概率统计——随机事件和随机变量

随机事件

1. 相同条件下进行
2. 结果可能多种，且所有结果已知
3. 实验前具体结果未知

样本空间、样本点、随机事件
eg. 掷骰子：
样本空间：1、2、3、4、5、6（所有可能结果的集合）
样本点：1或2或3或4或5或6
出现偶数的结果
随机事件：A=2、4、6

概率

古典概型

P(A)=m/n=事件A包含的基本事件数/基本事件总数

排列组合：每个选项只可使用一次
$ P(B) = \frac {C^ k_l k！} {l^ k} = \frac {l！} {l^k（l-k）!}

eg.生日问题：k个同学没有两人生日相同，l=365
基本事件总数：C^ k_l k！

def factorial(n):
    if n == 0:
        return 1;
    else:
        return (n*factorial(n-1)) 
    
l_fac = factorial(365);          #l的阶乘
l_k_fac = factorial(365-40)      #l-k的阶乘
l_k_exp = 365**40                #l的k次方

P_B =  l_fac /(l_k_fac * l_k_exp)     #P(B）
print("事件B的概率为：",P_B)
print("40个同学中至少两个人同一天过生日的概率是：",1 - P_B)

条件概率

设 A 和 B 是两个事件，且P(B)>0，称 $P(A|B) = \frac {P(AB)} {P(B)} $ 为在事件 B 发生的条件下，事件 A 发生的概率。
eg.
​ 某集体中有 N 个男人和 M 个女人，其中患色盲者男性 n人，女性 m 人。我们用 Ω 表示该集体， A 表示其中全体女性的集合，B表示其中全体色盲者的集合。如果从 Ω 中随意抽取一人，则这个人分别是女性、色盲者和同时既为女性又是色盲者的概率分别为：
P(A)= M/M+N
P(B)=(m+n)/(M+N)
P(AB)= m/(M+N)
如果限定只从女性中随机抽取一人**(即事件 A 已发生)，那么这个女人为色盲者的(条件)**概率为
P(B|A)=m/M=P(AB)/P(A)
​

全概率公式和贝叶斯公式

** 准备知识：**首先我们看一下概率乘法公式和样本空间划分的定义；

由条件概率公式，可以得到概率的乘法公式：

P(AB)=P(B|A)/P(A)=P(A|B)/P(B)
如果事件组，满足

B1,B2,… 两两互斥，即Bi∩Bj=ϕ，i≠j,i,j=1,2,…，且P(Bi)>0,i=1,2,…
B1∪B2∪…=Ω
​ 则称事件组B1,B2,…是样本空间 Ω 的一个划分。

全概率公式

设B1,B2,…是样本空间 Ω 的一个划分，A 为任一事件，则

称为全概率公式。

根据全概率公式和概率乘法公式，我们可以得到：

贝叶斯公式

设B1,B2,…是样本空间 Ω 的一个划分，则对任一事件 A(P(A)>0) ,有
$P(B_i|A)=\frac{P(B_{i}A)}{P(A)}=\frac{P(A|B_i)P(B_i)}{{\sum }_{j=1}^{\infty }P(B_j)P(A|B_j)},i=1,2,\dots$

称上式为贝叶斯公式，称P(Bi)(i=1,2,…) 为先验概率，P(Bi|A)（i=1,2,…）为后验概率。

eg.
在实际中，常取对样本空间 Ω 的有限划分 B1,B2,…,Bn 。 Bi 视为导致试验结果 A 发生的“原因”，而P(Bi) 表示各种“原因”发生的可能性大小，故称为先验概率；P(Bi|A) 则反应当试验产生了结果 A 之后，再对各种“原因”概率的新认识，故称为后验概率 。
假定用血清甲胎蛋白法诊断肝癌。用 C 表示被检验者有肝癌这一事件，用 A 表示被检验者为阳性反应这一事件。当前有肝癌的患者被检测呈阳性反应的概率为0.95。即 P(A|C)=0.95 。当前非肝癌的患者被检测呈阴性反应的概率为0.9。即 P(A¯|C¯)=0.90 。若某人群中肝癌患者概率为0.0004，即P©=0.0004，现在有一人呈阳性反应，求此人确为肝癌患者的概率是多少？
$P(C|A)=\frac{P(C)P(A|C)}{P(C)P(A|C)+P(\overline{C})P(A|\overline{C})}=\frac{0.00040.95}{0.00040.95+0.9996\ast 0.1}=0.0038$