前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >统计力学中的概率论基础(一)

统计力学中的概率论基础(一)

作者头像
DechinPhy
发布2024-05-15 08:12:50
860
发布2024-05-15 08:12:50
举报
文章被收录于专栏:Dechin的专栏Dechin的专栏

技术背景

统计力学是一门通过粒子的纯粹微观量来表示系统宏观量的学科,从统计分布出发,用无偏/有偏估计来研究各种不同的系综。本文内容部分参考自郑伟谋老师所著《统计力学导引》,主要介绍其中概率论基础的部分。但因为大多是个人的理解,如有差错,与参考文献作者无关

事件与概率

假定我们抛一枚质地未知的硬币,正面事件记为

A

,反面事件记为

B

。那么经过多次的测试,可以得到一个统计概率:

P(A)=\frac{n_A}{N},P(B)=\frac{n_B}{N}

。这里就可以有一些基本性的结论:

P(A)\geq0,P(B)\geq0\\ P(A)+P(B)=1\\

因为这里面事件

A

和事件

B

是互斥事件(发生

A

的同时不可能发生

B

),那么发生

A

B

的概率就可以表示为:

P(A\or B)=\frac{n_A+n_B}{N}=P(A)+P(B)

以上就是概率函数的3个基本特性。假如在此基础上,再进行一轮测试,那么此时得到

A

的概率为:

P(A)=\frac{n_A^{(1)}+n_A^{(2)}}{N_1+N_2}

由于样本数的不一致,这里有:

P_1(A)+P_2(A)=\frac{n_A^{(1)}}{N_1}+\frac{n_A^{(2)}}{N_2}\\ P(A)=P_1(A)\frac{N_1}{N_1+N_2}+P_2(A)\frac{N_2}{N_1+N_2}

也就是说,如果要获取多份样本中的同一个事件的总概率,需要依照样本数做一个加权平均。

条件概率

如果问题变得更加复杂一些,我们一次抛2个硬币,并且记1号硬币正面朝上为事件

A

,反面朝上为事件

B

,2号硬币正面朝上为事件

C

,反面朝上为事件

D

。那么类似的有

P(C)=\frac{n_C}{N},P(D)=\frac{n_D}{N}

,这是对2号硬币的结果的概率统计。此时如果我们去统计一个联合概率,1号硬币正面朝上2号硬币也正面朝上的概率为:

P(A\and C)=\frac{n_{A\and C}}{N}=\frac{n_A}{N}\frac{n_{A\and C}}{n_A}=P(A)P(C|A)

其中

P(C|A)

表示事件

A

发生的条件下,事件

C

发生的概率,是一个条件概率。

同样在这个案例中,因为事件

C

发生的概率为

\frac{n_C}{N}

,因此在

n_A

的样本数下,事件

C

发生的频次的期望值为

n_{A\and C}=\frac{n_C}{N}n_A

,因此有:

P(A\and C)=\frac{n_A}{N}\frac{n_{A\and C}}{n_A}=\frac{n_A}{N}\frac{n_C}{N}=P(A)P(C)

贝叶斯定理

满足这种条件的事件

A

C

,又称为独立事件。并由此可以得到贝叶斯(Bayes)定理

P(A|C)P(C)=P(C|A)P(A)

或者写为这种更加常见的形式:

P(A|C)=\frac{P(C|A)P(A)}{P(C)}

还是在这个案例中,因为我们知道第一个硬币正面朝上(事件

A

)的条件下,对应的第二个硬币,要么正面朝上(事件

C

),要么反面朝上(事件

D

),而事件

A

的概率可以表示为两个条件概率的加和:

P(A)=P(A|C)+P(A|D)

该公式又称为边际分布

累积分布函数

如果我们随机投一个骰子,它朝上的一面对应的值,有可能是整数1~6之间的一个。因为在投之前,我们并不知道会出现什么数字朝上,因此我们将朝上的数字定义为一个随机变量

X

。对于一个随机变量

X

而言,其分布函数被定义为:

F(x)=P(X\leq x)

表示的是

X

取值不大于

x

的概率,例如,开小的概率为

F(3)=P(X\leq3)=\frac{1}{2}

,开大的概率为

F(6)-F(3)=P(X\leq6)-P(X\leq3)=\frac{1}{2}

。其导数

f(x)=F'(x)

概率密度函数。累积分布函数有如下的一些特性:

  1. 累积分布函数是有界的:
\lim_{x\rightarrow-\infty}F(x)=0,\lim_{x\rightarrow+\infty}F(x)=1

  1. 累积分布函数具有单调性:
F(x_1)\leq F(X_2),x_1\leq x_2

P(x_1< x\leq x_2)=F(x_2)-F(X_1)

  1. 当我们写出上面这个式子时,我们应当注意到,这是一个左开右闭的区间。其实也容易理解,比如狄拉克函数的积分在
x=x_0

处有一个突跃的位置,那么比较显然的是,

F_{x\rightarrow x_0^-}(x)=0,F_{x=x_0}(x)=1,F_{x\rightarrow x_0^+}(x)=1

。更一般的,我们可以理解其为右连续的累积分布函数:

\lim_{x\rightarrow x_0^+}F(x)=F(x_0)

如果考虑一个离散情形的概率密度函数,有:

f(x)\Delta x=P(x\leq X\leq x+\Delta x)

