← COMP5511 全部讲次
L03a-1 · 第 3 周

L03a-1 概率是什么:从抛硬币、掷骰子到三条公理

从集合讲起,弄清结果、事件、样本空间分别是什么,再看概率的频率定义、三条公理和随机变量。后面的条件概率和贝叶斯全建在这一页上。

一句话版

概率是给「一件事有多大可能发生」配一个 0 到 1 之间的数。要配得有道理,先得说清楚三样东西:所有可能的结果(样本空间 S)、你关心的那一类结果(事件 E)、给事件打分的规则(概率 P)。

这一页从集合讲起,把这三样东西搭起来。条件概率、贝叶斯公式和信念网络都在后面几页,它们用到的每个记号都在这里定义。

先认识这几个词

词 全称 / 读法 一句人话
样本空间 S sample space 一次试验所有可能结果放在一起
结果 outcome 试验做完后实际出现的那一个情况
事件 E event 一组结果,也就是 S 的一个子集
P(E) 读「E 的概率」 给事件 E 打的分,在 0 到 1 之间
E^c complement,读「E 补」 E 不发生
EF 课件对交集的写法 E 和 F 同时发生,不是乘法
随机变量 X random variable 给每个结果贴一个数字的函数

一个类比:一只装满彩球的抽奖箱

箱子里每只球就是一个可能的结果,整箱球就是样本空间。你说「抽到红球就算中奖」,红球那一堆就是一个事件。中奖的概率,就是红球在整箱里占的份额。

份额有三条天然的规矩。份额不会是负数,也不会超过整箱。整箱球的份额加起来是 1。红球和蓝球没有重叠,所以「抽到红或蓝」的份额就是两者相加。这三条正是后面要讲的概率三条公理。

类比在哪里失效:

  • 箱子里的球大小一样,每只被抽中的机会相同。真实问题里结果不一定等可能,比如一颗灌了铅的骰子,这时就不能靠数个数算份额。
  • 球总能一只只数完。有些样本空间数不完,比如明天的气温可以是任何一个实数,这时只能谈一段区间的概率。

从零讲起

1. 先补一块:集合(补充)

它解决什么问题

概率要给「事件」打分,而事件就是一组结果。所以先要会描述「一组东西」,以及两组东西之间怎么取补、合并、取共同部分。集合就是干这个的。

直觉

集合就是一个装东西的袋子,袋子里每样东西只算一次,不讲先后顺序。{1, 3, 4} 和 {4, 1, 3} 是同一个集合。

两个袋子之间最常用四种关系:袋子外面的东西(补集),两个袋子倒在一起(并集),两个袋子都有的东西(交集),一个袋子整个装在另一个里(子集)。

一步一步看

目标:用一颗骰子的 E 和 F 依次取补集、并集、交集,再判断子集,把四种集合操作各做一遍。

拿掷骰子举例,S = {1, 2, 3, 4, 5, 6},E = {1, 3, 4},F = {3, 4, 5}。

  1. 补集 E^c:S 里不在 E 的,是 {2, 5, 6}。

  2. 并集 E∪F:在 E 或在 F 的,是 {1, 3, 4, 5}。

  3. 交集 EF:同时在 E 和 F 的,是 {3, 4}。

  4. 子集:{3, 4} 的每个元素都在 E 里,所以 {3, 4} ⊂ E。

    四个小面板分别画补集、并集、交集和子集。补集是方框里圆外的灰底部分;并集是两个圆合起来的灰底;交集 EF 只有两圆重叠处是灰底,标题用青绿标出;子集是小圆 E 整个落在大圆 F 里

怎么判断

看到一个记号,先问它要的是哪一部分结果:

  • 带 ^c 的,要的是「不在里面」的那部分。
  • 带 ∪ 的,要的是「至少在一个里面」的。
  • 字母挨着写,比如 EF、ETCL,要的是「全部同时成立」的那部分。
  • 带 ⊂ 的不是一个新集合,它是一句判断:左边那组整个装在右边那组里。

