概率

Abstract

概率（Probability）是度量随机事件发生可能性的数值，其取值范围为 $[0,1]$。概率论为离散数学中计数技术与组合分析提供了重要的应用场景，是分析随机现象的数学基础。

定义

拉普拉斯等可能定义（古典概率）

设样本空间 $S$ 包含 $n$ 个等可能的结果，事件 $E$ 包含其中 $k$ 个结果，则事件 $E$ 的概率为： $P(E)=\frac{|E|}{|S|}=\frac{k}{n}$ 其中 $|E|$ 表示事件 $E$ 中包含的样本点个数，$|S|$ 表示样本空间中样本点的总数。

概率公理（Kolmogorov 公理体系）

设 $S$ 为样本空间，概率函数 $P$ 是从事件集合到实数的映射，满足以下三条公理：

1. 非负性：对于任意事件 $E$，有 $P(E)\ge 0$
2. 规范性：$P(S)=1$
3. 可加性：若事件 $E_1,E_2,\dots$ 两两互斥（即 $E_i\cap E_j=\varnothing$，$i\ne j$），则 $P\left({\bigcup }_{i=1}^{\infty }{E}_i\right)={\sum }_{i=1}^{\infty }P(E_i)$

核心性质

编号	性质名称	数学表达	说明
1	不可能事件概率	$P(\varnothing )=0$	空集（不可能事件）的概率为零
2	互补律	$P(\bar{E})=1-P(E)$	对立事件的概率之和为 1
3	单调性	若 $E\subseteq F$，则 $P(E)\le P(F)$	子集事件的概率不超过母集事件
4	有界性	$0\le P(E)\le 1$	任意事件的概率均在 $[0,1]$ 之间
5	加法公式	$P(E\cup F)=P(E)+P(F)-P(E\cap F)$	两事件并集的概率（容斥原理）
6	全空间分解	${\sum }_{i}P(\{s_i\})=1$	有限样本空间中所有基本事件概率之和为 1
7	Boole 不等式	$P\left({\bigcup }_{i=1}^n{E}_i\right)\le {\sum }_{i=1}^{n}P(E_i)$	并集概率不超过各事件概率之和

关系网络

graph LR
    A[概率] --> B[样本空间]
    A --> C[事件]
    A --> D[容斥原理]
    A --> E[条件概率]
    A --> F[概率分布]
    E --> G[独立性]
    E --> H[贝叶斯定理]
    E --> I[全概率公式]
    F --> J[伯努利试验]
    D --> C
    C --> B

章节扩展

• 第7.1节：概率的基本概念，包括拉普拉斯定义与概率公理
• 第7.2节：条件概率 与 独立性，引入乘法规则与贝叶斯定理
• 第7.3节：贝叶斯定理 与全概率公式的应用
• 第7.4节：期望值与方差等数字特征

补充

概率论的历史发展

概率论起源于17世纪，帕斯卡（Pascal）和费马（Fermat）在解决赌博问题时奠定了基础。拉普拉斯在1812年出版的《概率的分析理论》中系统化了古典概率定义。1933年，柯尔莫哥洛夫（Kolmogorov）建立了公理化概率论，将概率论建立在严格的数学基础之上，成为现代概率论的基石。

概率的频率解释

当试验次数 $n$ 趋近于无穷大时，事件 $E$ 发生的频率 $f_n(E)=n_E/n$ 趋近于概率 $P(E)$： $P(E)={\lim }_{n\to \infty }\frac{n_E}{n}$ 这被称为概率的大数定律（Law of Large Numbers），是频率学派解释概率的理论基础。

参见

• 样本空间 — 概率定义的基础，所有可能结果的集合
• 事件 — 样本空间的子集，概率的直接作用对象
• 容斥原理 — 计算事件并集概率的核心工具
• 条件概率 — 在已知信息下重新评估事件概率
• 概率分布 — 随机变量取各值的概率规律