跳到主要内容

事件与概率公理化体系 (Events & Axiomatic Probability)

概率论的现代数学基础建立在 柯尔莫哥洛夫 (Kolmogorov) 的公理化体系之上，将概率论纳入了测度论的范畴。

1. 样本空间与事件​

  • 样本空间 (Ω\Omega)：随机试验所有可能结果的集合。
  • 样本点 (ω\omega)：Ω\Omega 中的元素，即单次试验的具体结果。
  • 随机事件 (A,B,…A, B, \dots)：样本空间 Ω\Omega 的子集。
    • 必然事件：Ω\Omega。
    • 不可能事件：∅\emptyset。
σ-代数 (Sigma-algebra)

在测度论背景下，事件族 F\mathcal{F} 必须构成一个 σ\sigma-代数：

  1. Ω∈F\Omega \in \mathcal{F}
  2. 若 A∈FA \in \mathcal{F}，则 Ac∈FA^c \in \mathcal{F}
  3. 若 An∈F(n=1,2,… )A_n \in \mathcal{F} \quad (n=1,2,\dots)，则 ⋃n=1∞An∈F\bigcup_{n=1}^\infty A_n \in \mathcal{F}

2. 概率公理化定义​

设 (Ω,F)(\Omega, \mathcal{F}) 为可测空间，若实值函数 P:F→RP: \mathcal{F} \to \mathbb{R} 满足以下三条公理：

  1. 非负性公理：对任意 A∈FA \in \mathcal{F}，P(A)≥0P(A) \ge 0。
  2. 规范性公理：P(Ω)=1P(\Omega) = 1。
  3. 可列可加性公理：若 A1,A2,…A_1, A_2, \dots 两两互不相容，则： P(⋃n=1∞An)=∑n=1∞P(An)P\left(\bigcup_{n=1}^\infty A_n\right) = \sum_{n=1}^\infty P(A_n)

则称 P(A)P(A) 为事件 AA 的概率，三元组 (Ω,F,P)(\Omega, \mathcal{F}, P) 称为 概率空间。

3. 条件概率与独立性​

条件概率 (Conditional Probability)​

已知事件 BB 发生的前提下，事件 AA 发生的概率定义为： P(A∣B)=P(A∩B)P(B),P(B)>0P(A|B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0

乘法公式与全概率​

  • 乘法公式：P(A∩B)=P(B)P(A∣B)P(A \cap B) = P(B)P(A|B)。
  • 全概率公式：设 {B1,B2,…,Bn}\{B_1, B_2, \dots, B_n\} 是 Ω\Omega 的一个划分，则： P(A)=∑i=1nP(Bi)P(A∣Bi)P(A) = \sum_{i=1}^n P(B_i)P(A|B_i)

贝叶斯公式 (Bayes' Formula)​

设 {B1,B2,…,Bn}\{B_1, B_2, \dots, B_n\} 是样本空间 Ω\Omega 的一个划分，且 P(Bi)>0P(B_i) > 0，对任意事件 AA (P(A)>0P(A) > 0)，有： P(Bi∣A)=P(Bi)P(A∣Bi)∑j=1nP(Bj)P(A∣Bj)P(B_i|A) = \frac{P(B_i)P(A|B_i)}{\sum_{j=1}^n P(B_j)P(A|B_j)}

  • 先验概率 (Prior Probability)：P(Bi)P(B_i)，在观察到结果 AA 之前对事件 BiB_i 发生可能性的估计。
  • 后验概率 (Posterior Probability)：P(Bi∣A)P(B_i|A)，在获得结果 AA 的信息后，对 BiB_i 发生可能性的修正。
  • 似然 (Likelihood)：P(A∣Bi)P(A|B_i)，在已知原因 BiB_i 的情况下，结果 AA 出现的概率。
贝叶斯思维：信息更新

贝叶斯公式揭示了人类认知的一种数学模型：新证据 (AA) 的出现如何改变我们对假设 (BiB_i) 的信任度。后验概率正比于先验概率与似然的乘积。

4. 经典练习​

:::info 练习 1：全概率应用 某工厂由甲、乙、丙三个车间生产同一种零件，产量占比分别为 25%, 35%, 40%，次品率分别为 5%, 4%, 2%。现从出厂零件中任取一件，求它是次品的概率。 :::

查看解析

设 AA 为取到次品，B1,B2,B3B_1, B_2, B_3 分别为零件来自甲、乙、丙车间。 P(B1)=0.25,P(B2)=0.35,P(B3)=0.40P(B_1)=0.25, P(B_2)=0.35, P(B_3)=0.40。 P(A∣B1)=0.05,P(A∣B2)=0.04,P(A∣B3)=0.02P(A|B_1)=0.05, P(A|B_2)=0.04, P(A|B_3)=0.02。 由全概率公式： P(A)=0.25×0.05+0.35×0.04+0.40×0.02=0.0125+0.014+0.008=0.0345P(A) = 0.25 \times 0.05 + 0.35 \times 0.04 + 0.40 \times 0.02 = 0.0125 + 0.014 + 0.008 = 0.0345 即该工厂总次品率为 3.45%。

:::info 练习 2：贝叶斯与疾病诊断 某种疾病在人群中的发病率为 0.1%。现有一种检测手段，其灵敏度（患病者检出阳性的概率）为 99%，特异性（健康者检出阴性的概率）为 98%。若某人的检测结果呈阳性，求他真正患病的概率。 :::

查看解析

设 HH 为患病，T+T^+ 为检测阳性。已知：

  • P(H)=0.001,P(Hc)=0.999P(H) = 0.001, P(H^c) = 0.999
  • P(T+∣H)=0.99P(T^+|H) = 0.99
  • P(T−∣Hc)=0.98  ⟹  P(T+∣Hc)=0.02P(T^-|H^c) = 0.98 \implies P(T^+|H^c) = 0.02

我们需要计算 P(H∣T+)P(H|T^+)： P(H∣T+)=P(H)P(T+∣H)P(H)P(T+∣H)+P(Hc)P(T+∣Hc)P(H|T^+) = \frac{P(H)P(T^+|H)}{P(H)P(T^+|H) + P(H^c)P(T^+|H^c)} P(H∣T+)=0.001×0.990.001×0.99+0.999×0.02=0.000990.00099+0.01998=0.000990.02097≈0.0472P(H|T^+) = \frac{0.001 \times 0.99}{0.001 \times 0.99 + 0.999 \times 0.02} = \frac{0.00099}{0.00099 + 0.01998} = \frac{0.00099}{0.02097} \approx 0.0472

结论：即使检测呈阳性，患病概率也仅约 4.72%。这是因为该疾病极其稀有（先验概率极低），导致检测中的“假阳性”人数远超“真阳性”人数。

本章节基于柯尔莫哥洛夫公理体系构建，为随机变量奠定测度论基础。