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: