概率论 02(ZZ)

02 概率公理
出处:http://www.cnblogs.com/vamei

概率论早期用于研究赌博中的概率事件。赌徒对于结果的判断基于直觉,但高明的赌徒尝试从理性的角度来理解。然而,赌博中的一些结果似乎有矛盾。比如掷一个骰子,每个数字出现的概率相等,都是1/6。 然而,如果有两个骰子,那么出现的2到12这些数字的概率却不相同。概率论这门学科正是为了搞清楚这些矛盾背后的原理。

早期的概率论是一门混合了经验的数学学科,并没有严格的用语。因此,概率论在数学的精密架构下,显得有些异类。许多名词,如“概率”等,一定程度上是按照人们的直觉来定义的。1933年,俄国数学家Andrei N. Kolmogorov(安德列·尼古拉耶维奇·柯尔莫哥洛夫)建立了概率论的公理化体系,严格定义了概率论的语言。正如现代数学的其他学科一样,概率论的公理化体系同样基于集合论。公理化的概率论体系基于几条简单易懂的公理,衍生出整个概率论的体系。学习这个公理化的体系,可以消除直觉中的许多混淆。这一公理体系的核心是“概率测度”。

实验与样本空间
任何一个过程,如果它的结果是随机的(无法事前知道),那么该过程就称为一个实验。实验所有可能的结果组成一个集合(set),叫做样本空间(sample space),用Ω表示。我们看下面实验的样本空间:

实验1. 连续掷一个硬币两次:

Ω={ HH,HT,TH,HH }
H 表示正面,T 表示反面。上面括号里包含了所有可能的结果:正正,正反,反正,反反。

实验2. 打印机的队列最多允许10个工作。某时刻的工作数目:

Ω={0,1,2,3,…,9,10}

实验3. 开车经过两个路口,遇到的红绿灯情况:

Ω={rr,rg,ry,gg,gr,gy,yy,yr,yg}
r表示红灯,g表示绿灯,y表示黄灯。

(利用计数原理,我们可以知道所有可能结果的总数为9)

对于概率论来说,集合是“如来佛的手掌心”。事实上,整个现代数学体系都是建立在集合论的基础上。集合本身没有什么神秘的,就是一些元素的集合。数学的关键是不同集合的特性、集合内部的结构和集合之间的关系。看似平常的集合给数学带来许多意想不到的结果。

事件
样本空间包含了概率论研究的基本元素,也就是实验的结果。它们好象化学里的原子(这个比喻好!)。在掷撒子的游戏中,1,2,3,4,5,6,这些结果就构成了我们的原子。然而,就像赌徒只对“大”和“小”感兴趣一样,在许多时候,我们会对分子那样的原子集合更感兴趣。在概率论里,这样的“分子”就是样本空间的子集。样本空间的一个子集,被称为一个事件(event)。比如说,在实验1中,第一次投掷为正面的所有结果构成子集,即一个事件。该事件包含有两个元素:

A={(H,H),(H,T)}
再比如,第二次投掷为正面也构成一个事件,即

B={(H,H),(T,H)}
我们可以将事件理解为一些特定结果的合集。通过事件,我们可以将结果“聚合”,从而在高一层的单位上进行概率研究。

既然事件是样本空间的一个子集,那么事件可以有补集。事件A的补集包含所有不属于A的样本空间元素。

Ac={TH,TT}
该补集代表的事件为: 第一次投掷是反面。

补集

两个集合可以有交集和并集运算。我们以集合A和集合B为例。

C=A∩B
交集C中包含了所有既在A中又在B中的元素。事件C表示第一次为正面且第二次为正面。C={(H,H)}

交集: 交叉阴影区域

D=A∪B
并集D中包含了所有在A中或者在B中的元素。事件D表示第一次为正面或者第二次为正面,D={(H,H),(T,H),(H,T)}

并集: 交叉阴影区域

空集Φ是一个不包含任何元素的集合。如果两个集合的交集为空集,即M∩N=Φ,那么这两个集合不相交。在概率论中,不相交的两个事件互斥。

和加法一样,集合的交并集运算同样有运算法则。这些法则可以如上面那样,画出集合图形,来辅助理解。

交换律

A∪B=B∪A

A∩B=B∩A

结合律

(A∪B)∪C=A∪(B∪C)

