【概率论基础】Probability | 数学性概率 | 统计性概率 | 几何概率 | 概率论三大公理

简介: 【概率论基础】Probability | 数学性概率 | 统计性概率 | 几何概率 | 概率论三大公理

0x00 概率的定义

概率(probability)

一场概率实验中,某事件发生A的可能性程度,0 和 1 之间表示的实数值,称为概率(probability)。

通常以以下三种方式定义概率:

① 数学性概率(事件概率)

② 统计性概率(事件概率)

③ 公理性概率

数学性概率(mathematical probablity)

假设概率实验中所有的结果都有相同的概率,如将样本空间 中样本点个数标记为 个。 A 中的样本点的数记为 个。

我们称之为 —— 事件A的数学性概率(必须有限)

统计性概率(law of large number)

一场概率实验反复施行 次,发生事件 A 的次数为 时,事件A 称为相对频率(relative frequency):

(事件A发生的次数 / 实验总次数)

缺陷:统计概率因实验次数而异。

大数法则(law of large number)

随着概率试验次数的增加,统计概率愈趋近于数学概率:

 

Example1:

(1)求1次抛硬幣正面朝上(記為H)的概率。
(2)通過抛10000次硬幣獲得如下結果,在此結果的基礎上計算出正面(H)出現的概率。
          10000次,正面5017次,反面4983次

(1)    

           

(2)    

Example2:

投幣三次,是正面的次數 i 為事件 Ai(i=0,1,2,3) 時,求該事件的概率。

     

     

     

     

     

     

     

     

Example3:

连续抛两次骰子,第一次抛时出现的点数是3的倍数记为事件A,
第二次抛时出现的点数是3的倍数时记为事件B。
分别求出 P(A) 和 P(A∩B)

     A =  { (3,1), (3,2), (3,3), (3,4), (3,5), (3,6),

                (6,1), (6,2), (6,3), (6,4), (6,5), (6,6) }

     B =  { (1,3), (1,6), (2,3), (2,6), (3,3), (3,6),

               (4,3), (4,6), (5,3), (5,6), (6,3), (6,6) }

     A ∩ B = { (3,3), (3,6), (6,3), (6,6) }

     

     

0x02 概率的基本性质

理论:

对于下列AB事件,如下性质成立:

①    

②    

③    

④        

⑤    如果 A 和 B 互斥,

⑥    如果

⑥    如果  

对于下列ABC事件 ,以下性质成立:

0x03 概率公理化(axiomatic probability)

标准空间 定义所有事件的汇集 时,

如果集合 上定义的函数

满足以下三大公理

(A1)对于所有

我们所有的研究都是建立在概率是非负数的前提下的

(A2)

所有可能的概率为1

(A3)对于两两互斥事件  

如果事件互斥,它们交的概率为它们各自的概率之和

上定义的 概率函数(probability function)或 概率测度(probability measure)、 为事件A的 概率(probability)。

此时 称作 概率空间(probability space)。

0x04 几何概率(geometric probability)

向某一可度量的区域内投一质点,如果所投的点落在门中任意区域 g 内的可能性大小与 g 的度量成正比,而与 g 的位置和形状无关,则称这个随机试验为几何型随机试验或几何概型,此处的度量就是测度,一维指长度,二维指面积,三维指体积等。

标本空间 为非加算集合时,如果标准空间中的长度、面积和体积是有限的,被给予几何形测度 时,事件A的概率定义如下:

此时 满足概率函数的三大公理 (A1)(A2)(A3)


相关文章
|
4天前
|
算法 Python
R语言随机波动模型SV:马尔可夫蒙特卡罗法MCMC、正则化广义矩估计和准最大似然估计上证指数收益时间序列
R语言随机波动模型SV:马尔可夫蒙特卡罗法MCMC、正则化广义矩估计和准最大似然估计上证指数收益时间序列
|
4天前
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
|
4天前
|
数据可视化
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
|
4天前
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
|
4天前
R语言异方差回归模型建模:用误差方差解释异方差
R语言异方差回归模型建模:用误差方差解释异方差
|
8月前
|
Serverless
第8章 概率统计——8.2 概率密度计算
第8章 概率统计——8.2 概率密度计算
|
8月前
第8章 概率统计——8.3 累积概率分布
第8章 概率统计——8.3 累积概率分布
第8章 概率统计——8.3 累积概率分布
|
存储 BI
概率论和统计学中重要的分布函数
概率论和统计学中重要的分布函数
172 0
概率论和统计学中重要的分布函数
|
11月前
概率论|贝叶斯公式及其推论的理解和运用
概率论|贝叶斯公式及其推论的理解和运用
121 0
|
BI
统计学习--最大似然和贝叶斯估计的联系
概率是已知模型和参数,推数据;统计是已知数据,推模型和参数
89 0
统计学习--最大似然和贝叶斯估计的联系