1.1 概率是什么
衡量某种情况(事件)出现的可能性大小的一种指标。
1.1.1 主观概率
见书P002
1.1.2 试验与事件
概率论中事件的含义,分3点在P003到P004,包括试验的含义,随机事件,必然事件,不可能事件的含义。
1.1.3 古典概率
古典概率的定义:设一个试验有
个等可能的结果,而事件E恰好包含其中的
个结果,则事件
的概率,记为
,定义为
局限性:只适用于全部试验结果为有限个,且等可能性成立的情况。某些情况下这个概念可稍稍引申到试验结果有无限多个的情况,就是所谓的几何概率。
古典概率的计算主要基于排列组合。
1.1.4 概率的统计定义
概率的统计定义:通过实验去估计概率的方法(频率估计概率)。
重要性:1.提供一种估计概率的方法。2.提供一种检验理论正确与否的准则。(见P008)
认为,频率只是概率的估计而非概率本身,或者说说概率就是当试验次数无限增大时频率的极限。
1.1.5 概率的公理化定义
柯氏公理体系(见P009)
1.2 古典概率的计算
1.2.1 排列组合的几个简单公式
-
个不同物件取
个的排列总数,为
-
个不同物件去
个的不同组合总数,为
也可以写成
只要 为非负整数, 不论为任何实数,不必限制为自然数。 - 与二项展开式的关系
令 可得
令 可得
还可由恒等式 ,即
中 项的系数可得:
-
个不同物件分成
堆,各堆物件数分别为
的分法是
即
1.2.2古典概率计算举例
例题比较经典
1.3 事件的运算,条件概率与独立性
1.3.1 事件的蕴含,包含及相等
蕴含与包含同义,见书P017
1.3.2 事件的互斥与对立
若 , 两事件不能在同一次试验中发生(但可以都不发生),则称他们是互斥的。
1.3.3 事件的和(或称并)
见书P019
1.3.4 概率的加法定理
定理3.1 若干个互斥事件之和的概率,等于各事件的概率之和。
事件的个数可以是有限的或者无限的,其重要条件是两两互斥。
属于柯氏公理体系,见书P021.
系3.1 以
表示
的对立事件,则
1.3.5 事件的积(或称交),事件的差
定义见书
1.3.6 条件概率
定义3.1 设有两个事件
,
,而
不等于0,则“在给定
发生的条件下
的条件概率”,记为
,定义为
当
时,该公式无意义,在高等概率论中也要考虑
当
时的定义问题。
1.3.7 事件的独立性,概率乘法定理
设有两个事件
,
,
的无条件概率
与其在给定
发生之下的条件概率
一般是有差别的,这反映了这两个事件之间存在这一些关联。例如,若
则
的发生使
发生的可能性增大了,即
促进了
的发生。
反之,若
,则
的发生与否对于
的发生的可能性毫无影响,这时,在概率论上称
,
两事件独立。有
定义3.2 两个事件
,
若满足上式,则称
,
独立。
定理3.2 两独立事件
,
的积
的概率
等于其各自概率的积
。
即概率的乘法定理,也就是独立性的定义。
定义3.3 设
,
,···为有限或无限个事件。如果从其中任意取出有限个
,
,···,
,都成立
则称事件
,
,···相互独立,简称独立。
这个定义与从条件概率出发的定义是等价的,后者是说,对任何互不相同的
,
,···,
,有
即任何事件
发生的可能性大小,不受其他事件发生的影响。
但是上式左边依赖于
而定理3.3就没有这个问题。
由独立性定义易推出如下定理。
定理3.3 若干个独立事件
,···,
之积的概率,等于个时间概率的乘积:
系3.2 独立事件的任一部分也独立。
进一步可推广为:由独立事件决定的事件也独立。
系3.3 若一列事件
,
,···相互独立,则将其中任意部分改为其对立事件,所得事件列仍为相互独立。(可使用数学归纳法证明)
对于独立性,存在两两独立但是不相互独立的情况,详情见书P027以及后面的例题。
1.3.8 全概率公式与贝叶斯公式
- 全概率公式
设 , ,···为有限或无限个事件,它们两两互斥且在每次试验中至少发生一个,即
把具有这些性质的一组事件称为一个完备事件群,注意,任一事件B及其对立事件组成一个完备事件群。
现考虑任一事件 ,因 为必然事件,有 ,因 , ,···两两互斥,显然 , ,···也两两互斥,故有
再有条件概率的定义,有 ,故有全概率公式
在复杂条件下直接算 不易,但 总是随着某个 伴出,适当去构造这样一组 往往可以简化计算。
或者可以从另一个角度去理解,把 看做导致事件 发生的一种可能途径,对不同途径, 发生的概率即条件概率 各不相同。而采取哪个途径却是随机的。这种机制下, 的综合概率 应该是诸 以 为权的加权平均。
详情见书P032 - 贝叶斯公式
在全概率公式的假定下,有
该公式之所以著名,在于其现实乃至哲理意义的解释上:先看 , ,···,它是在没有进一步的信息(不知 是否发生)的情况下,人们对诸事件 , ,···发生的可能性大小的认识,现在有了新的信息(知道 发生),人们对 , ,···发生的可能性大小有了新的估价。
如果我们把事件 看成结果,把诸事件 , ,···看成导致这个结果的可能的原因,则可以形象的把全概率公式看作由原因推结果,而贝叶斯公式则恰好相反,其作用在于由结果推原因,现在有一个结果 已经发生了,在众多可能的原因中,到底哪一个导致了这个结果。贝叶斯公式说,各原因可能性大小与 成比例。其后例题也有说明,详见书P033