概率论公理

样本空间和事件

• 对于一个试验，所有可能的结果构成的集合，称为该试验的样本空间，并即为$S$。

• 并：对于一个样本空间$S$的任意两个事件$E$和$F$，事件$E\bigcup F$称为$E$和$F$的并。

• 交：$EF$ 或 $E\bigcap F$，即事件$E$和$F$同时发生

• 若$EF=\emptyset$，称事件 $E$ 和 $F$ 互不相容

• 补： $\overline E$，包含在样本空间但不包含在 $E$ 中的所有结果

• 事件的交、并、补遵循的运算法则：

  • 交换律：$E \bigcup F=F \bigcup E$, $EF=FE$
  • 结合律：$(E \bigcup F) \bigcup G=E \bigcup (F \bigcup G)$, $(EF)G=E(FG)$
  • 分配率：$(E \bigcup F) G=EG \bigcup FG$, $EF \bigcup G=(E \bigcup G)(F \bigcup G)$

• 摩根定律：

  $$\overline{\left(\bigcup_{i=1}^{n}E_{i} \right)} = \bigcap_{i=1}^{n}\overline{E_{i}} \ \overline{\left(\bigcap_{i=1}^{n}E_{i} \right)} = \bigcup_{i=1}^{n}\overline{E_{i}}$$

概率论公理

定义事件E的概率$P(E)$为E发生的次数占试验总次数的比例的极限：

$$P(E)=\lim_{n \to \infty} \frac{n(E)}{n}$$

概率论的三个公理：

• 公理1：

$$0 \leq P(E) \leq 1$$

• 公理2：

$$P(S)=1$$

• 公理3：对任一系列互不相容事件$E_{1}, E_{2}, \dots$，有：

$$P\left(\bigcup_{i=1}^{\infty}E_{i} \right)= \sum_{i=1}^{\infty}P(E_{i})$$

我们把满足以上3条公理的$P(E)$称为事件E的概率

几个简单的命题

• 命题1：
  $$P(\overline E)=1-P(E)$$

• 命题2：
  $$P(E \bigcup F)=P(E)+P(F)-P(EF)$$

• 命题3：

$$P\left(\bigcup_{i=1}^{n}E_{i} \right)= \sum_{r=1}^{n}(-1)^{r+1} \sum_{i_{1}< \dots < i_{r}}P(E_{i_{1}}\dots E_{i_{r}})$$

条件概率和独立性

条件概率

• 假定A发生的情况下B发生的条件概率，即为$P(B|A)$。有如下定义：
  $$P(B|A)=\frac{P(AB)}{P(A)}$$
  将上式同乘$P(A)$，可得：
  $$P(AB)=P(A)P(B|A)$$
  说明A和B同时发生的概率等于A发生的概率乘以在A发生的条件下B发生的概率。推广可得乘法规则：
  $$P(E_{1}E_{2}E_{3}\dots E_{n})=P(E_{1})P(E_{2}|E_{1})P(E_{3}|E_{1}E_{2}) \dots P(E_{n}|E_{1} \dots E_{n-1})$$

• 独立事件：若$P(EF)=P(E)P(F)$，那么 $E$ 和 $F$ 独立。

贝叶斯公式

• 全概率公式：假定$F_{1}, F_{2}, \dots ， F_{n}$是互不相容事件，且$\bigcup_{i=1}^{n}F_{i}=S$，换言之，这些事件中必有一件发生。记$E=\bigcup_{i=1}^{n}EF_{i}$，又由于事实上$EF_{i}$是互不相容的，可以得到如下公式：
  $$P(E)=\sum_{i=1}^{n}P(EF_{i})=\sum_{i}^{n}P(E|F_{i})P(F_{i})$$
  上述公式说明 $P(E)$ 发生的概率等于 $P(E|F_{i})$ 的加权平均，每项的权为 $F_{i}$ 发生的概率。

• 贝叶斯公式：现假设 $E$ 发生了，需要计算$F_{j}$的概率：
  $$P(F_{j}|E)=\frac{P(EF_{j})}{P(E)}=\frac{P(E|F_{j})P(F_{j})}{\sum_{i=1}^{n}P(E|F_{i})P(F_{i})}$$

