概率(Probability)的定义和性质

描述性定义:在相同的条件下,独立重复地做NNN次试验,当试验次数NNN很大时,如果事件AAA发生的频率fN(A)fN(A)f_N(A)稳定地在[0,1][0,1][0,1]内的某一个数值ppp,而且一般来说随着试验次数的增多,这种摆动的幅度会越来越小,则称数值ppp为事件AAA发生的概率,记为P(A)=pP(A)=pP(A)=p…

大家好,又见面了,我是你们的朋友全栈君。

概率的定义:

描述性定义:
在相同的条件下,独立重复地做 N N N次试验,当试验次数 N N N很大时,如果事件 A A A发生的频率 f N ( A ) f_N(A) fN(A)稳定地在 [ 0 , 1 ] [0,1] [0,1]内的某一个数值 p p p,而且一般来说随着试验次数的增多,这种摆动的幅度会越来越小,则称数值 p p p为事件 A A A发生的概率,记为 P ( A ) = p P(A)=p P(A)=p

公理化定义:
E E E为随机试验, Ω \Omega Ω是它的样本空间,对于 E E E的每一个事件 A A A赋予一个实数,记为 P ( A ) P(A) P(A),如果集合函数 P ( ⋅ ) P(·) P()满足下列条件:
(1)非负性:对于每一个事件 A A A P ( A ) ⩾ 0 P(A)\geqslant 0 P(A)0
(2)规范性: P ( Ω ) = 1 P(\Omega) = 1 P(Ω)=1
(3)可列可加性:对于两两互斥的事件 A 1 , A 2 , . . . , A i , . . . , A j , . . . , A n A_1,A_2,…,A_i,…,A_j,…,A_n A1,A2,...,Ai,...,Aj,...,An,即 A i A j = ϕ ( i ≠ j ) A_iA_j = \phi(i \neq j) AiAj=ϕ(i̸=j)有: P ( ⋃ n = 1 ∞ A n ) = ∑ n = 1 ∞ P ( A n ) P(\bigcup_{n=1}^{\infty}A_n) = \sum_{n=1}^{\infty}P(A_n) P(n=1An)=n=1P(An)则称实数 P ( A ) P(A) P(A)为事件 A A A的概率。

概率的性质:

性质1:
不可能事件 ϕ \phi ϕ的概率为0,即 P ( ϕ ) = 0 P(\phi)=0 P(ϕ)=0

性质2:
有限可加性,若 A 1 , A 2 , . . . , A i , . . . , A j , . . . , A n A_1,A_2,…,A_i,…,A_j,…,A_n A1,A2,...,Ai,...,Aj,...,An为两两互斥事件,即 A i A j = ϕ ( i ≠ j ) A_iA_j=\phi(i \neq j) AiAj=ϕ(i̸=j),则有 P ( ⋃ i = 1 n A i ) = ∑ i = 1 n P ( A i ) P(\bigcup_{i=1}^{n}A_i) = \sum_{i=1}^{n}P(A_i) P(i=1nAi)=i=1nP(Ai)

性质3:
A A A B B B是两个事件, P ( B − A ) = P ( B ) − P ( B A ) P(B-A) = P(B) – P(BA) P(BA)=P(B)P(BA);特别的,若 A ⊂ B A \subset B AB,则:
(1) P ( B − A ) = P ( B ) − P ( A ) P(B-A)=P(B) – P(A) P(BA)=P(B)P(A),
(2) P ( B ) ⩾ P ( A ) P(B) \geqslant P(A) P(B)P(A)

性质4:
对于任一事件 A A A,有 P ( A ) ⩽ 1 P(A) \leqslant 1 P(A)1

性质5:
对于任一事件 A A A,有 P ( A ‾ ) = 1 − P ( A ) P(\overline A) = 1-P(A) P(A)=1P(A)

