概率论快速学习02：概率公理

摘要: 作者：Vamei 出处：http://www.cnblogs.com/vamei 欢迎转载，也请保留这段声明。谢谢！

前言

　　系列文章：[传送门]

　　期末考试复习，就准备这系列的博客，记录概率论复习的成果。

正文

　　内容来自概率论相关书籍及资料，有疑问请留言。　

随机试验 · 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随机试验（E）。具有三个性质：

　　　　(1)每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果。

　　　　(2)进行一次试验之前无法确定哪一个结果会出现。

　　　　(3) 可以在同一条件下重复进行试验。

　　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S表示。

举个例子

　　连续掷一个硬币两次:

S={HH,HT,TH,TT}

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。

　　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。

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:

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)

#实现了集合的运算。

　　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:

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

#set中元素都为整数，还可以是其他的任意对象。

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。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 \cap 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 \cup 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 \cup B = B \cup A

A \cap B = B \cap A

结合律

(A \cup B) \cup C = A \cup (B \cup C)

(A \cap B) \cap C = A \cap (B \cap C)

分配律

(A \cup B) \cap C = (A \cap C) \cup (B \cap C)

(A \cap B) \cup C = (A \cup C) \cap (B \cup C)

概率测度

　　我们上面定义了一些基本用语，即“试验”，“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S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(S)=1

2. 如果A⊂S, 那么P(A)≥0

3. 如果A1和A2不相交，那么

P (A 1 \cup A 2) = P (A 1) + P (A 2)

　　“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。

总结

　　　　样本空间，事件

　　　 互斥事件

　　　 概率测度

　　（生活离不开寻找数学，你说呢？）

感谢及资源共享

　　　　路上走来一步一个脚印，希望大家和我一起。

　　　　感谢读者！很喜欢你们给我的支持。如果支持，点个赞。

　　　　知识来源：　概率论等书和 python api