概念与公式:
1.1 样本空间——\(\Omega\)(全集),其基本元素\(\omega_i\)叫样本点
1.2 事件——样本空间的子集\(A、B、C\)…
\(\Phi\)——不可能事件
\(\Omega\)——必然事件
1.3 完备事件组
\(\cup_i{A_i}=\Omega\)
\({A_i}\cap{A_j}=\Phi (两两互斥)(交集可省略符号, 写成A_iA_j=\Phi), i\neq{j}\)
1.4 运算、关系
——略,可看集合论中的运算、关系
2 古典概型
若\(\Omega\)中有有限个、等可能的样本点,称为古典概型
$$P(A)={{N_A}\over{N_\Omega}}$$
3 几何概型
若\(\Omega\)是一个可度量的集合区域,且样本点落入\(\Omega\)中的某一可度量子区域A的可能性大小与A的几何度量成正比,而与A的位置和形状无关,称为几何概型
$$P(A)={{M_A}\over{M_\Omega}}$$
$$M代表度量measure,可以是面积S,长度L等$$
4 重要公式
4.1 对立事件:
$$P(A)=1-P(\bar{A})$$
4.2 事件减法:
$$P(A-B)=P(A)-P(AB)$$
4.3 事件加法:
$$P(A+B)=P(A)+P(B)-P(AB)$$
$$P(A+B+C)=P(A)+P(B)+P(C)-P(AB)-P(BC)-P(AC)+P(ABC)$$
互斥事件\(A_1、A_2、…、A_n\)的概率:(互斥事件"和的概率"为"概率的和")
$$P(\cup_{i=1}^n{A_i})=\sum_{i=1}^nP(A_i)$$
相互独立事件\(A_1、A_2、…、A_n\)的概率:(相互独立事件"乘积的概率"为"概率的乘积")
$$P(A_1A_2…A_n)=P(A_1)P(A_2)…P(A_n)$$
4.4 条件概率:
$$P(A|B)={{P(A)}\over{P(B)}}, P(B)>0$$
4.5 概率乘法:
$$P(AB)=P(B)P(A|B)=P(A)P(B|A)$$
4.6 全概率公式(全集分解公式):
$$P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3)$$
举例说明:一个村子有且仅有3个小偷,这3个小偷偷东西的事件构成完备事件组(两两互斥的,就是其中1个去偷时,另外2个小偷不去偷)。这个村子失窃的概率就是全概率公式求出。这里的全概率公式表述为:
村子失窃的概率\(P(B)\)=第1个小偷去偷\(P(A_1)\)且偷成功的概率\(P(B|A_1)\)+…
推导:
$$P(B)=P(B\Omega)=P(B(A_1A_2A_3))=P(BA_1+BA_2+BA_3)=P(BA_1)+P(BA_2)+P(BA_3)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+P(A_3)P(B|A_3)$$
4.7 贝叶斯公式(逆概公式):条件同4.6,现已知\(B\)发生了!
$$P(A_j|B)={{P(A_jB)}\over{P(B)}}={{P(A_j)P(B|A_j)}\over{\sum_{i=1}^nP(A_i)P(B|A_i)}}$$
$$条件概率={{乘法公式}\over{全概率公式}}$$