siqili's Blog 要多想

概率论(1)

2018-05-13
朱正茂

第一章 概率论基础

随机现象

随机现象的基本属性:

  1. 试验可重复
  2. 会出现何种结果不可知
  3. 所有可能的结果已知

记所有可能结果为$\Omega$,称为样本空间。记每一个基本结果为 (\omega \in \Omega),称为样本点。基本结果可以构成事件,可以用(A)表示,(A \subset \Omega)。

(P(A))表示事件$A$发生的概率,统计方法中用频率来估计概率,即重复实验$N$次,$A$发生$N_A$次,那么有$P(A)=\lim_{N \to \infty}\frac{N_A}{N}$


##事件的基本运算 De Morgan对偶运算原理: \(\overset{——}{(\cap A_n)}=\cup \bar{A}_n \\ \overset{——}{(\cup A_n)}=\cap \bar{A}_n\)

如果$A_1,\cdots,A_n$互不相交,那么有 \(P(\Sigma_{i=1}^nA_i)=\Sigma_{i=1}^nP(A_i)\)


概率的公理化

概率空间有三个基本要素:

  1. 样本空间$\Omega$,是样本点$\omega$的集合。
  2. 事件域$\mathcal{F}$,是$\Omega$中某些满足下列条件的子集的全体组成的集类:
    1. $\Omega \in \mathcal{F}$
    2. 若$A \in \mathcal{F}$,则$\bar{A} \in \mathcal{F}$
    3. 若$A_1,\cdots,A_m,\cdots \in \mathcal{F}$,则$\cup_{n=1}^\infty A_n \in \mathcal{F}$
  3. 概率$P$,是定义在$\mathcal{F}$上的实值集函数:$A \to P(A)$,且满足:
    1. 非负性:$P(A)\geq0$
    2. 规范性:$P(\Omega)=1$
    3. 可列可加性:若${A_i}$是两两互不相容的事件,则 $ P(\Sigma_{i=1}^\infty A_i) = \Sigma_{i=1}^\infty P(A_i) $

定理:如果$A_1,A_2,\cdots$是一系列单调增加的事件序列,具有极限A,那么有

\[P(\lim_{n\to \infty}A_n)=P(A)=\lim_{n\to \infty}P(A_n)\]

Proof:令$B_k=A_k-A_{k-1}$,易得。

所以概率具有连续性。对于单调递减的$A_n$,该定理也成立。

条件概率与独立性

条件概率:

$P(A B)=\frac{P(AB)}{P(B)}$表示在事件$B$发生的情况下事件A发生的概率。

全概率公式:

\[P(B)=\sum_{i=1}^\infty P(A_i)P(B|A_i)\]

其中$\sum_{i=1}^\infty A_i=\Omega$且$P(A_i)>0$。

贝叶斯公式:

\[P(A_i|B)=\frac{P(A_i)P(B|A_i)}{\sum_{i=1}^\infty P(A_i)P(B|A_i)}\]
其中$P(A_i)$为先验概率,$P(A_i B)$为后验概率。

事件独立:

\[P(AB)=P(A)\cdot P(B)\]

\[P(A|B)=P(A)\]

对于多个事件$A_1,\cdots,A_n$的独立性,则需要对所有可能的事件组合,都满足独立的性质:

\[\begin{aligned} \begin{cases} &P(A_iA_j)=P(A_i)P(A_j) \\ &P(A_iA_jA_k)=P(A_i)P(A_j)P(A_k) \\ &\cdots \\ &P(A_iA_j\cdots A_n)=P(A_i)P(A_j)\cdots P(A_n) \end{cases} \\ \forall 1\leq i < j \cdots \leq n \end{aligned}\]

分享到:

Similar Posts

Comments