常见误解

把 EF 读成 E 乘 F

课件用两个字母挨着写来表示交集,EF 就是标准集合论里的 E ∩ F。后面信念网络那几页会出现 P(ETCL) 这种写法,四个字母挨着,意思是四件事同时发生。概率里确实有「相乘」的时候,但那是 P(E)P(F),两个括号分开写。

以为并集就是把两个集合的元素个数相加

两个集合有共同元素时,直接相加会把共同部分数两次。E = {1, 3, 4} 和 F = {3, 4, 5} 各有 3 个元素,并集只有 4 个,因为 3 和 4 被重复算了。

试一下

S = {1, 2, 3, 4, 5, 6},A = {2, 4, 6},B = {4, 5, 6}。写出 A^c、A∪B、AB。

A^c = {1, 3, 5};A∪B = {2, 4, 5, 6};AB = {4, 6}。

2. 概率是什么

它解决什么问题

日常说「很可能」「不太可能」,没法拿来计算。要让机器推理,得把「可能性」变成一个确定的数,而且这个数要有一个大家都认的来源。

从哪来(补充)

课件用的是频率定义,它背后靠的是大数定律。这条定律的一个特殊形式最早由 Jacob Bernoulli 证明,收在他 1713 年出版的 Ars Conjectandi 里,他自己叫它「黄金定理」。「大数定律」这个名字是 Poisson 在 1837 年起的。

出处:Wikipedia: Law of large numbers

直觉

一枚硬币抛 10 次,正面可能出现 7 次,也可能 3 次,波动很大。抛一万次,正面的比例会非常接近一半。

次数越多,比例晃得越小,最后稳在某个值附近。这个稳下来的值,就叫这件事的概率。

一步一步看

目标:把抛硬币的次数从 10 加到 10000,看正面频率怎样一步步贴近 0.5。

下面是一组示意数字,演示频率怎样随次数稳定。自己抛的话,每次的数会不一样,但「越来越稳」这个趋势不会变。

  1. 抛 10 次,正面 7 次,频率 7/10 = 0.7,离 0.5 还远。
  2. 抛 100 次,正面 46 次,频率 0.46,近了一些。
  3. 抛 1000 次,正面 508 次,频率 0.508。
  4. 抛 10000 次,正面 4993 次,频率 0.4993,已经贴着 0.5。
抛的次数 N 正面次数 n 频率 n/N 离 0.5 差多少
10 7 0.7 0.2
100 46 0.46 0.04
1000 508 0.508 0.008
10000 4993 0.4993 0.0007

怎么算

设做了 N 次试验,事件 A 出现了 n 次:

f_N = n / N

意思是:频率就是「出现的次数」除以「试验的总次数」。

当 N 足够大时,f_N 会稳定在某个数 p 附近,就定义 P(A) = p。抛公平硬币,正面朝上的概率 p = 0.5。

这个定义有个毛病:「稳定在某个数附近」要先有概率才能说清楚,用它反过来定义概率是循环的。所以数学上真正的定义是第 4 个概念里的三条公理,频率定义用来建立直觉。

常见误解

以为连续出了 5 次反面,下一次更可能出正面

每次抛硬币互不影响,下一次正面的概率仍是 0.5。大数定律说的是次数很多时比例会靠近 0.5,它不会去「补偿」前面少出的正面。前面那几次的偏差,是被后面成千上万次稀释掉的。

以为频率就是概率

频率是做完试验数出来的,每做一批都可能不同。概率是一个固定的数,频率在次数很多时会靠近它。抛 10 次得到 0.7,不能说这枚硬币正面的概率是 0.7。

试一下

一个人掷了 600 次骰子,「6 点」出现了 103 次。频率是多少?据此说这颗骰子不公平,有道理吗?

