概率论与数理统计 第一章 概率论的基本概念

2024-03-15 22:36

本文主要是介绍概率论与数理统计 第一章 概率论的基本概念,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 第一章 概率论的基本概念
    • 1.1 随机试验
      • 1.1.1 前言
      • 1.1.2 随机试验
    • 1.2 样本空间、随机事件
      • 1.2.1 样本空间
      • 1.2.2 随机事件
      • 1.2.3 事件的关系、事件的运算、运算法则
        • 1.2.3.1 事件的关系
        • 1.2.3.2 事件的运算
        • 1.2.3.3 运算法则
    • 1.3 频率与概率
      • 1.3.1 概率的描述性定义
      • 1.3.2 概率的统计性定义——频率
      • 1.3.3 概率的公理性定义
    • 1.4 古典概型(等可能概型)
      • 1.4.1 中学概率知识
      • 1.4.2 古典概型
      • 1.4.3 古典概型基本模型
        • 1.4.3.1 分球模型
        • 1.4.3.2 分球入盒模型
        • 1.4.3.3 分组问题
        • 1.4.3.4 超几何分布
      • 1.4.4 几何概型(等可能概型)
    • 1.5 条件概率
      • 1.5.1 条件概率
      • 1.5.2 乘法定理
      • 1.5.3 全概率公式 & 贝叶斯公式
        • 1.5.3.1 全概率公式(由因求果)
        • 1.5.3.2 贝叶斯公式(由果导因)
    • 1.6 独立性
      • 1.6.1 描述性定义
      • 1.6.2 数学定义
      • 1.6.3 多个事件的独立性
      • 1.6.4 独立性判断
      • 1.6.5 独立重复试验

第一章 概率论的基本概念

1.1 随机试验

1.1.1 前言

1.研究对象:

  • 确定性现象:必然发生或不发生
  • 随机现象:个别试验结果呈现不确定性,大量试验结果呈现统计规律性

2.概率论与数理统计:

​ 该学科是研究和揭示随机现象统计规律性的学科。

1.1.2 随机试验

1.定义:

  • 可以在相同条件下重复进行;
  • 每次试验的结果可能不止一个,并且能事先明确试验的所有可能结果(明确结果范围也行,如测试灯泡的寿命);
  • 进行一次试验之前不能确定哪一个结果会出现。

2.随机试验(简称试验)用字母E表示。

1.2 样本空间、随机事件

1.2.1 样本空间

1.Def:随机试验所有可能结果组成的 集合 \color{red}{集合} 集合(确定性、互异性、无序性),记为S或Ω 。

2.样本点:随机试验的每个结果,记为e或ω。

3.求样本空间:

​ ①列举法:有限样本空间,例:S={1,2,3,4}

​ ②描述法:无限样本空间,例:S={1,2,3,4,……}, S={ t|t > 0 }

1.2.2 随机事件

1.Def:样本空间S的子集称为E的随机事件,用A,B,……表示,简称事件。

2.事件发生:在每次试验中,当且仅当随机事件中的一个样本点出现。

3.基本事件:由一个样本点组成的单点集。

4.必然事件:样本空间S包含所有样本点,在每次试验中它总发生。

5.不可能事件:空集∅不包含任何样本点,在每次试验中它总不发生。

1.2.3 事件的关系、事件的运算、运算法则

1.2.3.1 事件的关系

1.包含:A⊂B, 事件A发生必然导致事件B发生。

2.相等:A=B, 事件A发生必然导致事件B发生,反之亦然。

3.互斥(互不相容):AB = ∅, 事件A和B不可能同时发生。

4.对立:AB=S 且 AB = ∅。在一次试验中,事件A和B必然有一个发生且仅有一个发生,这时候我们称事件A和B互为对立事件/逆事件,记作B=Ā。

附: \color{blue}{附:} 附:①A和Ā互为逆事件,且Ā = S - A。

​ ②事件组 A 1 , A 2 , … … , A n A_1,A_2,……,A_n A1,A2,……,An​中任意两个事件互不相容,则称这些事件两两互不相容 or 两两互斥(完备事件集)。

A i A j A_iA_j AiAj=∅,i ≠ j,i、j = 1,2,3,……,n)

1.2.3.2 事件的运算

1.和事件(并):A + B 或 A∪B,两个事件A、B中,至少有一个事件发生。

2.积事件(交):AB 或 A∩B,当且仅当事件A、B同时发生时,事件AB才会发生。

3.差事件:A - B 或 A B ˉ \bar{B} Bˉ,当且仅当事件A发生,事件B不发生时,事件A - B发生。

推广 : \color{blue}{推广:} 推广:①称 ⋃ i = 1 n A k \quad\bigcup\limits_{i=1}^nA_k\quad i=1nAk为n个事件 A 1 , A 2 , … … , A n A_1,A_2,……,A_n A1,A2,……,An的和事件。