随机变量

离散型随机变量

若一个随机变量有多个可能的取值，则称这个变量为离散型的。对于随机变量 $X$，有如下定义的函数：

$$F(X)=P \left\{ X \leq x \right\}, – \infty < x < + \infty$$

称为 $X$ 的累计分布函数或分布函数。对于任一给定的实数 $x$，分布函数为改随机变量小于等于 $x$ 的概率。$F(X)$ 是 $x$ 的单调非降函数。

定义 $X$ 的概率分布列为：

$$p(a)=P\{X=1\}$$

分布列最多可在可数个a上去正值。由于X必定取值于$\{x_1, x_2, \dots\}$，所以有$\sum_{i=1}^{\infty}p(x_i)=1$。

离散型随机变量的分布函数$F$可通过分布列$p(a)$进行计算：

$$F(a)=\sum_{x \leq a}p(x)$$

若X是个离散型随机变量，去可能取值为$\{x_1, x_2, \dots | x_1 < x_2 < \dots\}$，则它的分布函数是个阶梯函数。例如如果X的分布列为$P(1)=1/4, P(2)=1/2, P(3)=1/8, P(4)=1/8$，那么其累计分布函数为：

$$F(A) = \begin{cases} 0, & a<1 \\ \frac{1}{4} & 1 \leq a < 2 \\ \frac{3}{4} & 2 \leq a < 3 \\ \frac{7}{8} & 3 \leq a < 4 \\ 1, & 4 \leq a \end{cases}$$

期望

随机变量X的分布列为$p(x)$，那么X的期望为：

$$E[X]=\sum_{x:p(x)>0}xp(x)$$

X的期望就是X的所有可能取值的一个加权平均，每个值得权重就是X取该值的概率。

• 命题1：如果X是一个离散型随机变量，其可能取值为$x_i, i \geq 1$，相应的取值概率为$p(x_i)$，那么对于任一实值函数$g$，都有：
  $$E[g(X)]=\sum_{i} g(x_i)p(x_i)$$

• 推论1：若a和b是常数，则：
  $$E[aX+b]=aE[X]+b$$

• 推论2：对于随机变量$X_1, X_2, \dots, X_n$:
  $$E[\sum_{i=1}^{n}X_{i}] = \sum_{i=1}^{n}E[X_{i}]$$

方差

如果随机变量X的期望为$\mu$，那么X的方差为：

$$Var(X)=E[(X- \mu)^2]$$

方差等于X与它的期望的差的平方的期望，它度量了X可能取值的分散程度。下面是一个有用的恒等式：

$$Var(X)=E[X^2]-(E[X])^2$$

$\sqrt{Var(X)}$称为X的标准差。

连续型随机变量

连续型随机变量

设X是一个随机变量，如果存在一个定义在实数轴上的非负函数$f$，使得对于任一实数集$B$，满足：

$$P{X \in B }=\int_{B}f(x){\rm d}{x}$$

则称X为连续型随机变量，函数$f$为随机变量X的概率密度函数。上式表明了X属于B的概率可由概率密度函数$f(x)$在集合B上的积分得到。例如令$B=[a, b]$，那么可得：

$$P{a \leq X \leq b }=\int_{a}^{b}f(d){\rm d}x$$

若令a=b，则有$P{X=a}=\int_{a}^{a}f(d){\rm d}x=0$。也就是说，连续型随机变量取任何固定值的概率都等于0。因此，对于一个连续型随机变量X，有：

$$P{X < a }=P{X \leq a } = F(a)=\int_{-\infty}^{a}f(x){\rm d}x$$

连续型随机变量的期望和方差

• 定义连续型随机变量的期望为：
  $$E[X]=\int_{-\infty }^{+\infty}xf(x){\rm d}x$$

  • 命题：设X是一个连续型随机变量，其概率密度函数为$f(x)$，那么对于任一实值函数$g$，有：
    $$E[g(X)]=\int_{-\infty }^{+\infty}g(x)f(x){\rm d}x$$

  • 引理：对于一个非负随机变量$Y$，有：
    $$E[Y]=\int_{0}^{+\infty }P{Y>y}{\rm d}y$$

  • 推论：如果a和b都是常数，那么：
    $$E[aX+b]=aE[X]+b$$

$$Var(X)=E[(X- \mu)^2]$$

另一种公式为：

$$Var(X)=E[X^2]-(E[X])^2$$

【未完待续】

参考资料

• 《概率论基础教程（原书第9版）》[美]Sheldon M. Ross