频率 103/600 ≈ 0.172。公平骰子是 1/6 ≈ 0.167,差得很少,600 次里这点偏差完全正常,不能据此说骰子不公平。

3. 样本空间与事件

它解决什么问题

要算「骰子停在 1、3 或 4」的概率,先得说清楚:一共有哪些可能的结果?我关心的是其中哪几个?前者是样本空间,后者是事件。

直觉

样本空间是一张「所有可能」的清单。事件是在清单上用笔圈出几项。

一次试验做完,只会出现清单上的一个结果。被圈出的项里有它,就说这个事件发生了。

一步一步看

目标:先列出骰子的样本空间再圈出事件,看「停在 1、3 或 4」的概率怎样数成 1/2。

掷一颗公平的骰子,求停在 1、3 或 4 的概率。

  1. 列出所有可能的结果。骰子有 6 个面,S = {1, 2, 3, 4, 5, 6}。

    第 1 步:六个方格写着 1 到 6,全部是黑色描边,下方注明每个结果的机会一样大,各占 1/6

  2. 圈出关心的结果。E = {1, 3, 4},是 S 的一个子集。

    第 2 步:1、3、4 三个方格改成青绿粗描边,表示被圈进事件 E,下方注明 E 里装了 3 个结果

  3. 每个结果概率是 1/6,E 里有三个,加起来 1/6 + 1/6 + 1/6 = 3/6 = 1/2。

    第 3 步:1、3、4 保持青绿,2、5、6 变成灰底,下方写 E 里 3 个除以 S 里 6 个等于二分之一,并提醒只在等可能时才能这样数

怎么算

结果等可能时:

P(E) = E 里的结果个数 / S 里的结果个数

意思是:每个结果分到同样大的一份,事件拿到几份就是几份。

结果不等可能时,这个除法不能用,要把 E 里每个结果各自的概率加起来:

P(E) = Σ(E 里每个结果的概率)

常见误解

把结果和事件混成一回事

抛一枚硬币,S = {H, T}。H 是一个结果,{H} 才是事件,也就是「只含 H 这一个结果的集合」。概率是给事件打分的,所以严格写法是 P({H}),平时简写成 P(H)。写集合的时候别把大括号丢了。

以为样本空间一定数得完

掷骰子的 S 有 6 个元素。「随便挑一个整数」的 S 是全体整数,无穷多但能一个个排下去。「明天香港的气温」的 S 可以取全体实数,连排都排不下去。后两种情况,单个结果的概率常常是 0,只能谈一段范围的概率。

试一下

同时抛两枚硬币,写出样本空间。「至少一个正面」这个事件包含哪几个结果?概率是多少?

S = {HH, HT, TH, TT},四个结果等可能。至少一个正面 = {HH, HT, TH},概率 3/4。

4. 三条公理

它解决什么问题

频率定义有循环的毛病,「数个数」又只适合等可能。需要一套不依赖具体试验的规则:不管你怎么给事件打分,只要满足这几条,就是合法的概率。

从哪来(补充)

这三条公理是 Andrey Kolmogorov 在 1933 年提出的,所以也叫 Kolmogorov 公理。它的思路是不去回答「概率到底是什么」,只规定概率必须守哪几条规矩。