②称 ⋂ i = 1 n A k \quad\bigcap\limits_{i=1}^nA_k i=1nAk为n个事件 A 1 , A 2 , … … , A n A_1,A_2,……,A_n A1,A2,……,An的积事件。

附 : \color{blue}{附:} :可列事件:可以完全列出 or 可以按照一定规律列出的事件 { 自然数、整数 : 可列 实数 : 不可列(有理可列,无理不可列) \begin{cases} 自然数、整数:&\text{可列}\\ 实数:&\text{不可列(有理可列,无理不可列)} \end{cases} {自然数、整数:实数:可列不可列(有理可列,无理不可列)

1.2.3.3 运算法则

1.吸收律:若A⊂B,则A∪B = B,AB = A, B ˉ \bar{B} Bˉ A ˉ \bar{A} Aˉ

2.交换律:A∪B = B∪A,AB = BA

3.结合律:A∪(B∪C)=(A∪B)∪C,A(BC)= (AB)C

4.分配律:A∪(B∩C)=(A∪B)∩(B∪C),A∩(B∪C)=(A∩B)∪(A∩C)

A(B - C)= AB - AC,A - (B∪C)= (A - B)∩(A - C),A - (B∩C)= (A - B) ∪(A - C)

5.德摩根律: A ∪ B ‾ = A ˉ ∩ B ˉ \overline{A∪B} = \bar{A}∩\bar{B} AB=AˉBˉ A ∩ B ‾ = A ˉ ∪ B ˉ \overline{A∩B} = \bar{A}∪\bar{B} AB=AˉBˉ

6.矛盾律:A∩ A ˉ = \bar{A}= Aˉ=∅ ,排中律:A ∪ A ˉ = \bar{A}= Aˉ=E

7.运算符优先级:先逆,再交,最后并 or 差。

附 : \color{red}{附:} :​A - B,AB,B - A 为两两互斥事件,所以有A = (A - B)∪AB,B = (B - A)∪AB。

1.3 频率与概率

1.3.1 概率的描述性定义

1.Def:称随机事件A发生的可能性大小的度量(非负值)为事件A发生的概率。

1.3.2 概率的统计性定义——频率

1.Def:在相同条件下进行n次试验,在这n次试验中,事件A发生的次数 n A n_A nA,称为事件A发生的 频数 \color{blue}{频数} 频数,比值 n A n \frac{n_A}{n} nnA称为事件A发生的 频率 \color{blue}{频率} 频率,并记作 f n ( A ) f_n(A) fn(A)

2.基本性质:

​ ①0 ⩽ \leqslant f n ( A ) f_n(A) fn(A)$\leqslant$1;

​ ② f n ( S ) f_n(S) fn(S) = 1;

​ ③若 A 1 , A 2 , … , A n A_1,A_2,…,A_n A1A2,,An为两两互不相容事件,则有

f ( A 1 ∪ A 2 ∪ … ∪ A n ) = f ( A 1 ) + f ( A 2 ) + … + f ( A n ) f(A_1∪A_2∪…∪A_n) = f(A_1) + f(A_2) + … + f(A_n) f(A1A2An)=f(A1)+f(A2)++f(An)

​ ④当n → ∞ \to ∞ 时, f n ( A ) → f_n(A)\to fn(A)常数。(频率稳定性 or统计规律性)

1.3.3 概率的公理性定义

1.Def:设E是随机试验,S是它的样本空间,对于E的每一事件A赋予一个实数,记为 P ( A ) P(A) PA(A的概率)。它满足以下三个条件:

​ ①非负性:对任意事件A,有P(A)$\geqslant$0;

​ ②规范性:必然事件S,P(S)=1;

​ ③可列可加性:若 A 1 , A 2 , … , A n , … A_1,A_2,…,A_n,… A1,A2,,An,为两两互不相容事件,则

P ( A 1 ∪ A 2 ∪ … ∪ A n ∪ … ) = P ( A 1 ) + P ( A 2 ) + … + P ( A n ) + … P(A_1∪A_2∪…∪A_n∪…) = P(A_1) + P(A_2) + … + P(A_n) + … P(A1A2An)=P(A1)+P(A2)++P(An)+

2.重要性质:

​ ①P(∅)=0;

​ ②有限可加性:若 A 1 , A 2 , … , A n A_1,A_2,…,A_n A1A2,,An为两两互不相容事件,则有

P ( A 1 ∪ A 2 ∪ … ∪ A n ) = P ( A 1 ) + P ( A 2 ) + … + P ( A n ) P(A_1∪A_2∪…∪A_n) = P(A_1) + P(A_2) + … + P(A_n) P(A1A2An)=P(A1)+P(A2)++P(An)

​ ③设A、B是两个事件,且A⊂B,则有

​ P(A) ⩽ \leqslant ​P(B),P(B - A)= P(B)- P(A);(单调性)

