Lecture 1: Probability Models and Axioms

前言：
随机事件有很多，如工程师处理传感器中的噪音，如股票经理处理股票折线图，我们需要理论来描述和处理随机事件。

课程目标：
probabilistic theory 是处理随机的不确定事件的框架

本节课介绍了如何建立一个probabilistic model
sample space 描述了随机实验中所有可能发生的情况
probability law 描述了哪些情况会更有可能发生，同时需要遵守axioms of probability

probablistic model 的第一部分是 sample space。
sample space 描述了随机实验中所有可能发生的情况，类似实验比如掷硬币，摇骰子。
mutually exclusive 意思是每次实验的结果只可能是sample space中的一个
collective exhaustive 意思是sample space覆盖了所有可能的实验结果

设定sample space方式很多，比如抛硬币，可以是{H， T} 也可以是{H， T + raining， T + not raining}，这两个都是合法的，但是在真实情况下，我们在设定samplespace的时候，可以只关注我们需要关注的。

虽然扔了两次骰子，可以想象成一次实验
sequential description可以很好描述 multi-stage 实验

举例：
2 是第一步实验的result，3 是第二步实验的result，（2，3）是实验的outcome

连续的样本空间

outcome 和 event的区别：
给每个outcome分配一个概率是不现实的，考虑上面连续样本空间的例子，不能给一个点分配一个概率，因为如果点的精度无限制，概率都是0。
所以，应该概率是分配给sample space的subset的。我们把这样的subset称作event。
实验结果outcome 都是点，但是如果这次实验的outcome被包含在event里，就表示event发生了，相反的如果outcome在event以外，则说明event没有发生。

对于finite set，$P(s_1)$ 其实是$P(s_1)$ 的简写

$$\begin{array}{r}1=P(\Omega )=P(A\cup A^c)\\ =P(A)+P(A^c)\\ P(A)=1-P(A^c)\le 1\end{array}$$
if event A, B, C 是disjoint的，那么由公理3：
$$\begin{gathered} P(A\cup B\cup C)=P((A\cup B)\cup C) \\ =P(A\cup B)+P(C) \\ =P(A)+P(B)+P(C) \end{gathered}$$

如果实验是掷硬币时出现第一次出现正面向上时投掷的次数，event是当实验结果是偶数的时候。
这个event的概率是对一个序列的加和。上文公理里面只提到对event的加和而没有提到对event序列的加和。这里提出了一个更强的公理。

生词：
frivolous：无价值的，毫无意义的; 轻率的，轻易; 不务正业的; 孩子气的;
granularity：间隔尺寸，粒度;
laconic：简洁的，简明的
postulate：假定; 提出要求; 视…为理所当然;