出处:Wikipedia: Probability axioms

直觉

回到抽奖箱的份额:份额在 0 和 1 之间;整箱的份额是 1;互不重叠的几堆,合起来的份额等于各自相加。

第三条是计算的引擎。后面所有「拆成几块分别算、再加起来」的做法,靠的都是它。

一步一步看

目标:用掷骰子逐条验三条公理,再看两个事件有交集时为什么要减掉重复的那一块。

用掷骰子把三条公理逐条验一遍,最后看有交集时怎么办。

  1. 第一条,每个事件的概率在 0 和 1 之间。P({1, 3, 4}) = 1/2,在范围内。
  2. 第二条,整个样本空间的概率是 1。六个面各 1/6,加起来正好 1。
  3. 第三条,互斥事件可加。{1} 和 {3, 4} 没有共同元素,P({1, 3, 4}) = P({1}) + P({3, 4}) = 1/6 + 2/6 = 1/2,和直接数的一样。
  4. 有交集时不能直接加。E = {1, 3, 4},F = {3, 4, 5},交集 {3, 4} 被两边各算了一次,要减掉一次。
量 结果 概率
P(E) {1, 3, 4} 3/6
P(F) {3, 4, 5} 3/6
P(EF) {3, 4} 2/6
P(E) + P(F) 直接相加 6/6,多算了
P(E) + P(F) − P(EF) 减掉重复的交集 4/6
P(E∪F) {1, 3, 4, 5},直接数 4/6,对上了

怎么算

概率函数 P 给每个事件 E ⊂ S 一个实数,必须满足:

  • 0 ≤ P(E) ≤ 1
  • P(S) = 1
  • 若 E₁, E₂, …, E_n 两两互斥,则 P(E₁ ∪ E₂ ∪ … ∪ E_n) = P(E₁) + P(E₂) + … + P(E_n)

意思是:分数有上下限,满分给整个样本空间,不重叠的部分可以直接相加。

有交集时,用容斥公式:

P(E ∪ F) = P(E) + P(F) − P(EF)

意思是:两块相加时交集被算了两次,减掉一次就对了。

还有一个常用推论。E 和 E^c 互斥,并起来是 S,由第二、三条得 P(E) + P(E^c) = 1,所以 P(E^c) = 1 − P(E)。

常见误解

任何两个事件的概率都能直接相加

第三条只对互斥事件成立。有交集时直接相加会多算一次交集,结果甚至可能超过 1。题目问「至少一个发生」,先看两件事能不能同时发生;能,就要用容斥公式减掉交集。

试一下

P(E) = 0.5,P(F) = 0.4,P(EF) = 0.2。求 P(E∪F) 和 P(E^c)。

P(E∪F) = 0.5 + 0.4 − 0.2 = 0.7。P(E^c) = 1 − 0.5 = 0.5。

5. 随机变量与概率分布

它解决什么问题

结果常常是一串符号,比如抛三次硬币得到 HTH。算法没法直接拿符号做加减。随机变量给每个结果贴一个数,后面画分布、做统计、喂给机器学习,全靠这一步。

直觉

随机变量就是一台贴标签的机器:输入一个结果,输出一个数。抛三次硬币,数一数有几个正面,HTH 贴上 2,TTT 贴上 0。

贴完以后,同一个数的结果自动归成一组。每组的概率,就是这个数出现的概率。所有数和它们的概率列在一起,叫概率分布。

一步一步看

目标:给抛三次硬币的 8 个结果贴上正面个数,看它们怎样分组,画成高 1/8、3/8、3/8、1/8 的分布。

一枚公平硬币抛三次,X = 正面的个数。

  1. 列出 S:每次有 H、T 两种,三次一共 2 × 2 × 2 = 8 个结果,从 HHH 到 TTT,每个概率 1/8。

  2. 给每个结果贴数:HHH 贴 3;HHT、HTH、THH 贴 2;HTT、THT、TTH 贴 1;TTT 贴 0。

  3. 按贴的数分组,每组数一数有几个结果,再乘 1/8。

  4. 画成柱状图,四根柱子高 1/8、3/8、3/8、1/8,加起来等于 1。

    上半部分把 8 个结果按正面个数分成四列:TTT 一列,HTT、THT、TTH 一列,HHT、HTH、THH 一列并用青绿标出,HHH 一列;下半部分四根柱子高度依次是 1/8、3/8、3/8、1/8,底下标 X 等于 0 到 3

怎么判断

拿到一个「函数」,判断它算不算随机变量,问两句:

  • S 里每个结果都有数吗?漏掉一个就不算。
  • 每个结果只对应一个数吗?一个结果贴两个数也不算。

拿到一张概率分布表,判断它合不合法,也问两句:

  • 每一项都在 0 到 1 之间吗?
  • 全部加起来等于 1 吗?