性质6:
对于任意两个事件 A A A B B B P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A B ) P(A\cup B) = P(A) + P(B) – P(AB) P(AB)=P(A)+P(B)P(AB);特别地,若 A A A B B B互斥,则有 P ( A ∪ B ) = P ( A ) + P ( B ) P(A\cup B) = P(A) + P(B) P(AB)=P(A)+P(B)
上述公式通常称为概率加法公式: P ( ⋃ i = 1 n A i ) = ∑ i = 1 n P ( A i ) − ∑ 1 ⩽ i &lt; j ⩽ n P ( A i A j ) + ∑ 1 ⩽ i &lt; j &lt; k ⩽ n P ( A i A j A k ) + . . . + ( − 1 ) n − 1 P ( A i A j . . . A n ) P(\bigcup_{i=1}^{n}A_i) = \sum_{i=1}^{n}P(A_i)-\sum_{1\leqslant i &lt; j \leqslant n}P(A_iA_j)+\sum_{1\leqslant i &lt; j &lt;k \leqslant n}P(A_iA_jA_k)+…+(-1)^{n-1}P(A_iA_j…A_n) P(i=1nAi)=i=1nP(Ai)1i<jnP(AiAj)+1i<j<knP(AiAjAk)+...+(1)n1P(AiAj...An)

重要的概率关系公式:

事件独立性:
事件相互独立,即多个事件的发生相互之间没有影响,或不提供任何信息引起其他事件的发生。若 A A A B B B两事件相互独立,则有 P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
德摩根定律:
两个集合的交集的补集等于它们各自补集的并集:
A B ‾ = A ‾ ∪ B ‾ \overline{AB}=\overline A \cup \overline B AB=AB两个集合的并集的补集等于它们各自补集的交集 A ∪ B ‾ = A ‾ ∩ B ‾ \overline {A \cup B}=\overline A \cap \overline B AB=AB
概率的性质三:
P ( A − B ) = P ( A ) − P ( A B ) P(A-B) = P(A) – P(AB) P(AB)=P(A)P(AB) B ⊂ A B \subset A BA,则:
P ( A − B ) = P ( A ) − P ( B ) P(A-B)=P(A) – P(B) P(AB)=P(A)P(B)
概率的性质五:
对于任一事件 A A A,有 P ( A ‾ ) = 1 − P ( A ) P(\overline A) = 1-P(A) P(A)=1P(A)
概率加法公式(概率的性质六):
P ( A ∪ B ) = P ( A ) + P ( B ) − P ( A B ) P(A\cup B) = P(A) + P(B) – P(AB) P(AB)=P(A)+P(B)P(AB) A A A B B B互斥,则: P ( A ∪ B ) = P ( A ) + P ( B ) P(A\cup B) = P(A) + P(B) P(AB)=P(A)+P(B)
条件概率:
求事件 B B B已发生的条件下事件 A A A发生条件概率,即: P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac{P(AB)}{P(B)} P(AB)=P(B)P(AB)
乘法公式:
求几个事件同时发生的概率,即: P ( A 1 A 2 . . . A n ) = P ( A 1 ) P ( A 2 ∣ A 1 ) P ( A 3 ∣ A 1 A 2 ) . . . P ( A n ∣ A 1 . . . A n − 1 ) P(A_1A_2…A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1A_2)…P(A_n|A_1…A_{n-1}) P(A1A2...An)=P(A1)P(A2A1)P(A3A1A2)...P(AnA1...An1)例如,若有 A A A B B B两随机事件,则 A A A B B B同时发生的概率为: P ( A B ) = P ( A ) P ( B ∣ A ) P(AB)=P(A)P(B|A) P(AB)=P(A)P(BA)
全概率公式:
某一事件 B B B发生是由各种原因 A i , ( i = 1 , 2 , . . . , n ) A_i,(i=1,2,…,n) Ai,(i=1,2,...,n)引起的,则 B B B发生的概率与 P ( B A i ) , ( i = 1 , 2 , . . . , n ) P(BA_i),(i=1,2,…,n) P(BAi),(i=1,2,...,n)有关,且等于他们的总和,即 P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B)=\sum_{i=1}^{n}P(A_i)P(B|A_i) P(B)=i=1nP(Ai)P(BAi)
贝叶斯公式(逆全概率公式):
当结果 B B B发生时,它是由原因 A i A_i Ai引起的可能性的大小,即要计算事件 A i A_i Ai在事件 B B B已发生的条件下的条件概率为: P ( A i ∣ B ) = P ( A i ) P ( B ∣ A i ) ∑ j = 1 n P ( A j ) P ( B ∣ A j ) P(A_i|B)=\frac{P(A_i)P(B|A_i)}{\sum_{j=1}^{n}P(A_j)P(B|A_j)} P(AiB)=j=1nP(Aj)P(BAj)P(Ai)P(BAi)

