i
f
k
≥
365
,
p
r
o
b
=
1
if\quad k\ge365,\quad prob=1
ifk≥365,prob=1
然后我们来看不匹配的可能性,即所有人生日都不相同的可能性:
p
=
365
⋅
364
⋅
363...
⋅
(
365
−
k
+
1
)
36
5
k
p=\frac{365\cdot364\cdot363...\cdot(365-k+1)}{365^k}
p=365k365⋅364⋅363...⋅(365−k+1)
显然如果
k
=
1
k=1
k=1,
p
=
1
p=1
p=1
令
p
m
a
t
c
h
=
1
−
p
p_{match}=1-p
pmatch=1−p
当
k
=
23
k=23
k=23时,
p
m
a
t
c
h
=
50.7
%
p_{match}=50.7\%
pmatch=50.7%
当
k
=
50
k=50
k=50时,
p
m
a
t
c
h
=
97
%
p_{match}=97\%
pmatch=97%
当
k
=
100
k=100
k=100时,
p
m
a
t
c
h
=
99.999
%
p_{match}=99.999\%
pmatch=99.999%
显然结果是出乎我们的“直觉的”
概率公理
之前已经给出了概率的狭隘定义,现在将给出概率的non-naive定义:
假设我们有样本空间
S
S
S和一个函数
P
P
P,
S
S
S是样本空间,即所有事件的总和,
P
P
P是一个函数,他接收任意事件
A
(
A
∈
S
)
A(A\in S)
A(A∈S)作为输入,输出
P
(
A
)
∈
[
0
,
1
]
P(A)\in[0,1]
P(A)∈[0,1],我们称
P
(
A
)
P(A)
P(A)为事件
A
A
A发生的概率
同时概率有几条公理:
P
(
∅
)
=
0
P(\empty)=0
P(∅)=0,
P
(
S
)
=
1
P(S)=1
P(S)=1
P
(
⋃
n
=
1
∞
A
n
)
=
∑
n
=
1
∞
P
(
A
n
)
i
f
A
1
∩
A
2
∩
.
.
.
∩
A
n
=
∅
P(\bigcup\limits_{n=1}^{\infty}A_n)=\sum\limits_{n=1}^{\infty}P(A_n)\quad\quad if~~A_1\cap A_2\cap...\cap A_n=\empty
P(n=1⋃∞An)=n=1∑∞P(An)ifA1∩A2∩...∩An=∅
还有几条基于公理发展出来的定理:
P
(
A
‾
)
=
1
−
P
(
A
)
P(\overline{A})=1-P(A)
P(A)=1−P(A)
i
f
A
⊆
B
⇒
P
(
A
)
≤
P
(
B
)
if\quad A\subseteq B\Rightarrow P(A)\le P(B)
ifA⊆B⇒P(A)≤P(B)
P
(
A
∪
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
∩
B
)
P(A\cup B)=P(A)+P(B)-P(A\cap B)
P(A∪B)=P(A)+P(B)−P(A∩B)
P
(
A
∪
B
∪
C
)
=
P
(
A
)
+
P
(
B
)
+
P
(
C
)
−
P
(
A
∩
B
)
−
P
(
A
∪
C
)
−
P
(
B
∪
C
)
+
P
(
A
∪
B
∪
C
)
P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(A\cap B)-P(A\cup C)-P(B\cup C)+P(A\cup B\cup C)
P(A∪B∪C)=P(A)+P(B)+P(C)−P(A∩B)−P(A∪C)−P(B∪C)+P(A∪B∪C)