推论 : \color{red}{推论:} 推论:对任意两个事件A、B,有 P ( B − A ) = P ( B ) − P ( A B ) \color{blue}{P(B - A)=P(B)-P(AB)} P(BA)=P(B)P(AB)

​ ④对任一事件A,有

​ P(A)$\leqslant$1;

​ ⑤逆事件的概率:对任意事件A,有

P ( A ˉ ) = 1 − P ( A ) P(\bar{A}) = 1 - P(A) P(Aˉ)=1P(A);

​ ⑥加法公式:对任意俩事件A、B,有

​ P(A ∪ B)=P(A)+ P(B)- P(AB)

推广 : \color{red}{推广:} 推广:a.半可加性:P(A ∪ B) ⩽ \leqslant P(A)+ P(B)

​ b.三个事件:

​ P(A∪B∪C)=P(A)+P(B)+P(C)- P(AB)- P(AC)- P(BC)+P(ABC)

​ c.n个事件:
P ( A 1 ∪ A 2 ∪ … ∪ A n ) = ∑ i = 1 n P ( A i ) − ∑ 1 ⩽ i < j ⩽ n P ( A i A j ) + ∑ 1 ⩽ i < j < k ⩽ n P ( A i A j A k ) + … + ( − 1 ) n − 1 P ( A 1 A 2 … A n ) P(A_1∪A_2∪…∪A_n)=\sum\limits_{i=1}^nP(A_i)-\sum\limits_{1\leqslant{i}<j\leqslant{n}}P(A_iA_j)+\sum\limits_{1\leqslant{i}<j<k\leqslant{n}}P(A_iA_jA_k)+…+(-1)^{n-1}P(A_1A_2…A_n) P(A1A2An)=i=1nP(Ai)1i<jnP(AiAj)+1i<j<knP(AiAjAk)++(1)n1P(A1A2An)

​ ⑦减法公式:设A、B为任意两个事件,则

​ P(A B ˉ \bar{B} Bˉ) = P(A-B)=P(A)-P(AB)

1.4 古典概型(等可能概型)

1.4.1 中学概率知识

1.加法原理:设完成一件事有n类方法(只需其中一类方法即可完成事情),若第k类方法有 m k m_k mk种方法(1 ⩽ \leqslant k ⩽ \leqslant n),则完成这件事总共有 N = m 1 + m 2 + … + m n \color{red}{N = m_1+m_2+…+m_n} N=m1+m2++mn种方法。

2.乘法原理:设完成一件事有n个步骤(当且仅当n个步骤全部完成),若第k个步骤有 m k m_k mk种方法(1 ⩽ \leqslant k ⩽ \leqslant n),则完成这件事总共有 N = m 1 × m 2 × … × m n \color{red}{N = m_1\times m_2\times …\times m_n} N=m1×m2××mn种方法。

3.排列:

​ ①不同元素的选排列:从n个不同元素中任取m(m ⩽ \leqslant n)个按一定顺序排成一列,称为从n个元素中取出m个元素的选排列,共有 P n m P{^m_n} Pnm种。当m=n时,称为全排列,共有n!种。(0!=1)

P n m = n ( n − 1 ) ( n − 2 ) ⋯ ( n − m + 1 ) = n ! ( n − m ) ! = A n m P{^m_n}=n(n-1)(n-2)\cdots\quad(n-m+1)=\dfrac{n!}{(n-m)!}=A{^m_n} Pnm=n(n1)(n2)(nm+1)=(nm)!n!=Anm

​ ②不同元素的重复排列:从n个不同元素种又放回的取m(m ⩽ \leqslant n)个进行排列,其排列总数共有 n × n × … × n = n m \color{red}{n\times n\times …\times n=n^m} n×n××n=nm​种。

​ ③不全相异元素的排列:在n个元素中,有m类元素,每类各有 k 1 , k 2 , … , k m k_1,k_2,…,k_m k1,k2,,km个,将这n个元素做全排列,共有如下种方式:

​ N= n ! k 1 ! k 2 ! … k n ! \dfrac{n!}{k_1!k_2!…k_n!} k1!k2!kn!n!

​ ④环排列:从n个不同的元素中,选出m个不同的元素排成一个圈,共有如下种方式:

n ( n − 1 ) ( n − 2 ) … ( n − m + 1 ) m = C n m ( m − 1 ) ! \dfrac{n(n-1)(n-2)…(n-m+1)}{m}=C{^m_n}(m-1)! mn(n1)(n2)(nm+1)=Cnm(m1)!

