数据分析统计学原理第四章：概率基础 | 我的统计学原理复习日记

概率（probability）：对事件发生的可能性的数值度量

随机试验（random expriment）：随机试验是一个过程，它所产生的试验结果是完全确定的，在每一次重复或者试验中，出现哪种结果完全由偶然性来决定

样本空间（sample space）：随机试验的样本空间是试验所有结果组成的一个集合
掷色子的样本空间：

样本点（sample point）：一种特定的试验结果

多步骤试验（multiple-step experiment）

树形图（tree diagram）

组合：从N项中选取n项的试验，不考虑选取顺序，即不同的选择顺序考虑是同一种结果

排列：从N项中选取n项的试验，不考虑选取顺序，即不同的选择顺序考虑不同结果

概率分配（probability assignment）
两个基本条件

古典法（classical method）
若各种试验结果是等概率发生的，适合采用古典法进行概率分配。如果某一试验有n个可能的试验结果，则为每个试验结果分配的概率均为1/n，在这种方法下，概率分配的两个基本条件显然成立。

相对频率法（relative frequency method）
相对频率法适用于可以大量重复进行的试验，并且能取得试验结果发生频率的数据。

主观法（ subjective method）
当不能假定试验结果是等可能发生的或者无法取得相关数据时，可以采用主观法为试验结果分配概率。采用主观法为试验结果分配概率，可以利用一切可以获得的信息，比如我们的经验和直觉。当考虑所有可获得的信息后，主观法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。主观法表达的是某个人认为的可信程度，因此它是因人而异的。在主观法中，不同的人可能会对同一试验结果分配不同的概率值。
例如，汤姆·埃尔斯本德和朱迪·埃尔斯本德申请购买一所住房，有两种可能的结果
E1=申请获得批准
E2=申请被驳回

事件（event）：样本点的一个集合

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

事件A的补（complement of A）：所有不包含在事件A中的样本点
可以利用文氏图（Venn diagram）来直观地看：

事件A和事件B的并（union of A and B）

事件A和事件B的交（intersection of A and B）

文氏图：

互斥事件：如果两个事件没有公共的样本点，则为互斥事件

条件概率（conditional probability）：某个事件发生的可能性受到另一个相关事件发生与否的影响
P（A|B）指在事件B已经发生的条件下A发生的可能性

联合概率（joint prabability）
边际概率（margin probability）

通过事件概率计算条件概率：

独立事件（independent events）：事件A的概率不会由于事件B的存在而改变

乘法公式：

独立事件的乘法公式：

贝叶斯定理：
先验概率（prior probability）：在开始分析之前，对所关心的特定事件估计的一个概率
后验概率（posterior probability）：根据新增信息计算修正先验概率得到的概率

贝叶斯定理（Bayes’s theorem）：

贝叶斯定理公式：

推导：