標籤:

第一章 事件的概率

第一章 事件的概率

來自專欄 概率論與數理統計

  • 事件

一般含義:(1)有一個明確界定的試驗。

(2)這個試驗的全部可能結果,是在試驗前就明確的。

(3)一個確定的部分,就叫做一個事件。

基本事件:單一的試驗結果。

  • 古典概率

定義:設一個試驗有 N 個「等可能」的結果,而事件 E 恰包含其中的 M 個結果,則事件 E 的概率,記為 Pleft( E 
ight) ,定義為

Pleft( E 
ight)=M/N

局限性:它只能用於全部試驗結果為有限個,且等可能性成立的情況。

  • 概率的統計定義

把事件 E 概率定義為具有如下性質的一個數 p :當把試驗重複時, E 的頻率在 p 附近擺動,且當重複次數增大時,這個擺動愈來愈小,或者乾脆說:概率就是當試驗次數無限增大時頻率的極限。

  • 概率的公理化定義

已知事件是與試驗相連的,試驗有許多可能的結果,每個結果叫做一個基本事件.與此相應,在柯氏的公理體系中引進一個抽象的集合 Omega ,其元素 omega 稱為基本事件。

一個事件是由若干基本事件構成的.與此相應,在柯氏公理體系中考慮由 Omega 的子集(包括 Omega 本身及空集 varnothing )構成的一個集類 ImIm 不必包括 Omega 的一切可能的子集,且必須滿足某種條件. Im 中的每個成員就稱為「事件」。概率是事件的函數.與此相應,在柯氏公理體系中,引進了一個定義在 Im 上的函數 P 。對 Im 中的任意成員 APleft( A 
ight) 的值理解為事件 A概率,柯氏公理體系對這個函數 P 加上幾條公理

  1. 0ll Pleft( A 
ight)ll1
  2. Pleft( Omega 
ight)=1,Pleft( varnothing 
ight)=0
  3. 加法公理
  • 排列組合公式

  • 事件的蘊含、包含及相等

在同一試驗下的兩個事件 AB ,如果當 A 發生時 B 必發生,則稱 A 蘊含 B ,或者說 B 包含 A ,記為 Asubset B

A,B 相互蘊含記 Asubset BBsubset A ,則稱 A,B 兩事件相等,記為 A=B

  • 事件的互斥和對立
  1. 互斥:

若兩事件 A,B 不能再同一次試驗中都發生(但可以都不發生),則稱它們是互斥的。

如果一些事件中任意兩個都互斥,則稱這些事件是兩兩互斥的,或簡稱互斥的。

從「事件是由一些試驗結果所構成的」這個觀點看:互斥事件無非是說,構成這兩個事件各自的試驗結果中不能有公共的。

  1. 對立:

A 為一事件,則事件

B=left{ A,不發生 
ight}

稱為 A 的對立事件,多記為 ar{A}

  • 事件的和(或稱並)

設有兩個事件 A,B ,定義一個新事件 C 如下:

C=left{ A,發生,或B發生 
ight}=left{ A,B至少發生一個
ight}

C 稱為事件 A 與事件 B 的和,記為

C=A+B 或記為 C=Acup B

事件的和很自然地推廣到多事件。

  • 概率的加法定理

若干個互斥事件之和的概率,等於各事件的概率之和,即:

Pleft( A_{1}+A_{2}+cdots 
ight)=Pleft( A_{1} 
ight)+Pleft( A_{2} 
ight)+cdots .

事件個數可以是有限的或無限的。註:各事件必須是兩兩互斥.

推論:以 ar{A} 表示 A 的對立事件,則

Pleft{ ar{A} 
ight}=1-Pleft{ A 
ight}

  • 事件的積(或稱交)、事件的差

事件的積:

設有兩個事件 A,B ,則如下定義事件 C

C=left{ A,B,都發生 
ight}

稱為兩事件 A,B 的積或者乘積,並記為 AB 。可依此推廣到多個事件的積.

事件的差:

兩個事件 A,B 之差,記為 A-B ,定義為:

A-B=left{ A,發生,B,不發生 
ight}

事件的和、差、積等運算滿足乘法結合律分配率

下面給出幾個容易混淆的例子:

  1. A+A=A
  2. AA=A
  3. A-B=varnothing 
Rightarrow A=B,Rightarrow Asubset B
  4. left( A-B 
ight)+B=A+B
  • 條件概率

當說到「條件概率」時,總是指另外附加的條件,其形式總可歸結為「已知某事件發生了」。

定義:設有兩個事件 A,B ,而 Pleft{ B 
ight}
e0 ,則「在給定 B 發生的條件下 A 的條件概率」,記為 Pleft( A,|B 
ight) ,定義為:

Pleft( A,|B 
ight)=frac{Pleft( AB 
ight)}{Pleft( B 
ight)}

  • 事件的獨立性、概率乘法定理

設有兩個事件 A,B , A 的無條件概率 Pleft( A 
ight) 與其在給定 B 發生之下的條件概率 Pleft{ A,|B 
ight} ,一般是由差異的.這反映了這兩個事件之間存在著一些關聯。

例如, Pleft( A,|B 
ight)>Pleft( A 
ight) ,則 B 的發生使 A 發生的可能性增大了,即 B 促進了 A 的發生。

反之,若 Pleft( A,|B 
ight)=Pleft( A 
ight) (可推出: Pleft( A,|ar{B} 
ight)=Pleft( A 
ight) ),則 B 的發生與否對 A 發生的可能性毫無影響.這時,在概率論上就稱 A,B 兩事件獨立。

定義:由條件概率公式得出: Pleft( A,|B 
ight)=Pleft( A 
ight)Pleft( B 
ight) Rightarrow A,B兩事件獨立。

定理:兩獨立事件 A,B 的積 AB 的概率 Pleft( AB 
ight) 等於其各自概率的積 Pleft( A 
ight)Pleft( B 
ight)

(註:如果試驗的內容真是單一的,那麼,在這種試驗下兩事件獨立的較少出來的例外.因為兩個事件既然都依賴同一批結果,彼此必定會有影響。)

推廣:對個事件獨立性的定義。

定義:設 A_{1},A_{2},cdots 為有限或無限個事件,如果從其中任意取出有限個 A_{i_{1}},A_{i_{2}},cdots,A_{i_{m}} ,都成立。

Pleft( A_{i_{1}}A_{i_{2}}cdots A_{i_{m}} 
ight)=Pleft( A_{i_{1}} 
ight)Pleft( A_{i_{2}} 
ight)cdots Pleft( A_{i_{m}} 
ight)

則稱事件 A_{1},A_{2},cdots 相互獨立,或簡稱獨立。

定理:若干個獨立事件 A_{1},cdots,A_{n} 之積的概率,等於各事件概率的乘積:

Pleft( A_{1}cdots A_{n} 
ight)=Pleft( A_{1} 
ight) cdots Pleft( A_{n} 
ight)

(註:加法定理 
ightarrow 互斥,乘法定理 
ightarrow 獨立.)

兩個性質:

  1. 獨立事件的任意部分也獨立。
  2. 若一列事件 A_{1},A_{2},cdots 相互獨立,則將其中任一部分改為對立事件時,所得事件列仍為相互獨立的。

(註:相互地理 Rightarrow 兩兩獨立,反之不一定成立。)

  • 全概率公式與貝葉斯公式

1.全概率公式:

B_{1},B_{2},cdots 為有限或無限個事件,它們兩兩互斥且在每次試驗中至少發生一個,用式表之,即

B_{i}B_{j}=varnothing (不可能事件) quadleft( i
e j
ight)

B_{1}+B_{2}+cdots=Omega (必然事件).

由加法定理和條件概率的定義 Rightarrow  Pleft( A 
ight)=Pleft( B_{1} 
ight)Pleft( A,|B_{1} 
ight)+Pleft( B_{2} 
ight)Pleft( A,|B_{2} 
ight)+cdots

這個公式稱為全概率公式

理論和實用意義:在較複雜的情況下直接算 Pleft( A 
ight) 不易,但 A 總是隨某個 B_{i} 伴出,適當去構造這一組 B_{i} 往往可以簡化計算。

從另一個角度理解全概率公式:把 B_{i} 看做導致事件 A 發生的一種可能途徑,對不同途徑, A 發生的改立即條件概率 Pleft( A,|B 
ight) 各不相同,而採取哪個途徑卻是隨機的.正確的答案應是諸 Pleft( A,|B_{i} 
ight)Pleft( B_{i} 
ight) 為權的加權平均值 left( i=1,2, cdots 
ight)

2.貝葉斯公式:

在全概率公式的假定之下,有

Pleft( B_{i},|A 
ight)=frac{Pleft( AB_{i} 
ight)}{Pleft( A 
ight)}

=frac{Pleft( B_{i} 
ight)Pleft( A,|B_{i} 
ight)}{sumlimits_{j}Pleft( B_{j} 
ight)Pleft( A,|B_{j} 
ight)}

這個公式稱為貝葉斯公式

3.總結概括:

如果我們把事件 A 看成「結果」,把諸事件 B_{1},B_{2},cdots 看成導致這個結果的可能的「原因」,則可以形象地把

全概率公式看做「由原因推結果」;而貝葉斯公式則看做「由結果推原因」。

推薦閱讀:

關於GTM⑨的抄書日記-3
Serre《算術教程》筆記(1)
範疇論學習筆記19:伽羅瓦連接
格論學習筆記1:基礎概念
基礎群論(五): Sylow理論 下

TAG:概率論 | 數學 |