4.组合:

​ ①从n个元素中取出m个( 不放回抽样 \color{blue}{不放回抽样} 不放回抽样)组成一组,不同的分发方式共有:

( n m ) = C n m = n ! m ! ( n − m ) ! = P n m m ! \begin{pmatrix}n\\m\end{pmatrix}=C{^m_n}=\dfrac{n!}{m!(n-m)!}=\dfrac{P{^m_n}}{m!} (nm)=Cnm=m!(nm)!n!=m!Pnm

​ ②从n个元素中取出m个( 放回抽样 \color{blue}{放回抽样} 放回抽样)组成一组,不同的分发方式共有:

H n m = ( n + m − 1 m ) H{^m_n}=\begin{pmatrix}n+m-1\\m\end{pmatrix} Hnm=(n+m1m)

1.4.2 古典概型

1.Def:若随机试验E满足:

​ (1)样本空间S只含有限个样本点,S={ e 1 , e 2 , … , e n e_1,e_2,…,e_n e1,e2,,en};

​ (2)每个基本事件(样本点)发生的可能性相同;

则称此随机试验的概率模型为等可能概型,又称古典概型。

2.古典概型中,事件A={ e i 1 , e i 2 , … , e i k e_{i1},e_{i2},…,e_{ik} ei1,ei2,,eik}发生的概率为

P ( A ) = k n = A 包含的基本事件数 S 包含的基本事件总数 P(A)=\dfrac{k}{n}=\dfrac{A包含的基本事件数}{S包含的基本事件总数} P(A)=nk=S包含的基本事件总数A包含的基本事件数

1.4.3 古典概型基本模型

1.4.3.1 分球模型

1.无放回摸球(不放回抽样):

在这里插入图片描述

2.有放回的摸球(放回抽样):
在这里插入图片描述

1.4.3.2 分球入盒模型

1.盒子容量无限:
在这里插入图片描述

2.每个盒子只能装一个球:
在这里插入图片描述

3.综合例题:
在这里插入图片描述
在这里插入图片描述

1.4.3.3 分组问题

在这里插入图片描述

1.4.3.4 超几何分布

1.Def:设有N件产品,其中有D件次品,今从中任取n件,问其中恰有k( k ⩽ N k\leqslant N kN)件次品的概率为:
p = ( D k ) = ( N − D n − k ) / ( N n ) p=\begin{pmatrix}D\\k\end{pmatrix}=\begin{pmatrix}N-D\\n-k\end{pmatrix}/\begin{pmatrix}N\\n\end{pmatrix} p=(Dk)=(NDnk)/(Nn)

附 : 实际推断原理 : 概率很小的事件在一次试验中实际上几乎是不发生的。 \color{blue}{附:实际推断原理:概率很小的事件在一次试验中实际上几乎是不发生的。} :实际推断原理:概率很小的事件在一次试验中实际上几乎是不发生的。

1.4.4 几何概型(等可能概型)

1.Def:若随机试验E满足:

​ ①样本空间S是 R n R^n Rn(n=1,2,3)中一个可度量的几何区域;

​ ②每个样本点出现的概率相等,即样本点落入S某一可度量的子区域A的可能性大小与A的几何度量成正比,而与A的位置及形状无关,则事件A={样本点落入区域A}的概率为:
P ( A ) = A 的几何度量 ( 长度、面积、体积 ) S 的几何度量 ( 长度、面积、体积 ) P(A)=\dfrac{A的几何度量(长度、面积、体积)}{S的几何度量(长度、面积、体积)} P(A)=S的几何度量(长度、面积、体积)A的几何度量(长度、面积、体积)
注意! \color{red}{注意!} 注意! ①古典概型:基本事件有限,等可能的随机试验。

​ ②几何概型:基本事件无限,等可能的随机试验。

1.5 条件概率

1.5.1 条件概率

1.Def:设A、B是两个事件,且 P ( A ) > 0 P(A)>0 P(A)>0,称
P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\dfrac{P(AB)}{P(A)} P(BA)=P(A)P(AB)
为在事件A发生的条件下事件B发生的条件概率

注意:这里样本空间已经从 S 坍塌到 A 了,样本空间减小。 \color{red}{注意:这里样本空间已经从S坍塌到A了,样本空间减小。} 注意:这里样本空间已经从S坍塌到A了,样本空间减小。

2.条件概率满足条件(也是概率)

已知事件A发生且P(A)>0

  • 非负性:对于每一件事件B,有 P ( B ∣ A ) ⩾ 0 P(B|A)\geqslant0 P(BA)0

  • 规范性:对于必然事件S,有 P ( S ∣ A ) = 1 P(S|A)=1 P(SA)=1

  • 可列可加性:设 B 1 , B 2 , … B_1,B_2,… B1,B2,是两两互不相容事件,则有

P ( ⋃ i = 1 ∞ B i ∣ A ) = ∑ i = 1 ∞ P ( B i ∣ A ) P(\quad\bigcup\limits_{i=1}^∞B_i|A\quad) =\sum\limits_{i=1}^∞P(B_i|A) P(i=1BiA)=i=1P(BiA)