常见误解

以为概率为 0 的那一项可以从表里删掉

香港天气的分布表里,下雪的概率写的是 0,但这一行要留着。下雪仍在样本空间里,只是概率为零。在气温这种实数样本空间里更明显:气温恰好等于某一个精确值的概率是 0,可它确实会发生。

以为随机变量是一个「随机的数」

随机变量本身是一个确定的函数,规则是死的,比如「数正面个数」。随机的是试验结果,结果一变,贴上去的数跟着变。

试一下

同时掷两颗骰子,Y = 两颗点数之和。Y = 2 和 Y = 7 的概率各是多少?

两颗骰子共 6 × 6 = 36 个等可能结果。Y = 2 只有 (1,1),概率 1/36。Y = 7 有 (1,6)(2,5)(3,4)(4,3)(5,2)(6,1) 六个,概率 6/36 = 1/6。

把它们串起来

概率的整套语言就三样东西。样本空间列出所有可能,事件圈出关心的那几项,概率函数给事件打分。

打分的规矩是三条公理。分数在 0 到 1 之间,满分给整个样本空间,互斥的事件分数可加。频率定义告诉你这个分数在现实里怎么估,公理告诉你这个分数在数学上必须守什么规矩。

集合运算是这套语言的语法。补集、并集、交集让你能从简单事件拼出复杂事件,再用公理算它们的概率。有交集时,容斥公式负责把重复算的那块减掉。

随机变量把结果变成数,概率分布把每个数的概率列成一张表。一张合法的分布表,就是三条公理在具体问题上的样子。

下一页往里加一个新条件:已经知道某件事发生了,其他事件的概率要怎么改。

课件里的坑

  • [课件有误] p.11 图左下角写着 S = {H, T},和图里画的 8 个结果对不上 → 前者是单次抛掷的样本空间,后者是三次抛掷的(2³ = 8 个结果),按图里的 8 个点理解(p.11)
  • [课件留白] p.10 的可加性只对互斥事件成立,课件没写有交集时的容斥公式 P(E ∪ F) = P(E) + P(F) − P(EF),考「至少一个发生」的题要用,自己补上(p.10)
  • [定义顺序] p.5 先给频率定义,p.10 才给公理。频率定义靠大数定律,而大数定律要先有概率才能证明,严格说是循环的;答题按课件写频率定义即可,但要知道 p.10 才是真正的定义(p.5、p.10)
  • [记号] p.8 的 EF 就是交集 E ∩ F,后面 p.12、p.15 和信念网络那几页全用这个写法(p.8)

课后 10 分钟:考点复习

这 10 分钟怎么用:合上页面,先默写三条公理,第三条要写出「两两互斥」这个前提;再用 E = {1, 3, 4}、F = {3, 4, 5} 自己算一遍 P(E∪F),验证容斥公式;然后过一遍课件例题,三枚硬币的分布要能不看图写出来;最后回查两个最容易错的地方:EF 是交集不是乘法,概率为 0 不等于不可能。

必背

  1. 概率的频率定义:做 N 次试验、事件出现 n 次,频率 f_N = n/N 在 N 足够大时稳定下来的那个值就是概率,依据是大数定律。
  2. 结果是样本空间 S 里的一个元素,事件是结果的集合(S 的子集);H 是结果,{H} 才是事件。
  3. 课件用 EF 表示交集(同时发生),看到几个大写字母连在一起一律读成「同时」。
  4. 概率的真正定义是三条公理:0 ≤ P(E) ≤ 1、P(S) = 1、互斥事件可加;可加性只对互斥成立。
  5. 有交集时用容斥:P(E ∪ F) = P(E) + P(F) − P(EF),减掉被数了两次的交集。
  6. 随机变量是给每个结果贴一个数的函数,必须对每个结果都有定义且只贴一个数;抛三次硬币的正面个数分布是 1/8、3/8、3/8、1/8。
  7. 合法的概率分布要每项在 0 到 1 之间、全部加起来等于 1;概率为 0 不等于不可能。

课件例题

例 1(课件 p.6):抛一枚硬币的样本空间是什么?

