DataWhale概率統(tǒng)計1——隨機事件及隨機變量

1.隨機事件

1.1 基本概念

隨機現(xiàn)象:現(xiàn)實生活中,某件事情在一定條件下,所得結(jié)果不能預(yù)先完全確定,而只能確定是多種可能結(jié)果中的一種,稱這種現(xiàn)象為隨機現(xiàn)象

隨機試驗:使隨機現(xiàn)象得以實現(xiàn)和對它觀察的全過程,記為E,且滿足以下三個條件:

? 1.可以在相同條件下重復(fù)進行;

? 2.結(jié)果有多種可能性,并且所有可能結(jié)果事先已知;

? 3.作一次試驗究竟哪個結(jié)果出現(xiàn),事先不能確定。

樣本空間:隨機試驗的所有可能結(jié)果組成的集合,記為Ω。

樣本點:試驗的每一個可能結(jié)果,記為ω。

隨機事件:樣本空間Ω中滿足一定條件的子集,用大寫字母A,B,C....表示。另,隨機事件在實驗中可能出現(xiàn)也可能不出現(xiàn)。

必然事件:在試驗中,稱一個事件發(fā)生是指構(gòu)成該事件的一個樣本點出現(xiàn)。由于樣本空間Ω包含了所有的樣本點,所以在每次試驗中,它總是發(fā)生,因此稱Ω為必然事件。

不可能事件:空集\phi 不含任何樣本點,且每次試驗中總不發(fā)生,稱為不可能事件。

1.2概率

1.2.1定義:

隨機試驗E的樣本空間為Ω,對于每個事件A,定義一個實數(shù)P(A)與之對應(yīng),若函數(shù)P(.)滿足條件:

1.對每個事件A,均有0<P(A)<=1;

2.P(Ω)=1;

3.若事件A1,A2,A3,...兩兩互斥,即對于i, j = 1,2,.... i≠j,?A_{i}\cap A_{j} = \phi  ,均有P(A_{1}\cup A_{2}\cup ...) = P(A_{1}) + P(A_{2})+...,則稱P(A)為事件A的概率。

1.2.2主要性質(zhì)

1.對于任一事件A,均有P(\bar{A} ) = 1-P(A).

2.對于兩個事件A和B,若A\subset B,則有P(B-A) = P(B)-P(A), P(B) > P(A).

3.對于任一兩個事件A和B,有?P(A\cup B) = P(A) + P(B) - P(A\cap B).

1.3古典概型

我們將擲骰子游戲進行推廣,設(shè)隨機事件E的樣本空間中只有有限個樣本,即\Omega =\{{\omega_{1},\omega_{2},...,\omega_{n}}\},其中,n為樣本點的總數(shù)。每個樣本點出現(xiàn)是等可能的并且每次試驗有且僅有一個樣本點發(fā)生,則稱這類現(xiàn)象為古典概型。若事件A包含m個樣本點,則事件A的概率定義為:

1.4條件概率

定義:設(shè)A和B是兩個事件,且P(B)>0,稱P(A\vert B) = \frac{P(AB)}{P(B)} 為在事件B發(fā)生的條件下,事件A發(fā)生的概率。

1.5全概率公式和貝葉斯公式

1.全概率公式:設(shè)B_{1} ,B_{2},...是樣本空間Ω的一個劃分,A為任意事件,則

P(A) =\sum\nolimits_{i=1}^\propto  P(B_{i})P(A|B_{i})

稱為全概率公式

2.貝葉斯公式:設(shè)B_{1},B_{2},... 是樣本空間Ω的一個劃分,則對任意事件A(P(A)>0)有

P(B_{i}|A) = \frac{P(B_{i}A)}{P(A)} = \frac{P(A|B_{i})P(B{i})}{\sum\nolimits_{i=1}^\propto P(B_{i})P(A|B_{i}) }  ?i = 1,2,...


?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成,瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點,簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。

友情鏈接更多精彩內(nèi)容