《商务与经济统计》笔记第四章
第四章:概率
4.1 随机试验、计数法则、概率分配
随机试验:随机试验的试验结果是完全确定的,在许多情形下试验结果甚至在进行实验之前已经列出;在任意一次试验或者重复中,有且仅有一种可能的试验结果发生;试验中究竟哪种试验结果会出现,完全由偶然性决定。
样本空间:随机试验的样本空间是试验所有结果组成的一个集合。
样本点:一种特定的试验结果被称为样本点。
4.1.1 计数法则、组合和排列
计数法则:多步骤试验计数法则、组合计数法则、排列计数法则
多步骤试验计数法则:第1步有n1种试验结果,第二步有n2种试验结果,则总共有n1*n2种试验结果。
组合计数法则:从N项中选取n项。从N项中任取n项的组合数为:
C n N = N ! n ! ( N − n ) ! C_n^N = \frac{{N!}}{{n!\left( {N - n} \right)!}} CnN=n!(N−n)!N!
排列计数法则:从N项中选取n项,并考虑选取的顺序。从N项中任取n项的排列数为:
P n N = N ! ( N − n ) ! P_n^N = \frac{{N!}}{{\left( {N - n} \right)!}} PnN=(N−n)!N!
4.1.2 概率分配
概率分配的两个基本条件:
- 分配给每个试验结果的概率值都必须在0和1之间。
- 所有试验结果的概率之和必须等于1。
如何为试验结果分配概率:古典法、相对频率法、主观法
古典法:每个试验结果是等概率发生的。
相对频率法:适用于可以大量进行重复的试验,且能取得试验结果发生频率的数据。
主观法:利用一切可以获得的信息,为试验结果分配一个(介于0到1之间的)概率值,用以表达各个试验结果发生的可信程度。
4.2 事件及其概率
事件:事件是样本点的一个集合。(具有某些相同特征的样本点的集合)
如:身高180cm以上的高中生。
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
事件的补:所有不包含在事件A的样本点定义为事件A的补。
并:
交:
加法公式:
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
∩
B
)
P\left( {A \cup B} \right) = P\left( A \right) + P\left( B \right) - P\left( {A \cap B} \right)
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。
互斥事件的加法公式:
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
P\left( {A \cup B} \right) = P\left( A \right) + P\left( B \right)
P(A∪B)=P(A)+P(B)
4.4 条件概率
条件概率:在B已经发生的情况下,A发生的可能性。P(A|B)
联合概率:
边际概率:
条件概率计算:
P
(
A
∣
B
)
=
P
(
A
B
)
P
(
B
)
P\left( {A|B} \right) = \frac{{P\left( {AB} \right)}}{{P\left( B \right)}}
P(A∣B)=P(B)P(AB)
4.4.1 独立事件
两个事件 A和B是相互独立的,如果:
P ( A ∣ B ) = P ( A ) P\left( {A|B} \right) = P\left( A \right) P(A∣B)=P(A)或者 P ( B ∣ A ) = P ( B ) P\left( {B|A} \right) = P\left(B\right) P(B∣A)=P(B)
否则,两个事件是相依的。
4.4.2 乘法公式
P ( A B ) = P ( A ) P ( B ∣ A ) P\left( {AB} \right) = P\left( A \right)P\left( {B|A} \right) P(AB)=P(A)P(B∣A)
P ( A B ) = P ( B ) P ( A ∣ B ) P\left( {AB} \right) = P\left( B \right)P\left( {A|B} \right) P(AB)=P(B)P(A∣B)
独立的乘法公式:
P
(
A
B
)
=
P
(
A
)
P
(
B
)
P\left( {AB} \right) = P\left( A \right)P\left( B \right)
P(AB)=P(A)P(B)
4.5 贝叶斯定理
贝叶斯定理将主观确定的先验概率与其他方法得到的概率相结合,得到修正后的后验概率。
先验概率→新信息→应用贝叶斯定理→后验概率
贝叶斯定理(两事件情形):
P ( A 1 ∣ B ) = P ( A 1 ) P ( B ∣ A 1 ) P ( A 1 ) P ( B ∣ A 1 ) + P ( A 2 ) P ( B ∣ A 2 ) P\left( {{A_1}|B} \right) = \frac{{P\left( {{A_1}} \right)P\left( {B|{A_1}} \right)}}{{P\left( {{A_1}} \right)P\left( {B|{A_1}} \right) + P\left( {{A_2}} \right)P\left( {B|{A_2}} \right)}} P(A1∣B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)P(A1)P(B∣A1)
P ( A 2 ∣ B ) = P ( A 2 ) P ( B ∣ A 2 ) P ( A 1 ) P ( B ∣ A 1 ) + P ( A 2 ) P ( B ∣ A 2 ) P\left( {{A_2}|B} \right) = \frac{{P\left( {{A_2}} \right)P\left( {B|{A_2}} \right)}}{{P\left( {{A_1}} \right)P\left( {B|{A_1}} \right) + P\left( {{A_2}} \right)P\left( {B|{A_2}} \right)}} P(A2∣B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)P(A2)P(B∣A2)
贝叶斯定理:
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 ) P\left( {{A_i}|B} \right) = \frac{{P\left( {{A_i}} \right)P\left( {B|{A_i}} \right)}}{{P\left( {{A_1}} \right)P\left( {B|{A_1}} \right) + P\left( {{A_2}} \right)P\left( {B|{A_2}} \right) + \cdots + P\left( {{A_n}} \right)P\left( {B|{A_n}} \right)}} P(Ai∣B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+⋯+P(An)P(B∣An)P(Ai)P(B∣Ai)
贝叶斯定理广泛应用于决策分析中。先验概率通常是由决策者主观估计的,在取得样本信息后,计算后验概率以供决策者选择最佳策略。