概率论第1记：基础概念

最新推荐文章于 2024-12-30 23:41:07 发布

迷迷糊糊也好

最新推荐文章于 2024-12-30 23:41:07 发布

阅读量715

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络数学基础文章标签：概率论

本文链接：https://blog.csdn.net/qq_31150463/article/details/85331309

神经网络数学基础专栏收录该内容

9 篇文章

订阅专栏

本文详细介绍了概率论的基础概念，包括样本空间、随机事件、频率与概率的性质，以及条件概率、事件独立性等关键知识点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基础概念

一次随机试验所有可能的结果组成的集合称为样本空间
样本空间的每一个元素称为样本点
样本空间的任一子集称为一个随机事件。只有一个样本点的子集称为基本事件
如果一次实验中，某随机事件包含的样本点出现了，我们称该事件发生了。
它们之间的关系可以用图表示：
在这里插入图片描述
特别的，整个样本空间由于每次试验一定出现S的样本点，所以，S称为必然事件。不包含任何样本点的空集∅称为不可能事件

随机事件的关系运算

事件是集合，所以也有集合之间的运算。
如果事件A发生必然导致事件B发生，称事件B包含事件A，写作： $A⊂BA\subset B$ ，如果两者互相包含，则成A=B。
和时间：若事件A和事件B至少有一个发生，这一事件成为A和B的和事件，记作A∪B,也记作A+B
这句话这么理解：如果事件C=A+B，那么对于事件C来说，C若发生，那么A和B至少有一个要发生才成立。
积事件，记作A∩B，也称为交事件。
若某事件C若要发生需事件A发生且事件B发生，则称此事件为事件A和事件B的交事件（或积事件）。记为A∩B或AB。
PS：从定义可以看出，和事件（A+B）相当于逻辑运算的or，积事件相当于逻辑运算的and
差事件，记作A-B
若时间C=A-B,事件C发生的条件是：A发生，而且B不发生。该事件的样本点属于事件A，并且不属于事件B
事件运算符合集合运算的交换律，结合律和分配律，以及德摩根定律:
$A∩B‾=A‾∪B‾\overline{A\cap B}=\overline{A}\cup \overline{B}$
$A∪B‾=A‾∩B‾\overline{A\cup B}=\overline{A}\cap \overline{B}$
两个事件的积事件如果为空：A∩B=∅，则称二者是不相容事件（注意和以后不相关事件定义的区别）
两个事件A,B，如果A∪B=S,而且A∩B=∅，则称二者互为“逆事件”或“对立事件”
以上关系用文氏图表示如下：

随机事件的频率

在相同条件下重复实验n次，事件A发生了f_a次，称f_a为频数，f_a/n为频率，当n足够大的时候，通常用频率来预估“概率”
概率和频率具有基本的三个性质：
以R_n(A)，R_n(B)分别表示事件A和事件B在n次重复实验中发生的频率（概率），则有以下三个性质：

对于任意时间A，有0≤R_n(A)≤1
对于必然事件S，有R_n(S)=1
R_n(A∪B)=R_n(A)+R_n(B)-R_n(AB)，尤其A,B是互不相容事件的是有，由于AB=∅，所以R_n(AB)=0，R_n(A∪B)=R_n(A)+R_n(B)

古典概率模型

所以古典概率模型是指具有以下两个特征的随机实验模型：

实验的样本空间具有有限个样本点
每次实验中，各个基本事件的发生概率相同。

很显然，古典概率模型中，如果样本空间有n个样本点，某一事件包含m个样本点，则该事件发生的概率为：m/n
概率还具有以下三个性质：
1. $P(A‾)=1−P(A)P(\overline{A})=1-P(A)$
2.P(∅)=0
3.如果两个事件 $A⊂BA\subset B$ ,则有P(B-A)=P(B)-P(A)

条件概率

所谓条件概率，就是在已知事件A发生的条件下事件B发生的概率，记作R_n(B|A)= $Rn(AB)Rn(A)\frac{R_{n}(AB)}{R_{n}(A)}$
变换一下，可得：
$R_{n}(AB)=R_{n}(B|A)*R_{n}(A)$
因为：AB=BA，所以： $R_{n}(AB)=R_{n}(BA)=R_{n}(A|B)*R_{n}(B)$
即： $R_{n}(A|B)*R_{n}(B)=R_{n}(B|A)*R_{n}(A)$
这个推论在推到全概率公式和贝叶斯公式的时候有用。
很显然，条件概率也具有概率的如下几个性质：
1.对于任意事件P(B|A)，有0≤P(B|A)≤1
2.P(S|A)=1
3.若B₁,B₂,…B_n两两互不相容，则P(B₁∪B₂∪…B_n|A)=P(B₁|A)+P(B₂|A)+…+P(B_n|A)
4. $P(B‾∣A)=1−P(B∣A)P(\overline{B}|A)=1-P(B|A)$
5.对于任意两个事件：
P(B∪C|A)=P(B|A)+P(C|A)-P(BC|A)

事件的独立性

如果P(B|A)=P(B)，也就是说，事件A发生与否，对事件B的发生没有影响，那么责成事件A,B称为相互独立事件。
显然，对于相互独立的两个事件，因为
P(AB)=P(B|A)*P(A),可推出：P(AB)=P(B)*P(A)
P(AB)=P(A|B)*P(B),可推出：P(AB)=P(A)*P(B)

全概率公式和贝叶斯公式

设实验E的样本空间S，B₁…B_n是实验E的n个两两互不相容的事件，且有B₁∪…B_n=S，又如果A是实验E的任意一个时间，则有
A=AS=A(B₁∪…B_n)。于是事件A被分为n个两两互不相容的事件：AB₁，…，AB_n（证明很简单AB_iAB_j=AAB_iB_j=AA∅=∅）
故可推出：P(A)=P(AB₁)+…+P(AB_n)---------这个公式就是全概率公式
贝叶斯公式由全概率公式推出：
P(B_i|A)= $P(A∣Bi∗P(Bi)P(A)=P(A∣Bi)∗P(Bi)P(A∣B1)∗P(B1)+...+P(A∣Bn)∗P(Bn)\frac{P(A|B_{i}*P(B_{i})}{P(A)}=\frac{P(A|B_{i})*P(B_{i})}{P(A|B_{1})*P(B_{1})+...+P(A|B_{n})*P(B_{n})}$