题面:抛一枚公平硬币,写出样本空间和每个结果的概率。

提示

先想一次抛掷可能出现哪几种情况,再想公平意味着什么。

解答

结果只有正面 H 和反面 T,所以 S = {H, T},两者各 0.5。

注意 H 是一个结果,{H} 才是一个事件。写集合时别把大括号丢了。

例 2(课件 p.7):掷骰子停在 1、3 或 4 的概率

题面:掷一次公平骰子,S = {1,2,3,4,5,6}。事件 E = {1,3,4},表示骰子停在 1 或 3 或 4。求 P(E)。

提示

公平骰子每个面的概率一样。E 里的三个结果两两互斥,可以直接加。

解答

每个点的概率是 1/6,E 有三个点,P(E) = 1/6 + 1/6 + 1/6 = 3/6 = 1/2。

「数个数除以总数」只在等可能时能用。骰子不均匀时,要把每个结果各自的概率加起来。

例 3(课件 p.11):抛三次硬币,按正面个数分组

见下方完整例题。

例 4(课件 p.14):两张概率分布表合不合法?

题面:掷一次骰子,1 到 6 每个点的概率都是 1/6。香港天气:Sunny 0.48、Cloudy 0.12、Rainy 0.25、Snowy 0、Foggy 0.15。这两张表是不是合法的概率分布?

提示

合法的分布要过两关:每一项的范围,以及全部加起来是多少。

解答

合法要满足两条:每个概率在 0 到 1 之间,全部加起来等于 1。

骰子表:6 × 1/6 = 1,合法。天气表:0.48 + 0.12 + 0.25 + 0 + 0.15 = 1.00,合法。

Snowy 的概率是 0,但这一行不删。下雪仍在样本空间里,只是概率为零。

完整例题

题面(课件 p.11):一枚公平硬币抛三次。随机变量 X 是正面的个数。写出样本空间,X 取 3、2、1、0 时各包含哪些结果、概率是多少,并验证这是一张合法的概率分布。

解法:

  1. 写样本空间。每次有 H、T 两种,三次共 2³ = 8 个结果:HHH、HHT、HTH、THH、HTT、THT、TTH、TTT。硬币公平,每个结果概率 1/8。
  2. 贴标签。数每个结果里 H 的个数,得到 X 的值。
  3. 分组。X = 3:HHH。X = 2:HHT、HTH、THH。X = 1:HTT、THT、TTH。X = 0:TTT。
  4. 算每组概率。四组两两互斥,用可加性:P(X = 3) = 1/8,P(X = 2) = 3/8,P(X = 1) = 3/8,P(X = 0) = 1/8。
  5. 验证合法。每项都在 0 到 1 之间;1/8 + 3/8 + 3/8 + 1/8 = 1。
  6. 检查随机变量的两条性质。8 个结果每个都贴了数,没有遗漏;每个结果只贴一个数。所以 X 是合法的随机变量,它划出的四组互不相交。

要点:柱状图的高度 0.125、0.375、0.375、0.125 就是这四个分数。课件图左下角的 S = {H, T} 是单次抛掷的样本空间,这道题的 S 有 8 个结果。

答题格式:先写 S,再列一张「X 的值 / 包含的结果 / 概率」三列表,最后一行写加和等于 1。

变式题(先自己做)

(1) 改编自课件 p.11:一枚公平硬币抛三次,求「至少出现一个正面」的概率。用两种方法做:直接加,以及用补集。 (2) 改编自课件 p.10:P(E) = 0.6,P(F) = 0.5,P(E∪F) = 0.8。求 P(EF)。E 和 F 互斥吗? (3) 改编自课件 p.14:某地天气分布写成 Sunny 0.5、Cloudy 0.3、Rainy 0.3。这张表合法吗?如果把 Rainy 改成某个数让它合法,应该改成多少?