分布函数唯一地决定随机变量的全部数字特征。

对于这个投骰子的问题,虽然我们没办法知道下一次会投出什么数字来,但是我们可以计算出出现的数字的平均值,或者叫期望值

E(X)=1*P(X=1)+2*P(X=2)+...+6*P(X=6)=\frac{1}{6}+\frac{2}{6}+...+\frac{6}{6}=\frac{7}{2}

也就是说,最终得到的点数的平均值应该为3.5。那么假如对于这个随机变量,有一个函数

Y=h(X)

,那么关于

Y

的期望值为:

E(Y)=E(h(X))=h(1)P(X=1)+h(2)P(X=2)+...+h(6)P(X=6)

对于连续型的随机变量来说,期望值可以写为:

\mu(X)=E(X)=\int_{-\infty}^{\infty}xf(x)dx

带函数的期望值可以写为:

E(h(x))=\int_{-\infty}^{\infty}h(x)f(x)dx

,例如

X

\gamma

阶绝对矩为:

M_{\gamma}(X)=E(|X|^{\gamma})=\int_{-\infty}^{\infty}|X|^{\gamma}f(x)dx

此时要回顾起一个跟期望值/平均值息息相关的函数:方差函数。在概率论中,方差被定义为:

\sigma^2(X)=E[(X-E(X))^2]=E[X^2-2E(X)X+E(X)^2]=E(X^2)-2[E(X)]^2+[E(X)]^2=M_2(X)-[\mu(X)]^2=\int_{-\infty}^{\infty}(x-\mu)^2f(x)dx

有了方差,自然就有了标准差

\sigma(X)=\sqrt{M_2(X)-[\mu(X)]^2}

如果是多变量情形,我们还可以定义一个协方差(Covariance)用于衡量两个变量之间的总体偏差:

Cov(X,Y)=E\{[X-E(X)][Y-E(Y)]\}=E[XY-YE(X)-XE(Y)+E(X)E(Y)]=E(XY)-E(X)E(Y)

需要注意的是,协方差可以用于计算一维的随机变量

X,Y

,也可以用于计算高维的随机变量

\textbf{X},\textbf{Y}

。我们可以想象出来,对于一个shape为

(n,)

的随机变量

\textbf{X}

而言,对其计算期望值

E(\textbf{X})

,得到的结果也是

(n,)

的shape。如果给定的是两个高维的随机变量

\textbf{X},\textbf{Y}

,假设其shape分别为

(n,)

(m,)

,那么得到的期望值

E(\textbf{X}\textbf{Y})

的结果shape为

(n,m)

。类似的,

E(\textbf{X})E(\textbf{Y})

的结果shape也是

(n,m)

。这样一来,协方差

Cov(\textbf{X},\textbf{Y})

的结果shape也是

(n,m)

母函数

母函数,又称生成函数(Generating function),是一种形式幂级数,其每一项的系数可以提供关于这个序列的信息。例如我们有可能得到这样的一个母函数:

g(x)=2x^1+3x^4

这个形式的母函数表示,事件

1

发生的概率为

\frac{2}{2+3}=\frac{2}{5}

,事件

4

有可能发生的概率为

\frac{3}{5}

。具体的母函数构造方法是这样的,还是以抛硬币为例子。假设硬币正面朝上为事件

A

,硬币反面朝上为事件

B

,那么可以这样构造一个母函数:

g(x)=P(A)+xP(B),P(A)+P(B)=1

这里面

x

只是一个形参,没有具体含义。那么如果我们抛两次硬币,得到的母函数形式为:

g(x)=[P(A)+xP(B)][P(A)+xP(B)]=x^0P(A)^2+2x^1P(A)P(B)+x^2P(B)

写成这个形式之后,就可以分别获得三个不同事件的概率。事件0:两次都是正面朝上,概率为

P(0)=P(A)^2

,事件1:一次正面朝上一次反面朝上,概率为

P(1)=2P(A)P(B)

,事件2:两次都是反面朝上,概率为

P(2)=P(B)^2

。那么假设投的是一块质地均匀的硬币,这样我们得到的三个事件的概率分别为:

P(0)=\frac{1}{4},P(1)=\frac{1}{2},P(2)=\frac{1}{4}

这里事件1记录的是一个无序事件,如果要记录为有序事件,即第一次正面朝上、第二次反面朝上和第一次反面朝上、第二次正面朝上为不同事件的话,那表示方法又会有所不同。母函数更多的用于记录可能出现的组合的数量,也就是无序事件的场景用的会更多一些。

总结概要

本文的主要内容是一些统计力学中的基础的概率论知识,如密度函数、分布函数和贝叶斯定理的一些基本概念,主要作为一个简单的知识内容记录和分享。

版权声明

本文首发链接为:https://www.cnblogs.com/dechinphy/p/prob-1.html

作者ID:DechinPhy

更多原著文章:https://www.cnblogs.com/dechinphy/

请博主喝咖啡:https://www.cnblogs.com/dechinphy/gallery/image/379634.html

参考资料

  1. 《统计力学导引》--郑伟谋
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-05-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 技术背景
  • 事件与概率
  • 条件概率
    • 贝叶斯定理
    • 累积分布函数
    • 母函数
    • 总结概要
    • 版权声明
    • 参考资料
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档