(A∩B)∩C=A∩(B∩C)

分配律

(A∪B)∩C=(A∩C)∪(B∩C)

(A∩B)∪C=(A∪C)∩(B∪C)

概率测度
我们上面定义了一些基本用语,即“实验”,“样本空间”,“事件”。我们下面要给“分子”上色:引入概率的概念。我们用函数来给每个事件分配一个概率,即分子和颜色的对应关系。

概率测度是基于样本空间Ω 的一个函数P。这个函数P定义了从样本空间的子集(即事件)到实数的映射,且满足下面的条件:

  1. P(Ω)=1

  2. 如果A?Ω, 那么P(A)≥0

  3. 如果A1和A2不相交,那么

P(A1∪A2)=P(A1)+P(A2)

“概率测度”是一个有些抽象的概念。“测度”这个词是在提示我们概率定义的基础是“测度论”。粗糙的说,“测度论”用于研究一个集合的“大小”或者说“面积”。更严格的说,就像概率一样,“测度”是集合的子集到实数的一个映射。比如一个正方形的面积为6,实际上是说,一个点的集合(正方形)的某个“测度” 为6,即点的集合和实数6对应。“面积”的一个关键特点是可加。比如我们买地的时候,如果两块地不重叠,那么它们的面积总和是两个各自面积的和。概率测度有相同的特点,就是上面的第3点。第1,2两点是概率的基本特征,即所有情况的概率总和为1,而概率值不为负。基于这样一种直观但不严格的类比,我们可以把概率(也就是“概率测度”)想象成“集合的面积”。而“样本空间的总面积为1”。

以上是概率论的公理体系。利用上面的定义以及集合论工具,我们会进一步建立起概率论的体系。但要注意的是,上面公理化的定义,尽管严谨,但并没有说明“概率是什么”,而只是说“概率那个人啊,它应该长的方脸,长鼻子,小眼镜”。这有些像编程中的”duck typing”,也就是根据对象的动作或者特点,来定义对象。即使是今天,概率的本质也存在争议。主流的观点分为两派,即频率观点和贝叶斯观点。在频率观点中,如果我们以相同的条件重复尝试N次,那么如果某个事件出现了n次,那么该事件的概率为P(A)=n/N。在贝叶斯观点中,概率代表了主观上对某一论断的信心。尽管对概率的理解不同,这两个流派都开衍生出了非常有用的工具。

另一方面,定义也没有告诉我们如何确定函数P,即如何计算概率测度。很多时候,函数P的确定依然基于一些假设和一定程度的直觉。比如在等概率条件下,我们利用计数方法,来获得概率。比如一枚硬币出现正反两面的概率相同,结果总数为2,那么P(H)=1/2。这也正是我们第一讲中讲解计数的目的所在。然而在其他情况下,比如不均匀硬币,我们不能简单的用1除以结果总数。我们可以利用频率观点,大量重复实验,来获得P函数。

Python中的集合
集合这一数据结构在多种语言中都有。比如Python中的集合:

复制代码
A = set([1, 2, 3, 4])
B = set([3, 4, 5, 6])

print(A & B) # intersection
print(A | B) # union
print(A – B) # difference, element in A, and not in B
print(A ^ B) # symmetric difference, (A | B) – (A & B)
复制代码
上面实现了集合的运算。

再比如,我们可以用in来判断元素是否属于集合,以及用>, >=, <, <=来判断两个集合的归属关系,比如一个集合是另一个集合的子集。

A = set([1, 2])
B = set([1, 2, 3])

print(1 in A) # element
print(A < B) # subset

set是一个数据容器,len(), max(), min()函数同样可用于set,分别返回集合中元素总数,集合最大值,集合最小值。此外,set还有一些方法,比如下面的增加和删除元素,注意set中不会有重复的元素:

复制代码
A = set([1, 2])

A.add(5) # add an element
print(A)

A.remove(2) # remove an element
print(A)

A.add(1)
print(A) # a set has no repeated elements
复制代码
上面的set中元素都为整数,还可以是其他的任意对象。

练习: 利用Python,验证集合的运算律。

总结
样本空间,事件

互斥事件

概率测度

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注