概率论(离散型)极简入门
目录
- 古典概型
- 条件概率
- 全概率公式
- 伯努利概型
- 随机变量
- 随机变量的数字特征
古典概型
定义
\[ P(A)=\frac{m}{n} \]
m:A包含的基本事件数。
n:总基本事件数
基本事件:样本空间中不可再分的最小事件。
符号
\(\Omega\)表示样本空间。$\Phi \(表示不可能事件。\)\overline {A}\(表示\)A\(事件的对立面,\)AB\(表示事件\)A$ 和 \(B\) 同时发生。
几个公式
\[ P(A)=1-P(\overline A) \]
说明:事件\(A\)发生的概率就是\(1-\)事件\(A\)的对立事件发生的概率。
\[ P(A+B)=P(A)+P(B)-P(AB) \]
说明:事件\(A\)或\(B\)发生的概率是事件\(A\)发生的概率加上事件\(B\)发生的概率减去事件\(A\)和\(B\)同时发生的概率。(容斥原理)
\[ P(A_1+A_2+...+A_n)=\sum_{i=1}^nP(A_i)-\sum_{1\leqslant i < j \leqslant n} P(A_iA_j)+\sum_{1\leqslant i<j<k\leqslant n} P(A_iA_jA_k)...+(-1)^{n-1}P(\Pi_{i=1}^nA_i) \]
说明:为上一条的推广,同样是容斥原理。
如果\(A\)与\(B\)互不相容(\(AB=\Phi\)),那么\(P(A+B)=P(A)+P(B)\)
说明:为第一条的特殊情况。因为\(A\)与\(B\)互不相容,所以\(P(AB)\)为\(0\)。
如果\(A\)与\(B\)相互独立,那么\(P(AB)=P(A)\times P(B)\)
条件概率
\(P(B|A)\)表示\(A\)发生的情况下,\(B\)发生的概率。
显然,我们有:
\[ \begin{aligned} P(AB) &= P(A)P(B|A)\\ &=P(B)P(A|B) \end{aligned} \]
等价于
\[ P(B|A)=\frac{P(AB)}{P(A)} \]
如果\(A\)与\(B\)相互独立,那么
\[ \begin{aligned} & P(AB)=P(A)P(B) \\ \Leftrightarrow & P(A|B)=P(A) \\ \Leftrightarrow & P(B|A)=P(B) \end{aligned} \]
全概率公式
完备事件组
完备事件组是这样一组事件\(A_i(i=1...n)\):
\[ \bigcup_{i=1}^nA_i=\Omega,\forall i \neq j, A_iA_j=\Phi \]
简而言之,完备事件组就是对样本空间的一个划分。
全概率公式
在完备事件组\(A_i\)下,有全概率公式:
\[ P(B)=\sum_{i=1}^nP(A_i)P(B|A_i) \]
感性理解即可。
逆概率公式
\[ P(A_i|B)=\frac{P(A_iB)}{P(B)}=\frac{P(A_i)P(B|A_i)}{\sum P(A_i)P(B|A_i)} \]
这个感觉不好理解,但是挺有用的。
伯努利概型
\(n\)次独立重复实验,如果事件\(A\)发生的概率为\(p\),那么事件\(A\)恰好发生\(k\)次的概率是
\[ P_n(k)={n \choose k}p^k(1-p)^k \,\,\,\,\,\,\,\,\,\,\, (k=0,1,...,n) \]
随机变量
我们给一个事件\(\omega \in \Omega\)赋值为\(X(\omega)\)(简写为\(X\)),那么\(X\)就是随机变量。
分布列
\(X\) | \(x_1\) | \(x_2\) | \(\cdots\) | \(x_n\) |
---|---|---|---|---|
\(P\) | \(p_1\) | \(p_2\) | \(\cdots\) | \(p_n\) |
分布律
\(P(X=x_i)=p_i\)
显然,有\(p_i\geqslant 0, \sum p_i=1\)。
分布函数
\[ F(X)=P(x \leqslant X) \]
一些离散变量的分布
二项分布\(X\sim B(n,p)\)
\[ P(x=k)={n \choose k}p^k(1-p)^{n-k} \,\,\,\,\,\,\,\,\,\,\, (k=0,1,...,n)$ \]
两点分布:两点分布是二项分布\(n =1\)的情况。
泊松分布\(X\sim \Pi(\lambda)\)
\[ P(x=k)=\frac{\lambda^k}{k!}e^{-\lambda} \,\,\,\,\,\,\,\,\,\,\,\, (k=0,1,2,...) \]
泊松分布适用于稀疏概率事件。
几何分布\(X\sim G(p)\)
实验恰好在第\(k\)次第一次成功的概率(前\(k-1\)次失败)。
\[ P(x=k)=(1-p)^{k-1}p \]
超几何分布\(X\sim H(n, N_1, N)\)
\[ P(x=k)=\frac{{N_1 \choose k}{N-N_1 \choose n - k}}{N \choose n} \,\,\,\,\,\,\,\,\, k=0,1,...,min(n,N1) \]
超几何分布可以这样理解:从\(N\)个黑色(\(N_1\)个)或白色的球中随机抽取\(n\)个球恰有\(k\)个为黑的概率。当\(N\gg n\)时,近似于二项分布。