3.条件概率的性质:当P(A)> 0时

  • P ( B ∣ A ) ⩾ 0 P(B|A)\geqslant 0 P(BA)0
  • 有限可加性: P ( ⋃ i = 1 n B i ∣ A ) = ∑ i = 1 n P ( B i ∣ A ) P(\quad\bigcup\limits_{i=1}^nB_i|A\quad) =\sum\limits_{i=1}^nP(B_i|A) P(i=1nBiA)=i=1nP(BiA)
  • P ( S ∣ A ) = 0 , P ( ∅ ∣ A ) = 0 P(S|A)=0,P(∅|A)=0 P(SA)=0,P(∅∣A)=0
  • 加法公式: P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) − P ( B C ∣ A ) P(B∪C|A)=P(B|A)+P(C|A)-P(BC|A) P(BCA)=P(BA)+P(CA)P(BCA)
  • 当B、C互不相容时, P ( B ∪ C ∣ A ) = P ( B ∣ A ) + P ( C ∣ A ) P(B∪C|A)=P(B|A)+P(C|A) P(BCA)=P(BA)+P(CA)
  • 可减性: P ( B − C ∣ A ) = P ( B ∣ A ) − P ( B C ∣ A ) P(B-C|A)=P(B|A)-P(BC|A) P(BCA)=P(BA)P(BCA)
  • P ( B ˉ ∣ A ) = 1 − P ( B ∣ A ) P(\bar{B}|A)=1-P(B|A) P(BˉA)=1P(BA)

1.5.2 乘法定理

1.Def:设P(A)> 0,P(B)> 0 ,则有
P ( A B ) = P ( B ∣ A ) P ( A ) = P ( A ∣ B ) P ( B ) P(AB)=P(B|A)P(A)=P(A|B)P(B) P(AB)=P(BA)P(A)=P(AB)P(B)
称为乘法公式。

2.推广

  • 三个事件A、B、C,且P(AB)> 0[ P ( A ) ⩾ P ( A B ) > 0 P(A)\geqslant P(AB) > 0 P(A)P(AB)>0].

P ( A B C ) = P ( C ∣ A B ) P ( B ∣ A ) P ( A ) P(ABC)=P(C|AB)P(B|A)P(A) P(ABC)=P(CAB)P(BA)P(A)

  • n( n ⩾ 2 n\geqslant2 n2)个事件 A 1 , A 2 , … A n A_1,A_2,…A_n A1,A2,An,且 P ( A 1 A 2 … A n − 1 ) > 0 P(A_1A_2…A_{n-1}) > 0 P(A1A2An1)>0,则有

P ( A 1 A 2 … A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P ( A 3 ∣ A 2 A 1 ) … P ( A n ∣ A n − 1 … A 2 A 1 ) P(A_1A_2…A_n)=P(A_1)P(A_2|A_1)P(A_3|A_2A_1)…P(A_n|A_{n-1}…A_2A_1) P(A1A2An)=P(A1)P(A2A1)P(A3A2A1)P(AnAn1A2A1)

  • 注意事件发生的先后次序, A i A_i Ai先于 A i + 1 A_{i+1} Ai+1​​发生,可用上式。

3.先验概率 & 后验概率

  • 由以往的数据分析得到的概率叫 先验概率 \color{red}{先验概率} 先验概率​。
  • 加入新数据后重新修正得到的概率叫 后验概率 \color{red}{后验概率} 后验概率

1.5.3 全概率公式 & 贝叶斯公式

1.5.3.1 全概率公式(由因求果)

1.样本空间划分:设S为试验E的样本空间, B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn为E的一组事件,若

  • B i B j = B_iB_j= BiBj=∅, i ≠ j , i , j = 1 , 2 , … , n i ≠ j, i,j=1,2,…,n i=j,i,j=1,2,,n
  • B 1 ∪ B 2 ∪ … ∪ B n = S B_1∪B_2∪…∪B_n=S B1B2Bn=S

则称 B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn为样本空间S的一个划分(也叫完备事件集)。

注意 : \color{red}{注意:} 注意:①若 B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn为样本空间S的一个划分,则对每次试验,事件 B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn中必有一个且仅有一个发生。

​ ②样本空间的划分一般不唯一。

2.全概率公式:设试验E的样本空间为S,A为E的事件, B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn为S的一个划分,且 P ( B i ) > 0 ( i = 1 , 2 , … , n ) P(B_i)>0(i=1,2,…,n) P(Bi)>0(i=1,2,,n),则
P ( A ) = P ( A ∣ B 1 ) P ( B 1 ) + P ( A ∣ B 2 ) P ( B 2 ) + … + P ( A ∣ B n ) P ( B n ) = ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+…+P(A|B_n)P(B_n)=\sum_{i=1}^nP(A|B_i)P(B_i) P(A)=P(AB1)P(B1)+P(AB2)P(B2)++P(ABn)P(Bn)=i=1nP(ABi)P(Bi)

