概率论02 概率公理

　　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 AndreiN.Kolmogorov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:

　　　　　　　　　　　　　　　　　　　　

　　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:

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

 

　　实验3. 开车经过两个路口，遇到的红绿灯情况:

　　　　　　　　　　　　　　　　　　　　　　　　　　　　

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。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，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

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 

结合律

 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

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P(A)≥0

3. 如果和不相交，那么

　　　　　　　　　　　　　　　　　　　　　　

　　“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。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。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。