提示

(1) 至少一个正面的补集是「一个正面都没有」。(2) 把容斥公式倒过来解 P(EF);互斥意味着 P(EF) 等于多少。(3) 先加一遍。

判分点与答案(非官方评分标准)

判分点:① (1) 两种方法都要写出来,且结果一致;② (2) 要写出容斥公式再解,判断互斥要看 P(EF) 是否为 0;③ (3) 要指出不合法的原因是总和不等于 1。

(1) 直接加:P(X = 1) + P(X = 2) + P(X = 3) = 3/8 + 3/8 + 1/8 = 7/8。补集:1 − P(TTT) = 1 − 1/8 = 7/8。

(2) 0.8 = 0.6 + 0.5 − P(EF),得 P(EF) = 0.3。P(EF) ≠ 0,所以 E 和 F 不互斥。

(3) 0.5 + 0.3 + 0.3 = 1.1 ≠ 1,不合法。Rainy 改成 1 − 0.5 − 0.3 = 0.2 才合法。

闪卡自测

1. 课件的频率定义怎么写?依据是什么?

做 N 次随机试验,事件 A 出现 n 次,频率 f_N = n/N;N 足够大时 f_N 稳定在某个值 p,就定义 P(A) = p。依据是大数定律,抛硬币正面的概率是 0.5(p.5)。

2. 样本空间、结果、事件三者是什么关系?

样本空间 S 是一次试验所有可能结果的集合;结果是 S 里的一个元素;事件是 S 的一个子集。H 是结果,{H} 是事件(p.6–7)。

3. 掷骰子 E = {1,3,4},P(E) 是多少?「数点数除以总数」什么时候能用?

P(E) = 3/6 = 1/2。只有每个结果等可能(公平骰子)时才能数点数;不均匀时要把每个结果的概率分别相加(p.7)。

4. 课件里 E^c、E∪F、EF、E⊂F 各是什么意思?

E^c 是 E 不发生;E∪F 是 E 或 F 至少一个发生;EF 是 E 和 F 同时发生,也就是交集;E⊂F 是 E 发生则 F 必发生(p.8)。

5. 概率函数必须满足哪三条性质?第三条有什么前提?

0 ≤ P(E) ≤ 1;P(S) = 1;若 E₁…E_n 两两互斥,则 P(E₁ ∪ … ∪ E_n) = P(E₁) + … + P(E_n)。第三条要求事件两两互斥(p.10)。

6. 抛三次硬币,按正面个数分组的四个概率分别是多少?

X = 3 的概率 1/8(HHH),X = 2 是 3/8(HHT, HTH, THH),X = 1 是 3/8(HTT, THT, TTH),X = 0 是 1/8(TTT)。四者相加为 1,正好是可加性的实例(p.11)。

7. 随机变量的两条性质是什么?

一,X(s) 是一个函数,它划出的那些事件互不相交;二,X: S → R 必须对 S 中所有结果都有定义且单值,一个结果只能对应一个数(p.11)。

8. 天气分布表里 Snowy 的概率是 0,为什么不直接把这一行删掉?

概率为 0 和不可能是两回事。「香港下雪」仍然在样本空间里,只是概率为零。在无限样本空间里这个区分更明显,比如气温恰好等于某个实数值的概率是 0,但它确实可能发生(p.14)。

下一讲

下一页加进一个新问题:已经知道某件事发生了,另一件事的概率要怎么改。从联合概率讲到条件概率,再分清独立和互斥,见 L03a-2。

下一讲 →
L03a-2 L03a-2 条件概率:知道 F 发生了,E 的概率要怎么改

个人整理的学习笔记,不是官方材料;数字与结论以课件和讲师为准。