1.5.3.2 贝叶斯公式(由果导因)

1.Def:设试验E的样本空间为S。A为E的事件, B 1 , B 2 , … , B n B_1,B_2,…,B_n B1,B2,,Bn为S的一组划分,且P(A)> 0, P ( B i ) > 0 ( i = 1 , 2 , … , n ) P(B_i)>0(i=1,2,…,n) P(Bi)>0(i=1,2,,n),则
P ( B i ∣ A ) = P ( A ∣ B i ) P ( B i ) ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(B_i|A)=\dfrac{P(A|B_i)P(B_i)}{\sum\limits_{i=1}^n P(A|B_i)P(B_i)} P(BiA)=i=1nP(ABi)P(Bi)P(ABi)P(Bi)
称为贝叶斯公式。

2.全概率 & 贝叶斯

取n=2,并将 B 1 B_1 B1记为 B B B B 2 B_2 B2记为$ \bar{B}$,则全概率公式和贝叶斯公式可以写成:
P ( A ) = P ( A ∣ B ) P ( B ) + P ( A ∣ B ˉ ) P ( B ˉ ) ——全概率公式 P(A)=P(A|B)P(B)+P(A|\bar{B})P(\bar{B})——全概率公式 P(A)=P(AB)P(B)+P(ABˉ)P(Bˉ)——全概率公式

P ( B ∣ A ) = P ( A B ) P ( A ) = P ( A ∣ B ) P ( B ) P ( A ∣ B ) P ( B ) + P ( A ∣ B ˉ ) P ( B ˉ ) ——贝叶斯公式 P(B|A)=\dfrac{P(AB)}{P(A)}=\dfrac{P(A|B)P(B)}{P(A|B)P(B)+P(A|\bar{B})P(\bar{B})}——贝叶斯公式 P(BA)=P(A)P(AB)=P(AB)P(B)+P(ABˉ)P(Bˉ)P(AB)P(B)——贝叶斯公式

1.6 独立性

1.6.1 描述性定义

  • 设A、B为两个事件,如果其中任何一个事件发生的概率不受另一个事件发生与否的影响,则称事件A与B相互独立。

P ( B ∣ A ) = P ( B ) , P ( B ∣ A ˉ ) = P ( B ) , P ( A ∣ B ) = P ( A ) , P ( A ∣ B ˉ ) = P ( A ) P(B|A)=P(B),P(B|\bar{A})=P(B),P(A|B)=P(A),P(A|\bar{B})=P(A) P(BA)=P(B),P(BAˉ)=P(B),P(AB)=P(A),P(ABˉ)=P(A)

1.6.2 数学定义

1.Def:设A、B是两事件,如果满足等式:
P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
则称事件A、B相互独立,简称A、B独立

2. 注意! \color{red}{注意!} 注意!

  • 与事件中的包含、相等、相容、对立关系不同,独立是从概率角度定义的。
  • 互相独立 & 互不相容之间没有不然联系。特殊地,在 P ( A ) > 0 , P ( B ) > 0 P(A)>0,P(B)>0 P(A)>0,P(B)>0时,A、B相互独立与A、B互不相容不能同时成立。
    • 互相独立: P ( A B ) = P ( A ) P ( B ) > 0 P(AB)=P(A)P(B)>0 P(AB)=P(A)P(B)>0
    • 互不相容: P ( A B ) = P ( ∅ ) = 0 P(AB)=P(\varnothing)=0 P(AB)=P()=0
  • 必然事件 及 不可能事件与任意事件互相独立。

3.定理

  • 设A、B是两事件,且 P ( A ) > 0. P(A)>0. P(A)>0.若A、B相互独立,则 P ( B ∣ A ) = P ( B ) P(B|A)=P(B) P(BA)=P(B),反之亦然。

  • 若事件A与B相互独立,则下列各对事件也相互独立:
    A 与 B ˉ , A ˉ 与 B , A ˉ 与 B ˉ A与\bar{B},\bar{A}与B,\bar{A}与\bar{B} ABˉ,AˉB,AˉBˉ

1.6.3 多个事件的独立性

1.三个事件两两独立

Def:设A、B、C是三个事件,如果满足等式:
{ P ( A B ) = P ( A ) P ( B ) P ( B C ) = P ( B ) P ( C ) P ( A C ) = P ( A ) P ( C ) \begin{cases} P(AB)=P(A)P(B)\\ P(BC)=P(B)P(C)\\ P(AC)=P(A)P(C) \end{cases} P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)
则称事件A、B、C两两独立。