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/125270.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • Vue中 $attrs、$listeners 详解及使用

    Vue中 $attrs、$listeners 详解及使用1.前言多级组件嵌套需要传递数据时,通常使用的方法是通过vuex。如果仅仅是传递数据,而不做中间处理,使用vuex处理,未免有点杀鸡用牛刀。Vue2.4版本提供了另一种方法,使用v-bind=”$attrs”,将父组件中不被认为props特性绑定的属性传入子组件中,通常配合interitAttrs选项一起使用。之所以要提到这两个属性,是因为两者的出现使得组件之间跨组件的通信在不依赖vuex和事件总线的情况下变得简洁,业务清晰。首先分析以下应用场景A组件与B组件

    2022年10月18日
  • html 图像处理 灰度图和浮雕图类PS

    html 图像处理 灰度图和浮雕图类PS浮雕图,灰度图,用html5canvas处理,类PS风格

  • java初学者教程

    前言:随着互联网的飞速发展,越来越多的人选择互联网行业,那么java也就成了其中之一的选择,而且选择java的人还挺多,为什么呢?容易入门,好找工作,工资相对还可以.那么相对应的市场上培训java的就很多了,各种培训机构,自学网站,学习平台,我们应该怎么选择呢,下面我就给大家介绍一个:HOW2J,目录一:介绍二:模块化教学三:工具材料代码可直接下载…

  • Android获取分辨率和像素密度「建议收藏」

    Android获取分辨率和像素密度「建议收藏」看了网上好多的代码说是获取的分辨率其实得到的是屏幕的宽和高。1.如何获取分辨率和像素密度2..实现代码如下 DisplayMetricslocalDisplayMetrics=newDisplayMetrics(); try{ DisplaylocalDisplay=getWindow().getWindowManager().getDefaultDispl

  • AEJoy —— 介绍神奇的 10 个 AE 表达式附带 2 种简单的调试方法

    对于那些不熟悉AE的人来讲很快那么AE表达式是什么呢?AE表达式是一个基于Javascript编程语言的代码,您可以通过按Alt+左键点击小码表来插入到AE中。如图所示AE表达式非常强大,可以非常方便地制作酷炫的运动图形特效。它令人惊奇的地方是,仅仅需要少许的编程代码,它可以就可以帮助您的动画生动地运动起来。AE表达式可以显著改善您的工作流程,当您创建一个拥有复杂代码的动画时,甚至可以真切地实现惊人的动态图形特效。弹性表达式弹性表达式…

  • R-L模型算法的优缺点_风筝模型公式

    R-L模型算法的优缺点_风筝模型公式介绍Logistic回归算法,名字虽带有回归,但其实是一个分类模型。输出Y=1的对数几率是由输入x的线性函数表示的模型,直接对分类的可能性进行建模,并不是直接对分类的结果(0或者1)进行建模:假设一个样本属于正样本的概率为p,则:LR模型是在线性回归的基础上,把特征进行线性组合,再把组合的结果通过一层sigmoid函数映射成结果是1或是0的概率。逻辑斯蒂回归模型的特点:…

    2022年10月13日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号