随机变量的数字特征
数学期望
由于数学期望涉及级数的问题,这里不过多解释。
二项分布\(E(x)=np\)
两点分布\(E(x)=p\)
泊松分布\(E(x)=\lambda\)
几何分布\(E(x)=\frac{1}{p}\)
期望的一些公式:
\[ E(x)=\sum x_ip_i\\ E(c)=c\\ E(kx+b)=kE(x)+b\\ E(x\pm y)=E(x)\pm E(y) \\ E[f(x)]=\sum f(x_i)p_i \]
如果\(x\),\(y\)独立,还有\(E(xy)=E(x)E(y)\)
方差
方差\(D(x)=E[(x-E(x))^2]=E(x^2)-(E(x))^2=\sum x_i^2p_i - (\sum x_i p_i) ^2\)
二项分布\(D_x=np(1-p)\)
泊松分布\(D_x=\lambda\)
几何分布\(D_x=\frac{1-p}{p^2}\)
方差性质:\(D(c)=0\),\(D(x+c)=D(x)\),\(D(cx)=c^2D(x)\),\(D(x\pm y)=D(x)+D(y)\),\(D(x)=0\Leftrightarrow P(x=c)=1\)
转载于:https://www.cnblogs.com/chy-2003/p/11469686.html
概率论(离散型)极简入门相关推荐
- RL极简入门:从MDP、DP MC TC到Q函数、策略学习、PPO
前言 22年底/23年初ChatGPT大火,在写ChatGPT通俗笔记的过程中,发现ChatGPT背后技术涉及到了RL/RLHF,于是又深入研究RL,研究RL的过程中又发现里面的数学公式相比ML/DL ...
- Python极简入门教程
前言 为了方便各位小白能轻松入门Python,同时加深自己对Python的理解,所以创造了"Python极简入门教程",希望能帮到大家,若有错误请多指正,谢谢.极简入门教程代表着不 ...
- Docker极简入门
原 Docker极简入门 2018年05月22日 20:25:12 阅读数:44 一.Docker概述 Docker通过一个包括应用程序运行时所需的一切的可执行镜像启动容器,包括配置有代码.运行时.库 ...
- .Net Core in Docker极简入门(下篇)
点击上方蓝字"小黑在哪里"关注我吧 Docker-Compose 代码修改 yml file up & down 镜像仓库 前言 上一篇[.Net Core in Dock ...
- Nginx 极简入门教程
Nginx 极简入门教程 基本介绍 Nginx 是一个高性能的 HTTP 和反向代理 web 服务器,同时也提供了 IMAP/POP3/SMTP服务. Nginx 是由伊戈尔·赛索耶夫为俄罗斯访问量第 ...
- SkyWalking 极简入门
1. 概述 1.1 概念 SkyWalking 是什么? FROM http://skywalking.apache.org/ 分布式系统的应用程序性能监视工具,专为微服务.云原生架构和基于容器(Do ...
- Seata 极简入门
1. 概述 Seata 是阿里开源的一款开源的分布式事务解决方案,致力于提供高性能和简单易用的分布式事务服务. 1.1 四种事务模式 Seata 目标打造一站式的分布事务的解决方案,最终会提供四种事务 ...
- APISIX 极简入门(国产微服务网关)
1. 概述 APISIX 是基于 OpenResty + etcd 实现的云原生.高性能.可扩展的微服务 API 网关.它是国人开源,目前已经进入 Apache 进行孵化,牛逼!!! OpenRest ...
- 机器学习极简入门课程
开篇词 | 入门机器学习,已迫在眉睫 大家好,我是李烨.现就职于微软(Microsoft),曾在易安信(EMC)和太阳微系统(Sun Microsystems)任软件工程师.先后参与过聊天机器人.大数 ...
最新文章
- Netflix是怎样做系统监控的?
- 在哪里学python好-自学python好还是去培训机构好?
- 字符串过长用...代替,鼠标悬停显示所有内容
- 最完整的Win7快捷键
- 编写一个汇编语言程序,完成以下要求。从BUF单元处定义有10个带符号字数据:-1,3,24,94,62,72,55,0,-48,99,试找出他们中的最大值和平均值,并以此分别存放至该数据区的后两个单元
- 分治 —— 莫队算法
- The LAO将于4月2日启动Neptune DAO,旨在为其他区块链项目提供流动性
- 新版office365介绍
- 阿里云虚拟主机针对恶意频繁攻击式访问造成CPU爆满的解决方法
- SQLServer 2008 r2 下载地址(百度云)及安装图解
- 树莓派4B-Python-控制TB6612FNG
- 网络重置后网络适配器丢失和网络适配器前面是黄色叹号怎么办?
- python Django
- KMP算法的应用——碱基序列匹配
- 苹果6s照相快门声音设置_手机隐藏的10种快门启动方式,你都知道吗?
- z-buffer算法
- 通话用哪款蓝牙耳机好?通话效果比较好的蓝牙耳机推荐
- uiautomator2安卓测试框架报No tests found for given includes
- 投资理财-傻姑娘香草山
- 2023财年Q4业绩继续下滑,ChatGPT能驱动英伟达重回巅峰吗?