2.三个事件相互独立

Def:设A、B、C是三个事件,如果满足等式:
{ P ( A B ) = P ( A ) P ( B ) P ( B C ) = P ( B ) P ( C ) P ( A C ) = P ( A ) P ( C ) P ( A B C ) = P ( A ) P ( B ) P ( C ) \begin{cases} P(AB)=P(A)P(B)\\ P(BC)=P(B)P(C)\\ P(AC)=P(A)P(C)\\ P(ABC)=P(A)P(B)P(C) \end{cases} P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)P(ABC)=P(A)P(B)P(C)
则称事件A、B、C相互独立。

3.联系

  • 相互独立 ⇒ \Rightarrow ​两两独立,反之不成立。
    在这里插入图片描述

4.推广:n个事件的独立性

  • Def:一般设 A 1 , A 2 , … , A n A_1,A_2,…,A_n A1,A2,,An n ( n ⩾ 2 ) n(n\geqslant2) n(n2)个事件,如果对于其中任意2个,任意3个,…,任意n个事件的积事件的概率,都等于个事件概率之和,则称事件 A 1 , A 2 , … , A n A_1,A_2,…,A_n A1,A2,,An相互独立

    • C n 2 + C n 3 + … + C n n = 2 n − n − 1 C^2_n+C^3_n+…+C^n_n=2^n-n-1 Cn2+Cn3++Cnn=2nn1个等式成立。
  • 推论:

    • 若事件 A 1 , A 2 , … , A n ( n ⩾ 2 ) A_1,A_2,…,A_n(n\geqslant2) A1,A2,,An(n2)相互独立,则其中任意 k ( 2 ⩽ k ⩽ n ) k(2\leqslant k\leqslant n) k(2kn)个事件也是相互独立的。
    • 若事件 A 1 , A 2 , … , A n ( n ⩾ 2 ) A_1,A_2,…,A_n(n\geqslant2) A1,A2,,An(n2)相互独立,则将事件 A 1 , A 2 , … , A n A_1,A_2,…,A_n A1,A2,,An中任意多个事件换成它们各自的对立事件,所得的n个事件仍相互独立。

1.6.4 独立性判断

1.直观性判断:

  • 若试验独立,则其结果必然独立。
  • 根据事件的实际意义取判断。

2.利用上述定义 及 定理判断。

1.6.5 独立重复试验

1.定义(独立试验序列)

​ 设 E i ( i = 1 , 2 , … ) {E_i}(i=1,2,…) Ei(i=1,2,)是一列随机试验, E i E_i Ei的样本空间Ω i _i i,设 A k A_k Ak E k E_k Ek中的任一事件, A k ⊂ A_k \subset AkΩ k _k k,若 A k A_k Ak出现的概率都不依赖于其它各次试验 E i ( i ≠ k ) E_i(i\neq k) Ei(i=k)的结果,则称 E i {E_i} Ei 相互独立 \color{red}{相互独立} 相互独立的随机试验序列,简称 独立试验 \color{red}{独立试验} 独立试验序列。

2.n 重贝努里(Bernoulli)试验

​ 若n次重复试验具有下列特点:

  • 每次试验的可能结果只有两个 A 、 A ˉ A、\bar{A} AAˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1p)(在各次试验中p是常数,保持不变);
  • 各次试验的结果相互独立。

则称这n次重复试验为 n 重贝努利( B e r n o u l l i )试验 \color{blue}{n 重贝努利(Bernoulli)试验} n重贝努利(Bernoulli)试验,简称为 贝努里概型 \color{red}{贝努里概型} 贝努里概型

3. B e r n o u l l i Bernoulli Bernoulli定理:

​ 在n 重贝努里试验中,事件A发生的概率为p,则事件A发生k次的概率为:
b ( k ; n , p ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , 2 , … , n b(k;n,p)=C^k_np^k(1-p)^{n-k},k=0,1,2,…,n b(k;n,p)=Cnkpk(1p)nk,k=0,1,2,,n
E_i}(i=1,2,…) 是一列随机试验, 是一列随机试验, 是一列随机试验,E_i 的样本空间 Ω 的样本空间Ω 的样本空间Ω_i ,设 ,设 ,设A_k 是 是 E_k 中的任一事件, 中的任一事件, 中的任一事件,A_k \subset Ω Ω Ω_k ,若 ,若 ,若A_k 出现的概率都不依赖于其它各次试验 出现的概率都不依赖于其它各次试验 出现的概率都不依赖于其它各次试验E_i(i\neq k) 的结果,则称 的结果,则称 的结果,则称{E_i} 是 是 \color{red}{相互独立} 的随机试验序列,简称 的随机试验序列,简称 的随机试验序列,简称\color{red}{独立试验}$序列。

2.n 重贝努里(Bernoulli)试验

​ 若n次重复试验具有下列特点:

  • 每次试验的可能结果只有两个 A 、 A ˉ A、\bar{A} AAˉ,且 P ( A ) = p , P ( A ˉ = 1 − p ) P(A)=p,P(\bar{A}=1-p) P(A)=p,P(Aˉ=1p)(在各次试验中p是常数,保持不变);
  • 各次试验的结果相互独立。

则称这n次重复试验为 n 重贝努利( B e r n o u l l i )试验 \color{blue}{n 重贝努利(Bernoulli)试验} n重贝努利(Bernoulli)试验,简称为 贝努里概型 \color{red}{贝努里概型} 贝努里概型

3. B e r n o u l l i Bernoulli Bernoulli定理:

​ 在n 重贝努里试验中,事件A发生的概率为p,则事件A发生k次的概率为:
b ( k ; n , p ) = C n k p k ( 1 − p ) n − k , k = 0 , 1 , 2 , … , n b(k;n,p)=C^k_np^k(1-p)^{n-k},k=0,1,2,…,n b(k;n,p)=Cnkpk(1p)nk,k=0,1,2,,n

这篇关于概率论与数理统计 第一章 概率论的基本概念的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/813473

相关文章

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3

【Rocketmq入门-基本概念】

Rocketmq入门-基本概念 名词解释名称服务器(NameServer)消息队列(Message Queue)主题(Topic)标签(Tag)生产者(Producer)消费者(Consumer)拉取模式(Pull)推送模式(Push)消息模型(Message Model) 关键组件Broker消息存储工作流程 名词解释 名称服务器(NameServer) 定义: 名称服务器

机械学习—零基础学习日志(概率论总笔记5)

引言——“黑天鹅” 要获得95%以上置信度的统计结果,需要被统计的对象出现上千次,但是如果整个样本只有几千字,被统计的对象能出现几次就不错了。这样得到的数据可能和真实的概率相差很远。怎么避免“黑天鹅”? 古德-图灵折扣估计法 在词语统计中,有点词语虽然是出现0次,但是实际的出现概率并不是永远不可能的零。 那需要把一些概率转移给到这些词语。 古德的做法实际上就是把出现1次的单词的总量,给了

【自然语言处理】第一章绪论

第一章 绪论 文章目录 第一章 绪论1. 什么是自然语言2. 自然语言处理的定义2.1 自然语言处理NLP2.2 计算语言学CL2.3 NLP与CL 3. 自然语言处理的研究内容3.1 研究对象3.2 研究层次3.3 研究问题3.4 研究内容3.4.1 资源建设3.4.2 基础研究3.4.3 应用技术研究3.4.4 应用系统 4. 自然语言处理的流派5. 自然语言处理的挑战

第一章 MUD:创造世界的巫师

自从有了游戏之后,人们不满足于做屏幕前的操控者,而是梦想着自己能够进入到游戏的绚丽世界中,在剑与魔法的世界中拯救世界,称为吟游诗人歌颂的屠龙 勇者,或者在武侠世界中快意恩仇,体验江湖恩怨儿女情长。网络游戏的出现让这个梦想渐渐变为可以触摸的东西,直至成为现实。   如果要追溯网络游戏的历史,我们要将目光投向20世纪70年代。早在1969年,美国人瑞克•布罗米(Rick Blom

数据结构的基本概念和术语的一些介绍

数据:是客观事物的符号表示,包括两种:                  数值型(整数,实数)和非数值型(文字,图形,声音 数据元素:是数据的基本单位,通常作为一个整体进行表示。                  与数据的关系:是数据集合的个体 数据项:组成数据元素的不可分割的最小单位。 以上三者的关系:数据>数据元素>数据项                  例如:学生表>个人记录>

【DL--05】深度学习基本概念—函数式模型

函数式模型 函数式模型算是本文档比较原创的词汇了,所以这里要说一下 在Keras 0.x中,模型其实有两种,一种叫Sequential,称为序贯模型,也就是单输入单输出,一条路通到底,层与层之间只有相邻关系,跨层连接统统没有。这种模型编译速度快,操作上也比较简单。第二种模型称为Graph,即图模型,这个模型支持多输入多输出,层与层之间想怎么连怎么连,但是编译速度慢。可以看到,Sequentia

【DL--04】深度学习基本概念—data_format

data_format 这是一个无可奈何的问题,在如何表示一组彩色图片的问题上,Theano和TensorFlow发生了分歧,’th’模式,也即Theano模式会把100张RGB三通道的16×32(高为16宽为32)彩色图表示为下面这种形式(100,3,16,32),Caffe采取的也是这种方式。第0个维度是样本维,代表样本的数目,第1个维度是通道维,代表颜色通道数。后面两个就是高和宽了。这种t

【DL--03】深度学习基本概念—张量

张量 TensorFlow中的中心数据单位是张量。张量由一组成形为任意数量的数组的原始值组成。张量的等级是其维数。以下是张量的一些例子: 3 # a rank 0 tensor; this is a scalar with shape [][1. ,2., 3.] # a rank 1 tensor; this is a vector with shape [3][[1., 2., 3.]