L1-概率论中的10个基本概念:古典概率、联合概率、条件概率、生日问题等
(1)排列数
从 m m m个不同元素中取出 n ( n ≤ m ) n(n≤m) n(n≤m)个元素(被取出的元素各不相同),并按照一定的顺序排成一列,叫做从 m m m个不同元素中取出 n n n个元素的一个排列,记作 A ( m , n ) A(m,n) A(m,n)。
A ( m , n ) = A m n = m ! ( m − n ) ! A(m,n)=A_m^n=\frac{m!}{(m-n)!} A(m,n)=Amn=(m−n)!m!
(2)组合数
从 m m m个不同元素中取出 n ( n ≤ m ) n(n≤m) n(n≤m)个元素,叫做从 m m m个不同元素中取出 n n n个元素的组合数,记作 C ( m , n ) C(m,n) C(m,n)。
C ( m , n ) = C m n = m ! ( m − n ) ! n ! C(m,n)=C_m^n=\frac {m!}{(m-n)!n!} C(m,n)=Cmn=(m−n)!n!m!
(3)古典概率
概率是以假设为基础的,即假定随机现象所发生的事件是有限的、互不相容的,而且每个基本事件发生的可能性等。一般来讲,如果在全部可能出现的基本事件范围内构成事件 A A A的基本事件有 a a a个,不构成事件 A A A的有 b b b个,那么事件 A A A出现的概率为:
P ( A ) = a a + b P(A)=\frac {a}{a+b} P(A)=a+ba
(4)生日问题
n个人中至少两个人生日在同一天的概率
P ( A ) = 1 − 365 ! 36 5 n ( 365 − n ) ! P(A)=1- \frac{365!}{365^n(365-n)!} P(A)=1−365n(365−n)!365!
(5)联合概率
两个事件共同发生的概率,事件 A A A和事件 B B B的同时发生的概率记作: P ( A B ) P(AB) P(AB)或 P ( A , B ) P(A,B) P(A,B)或 P ( A ∩ B ) P(A∩B) P(A∩B)。
P ( A B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(AB)=P(A|B)P(B)=P(B|A)P(A) P(AB)=P(A∣B)P(B)=P(B∣A)P(A)
(6)条件概率
事件 B B B已经发生的条件下,事件 A A A发生的概率,记作 P ( A ∣ B ) P(A|B) P(A∣B),条件概率具有非负性、可列性、可加性。
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac {P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
(7)全概率公式
B 1 . . . B n B_1 ... B_n B1...Bn是随机试验 S S S的一组事件,满足以下两个条件:
- B i ⋃ B j = ∅ , i ≠ j B_i \bigcup B_j = \emptyset, i \not= j Bi⋃Bj=∅,i=j (两两互不相容)
- B 1 ⋂ B 2 , . . . , ⋂ B n = S B_1 \bigcap B_2,..., \bigcap B_n = S B1⋂B2,...,⋂Bn=S (并集为整个样本空间)
称 B 1 . . . B n B_1 ... B_n B1...Bn是样本空间 S S S的一个划分。
通过样本划分可以将复杂事件划分为若干不相容的简单事件 B i B_i Bi,利用全概率公式可求得结果事件 A A A的概率 P ( A ) P(A) P(A)
P ( A ) = ∑ i = 1 n P ( A B i ) = ∑ i = 1 n P ( B i ) P ( A ∣ B i ) P(A) = \sum_{i=1}^{n}P(AB_i) = \sum_{i=1}^{n}P(B_i)P(A \mid B_i) P(A)=i=1∑nP(ABi)=i=1∑nP(Bi)P(A∣Bi)
其中, P ( B i ) P(B_i) P(Bi)为已知的每个原因事件 B i B_i Bi的概率, P ( A ∣ B i ) P(A \mid B_i) P(A∣Bi)表示每个原因事件对结果事件的影响程度。
(8)贝叶斯公式
根据条件概率: P ( A B ) = P ( A ) P ( B ∣ A ) = P ( B ) P ( A ∣ B ) P(AB) = P(A) P(B\mid A) = P(B) P(A\mid B) P(AB)=P(A)P(B∣A)=P(B)P(A∣B)可推导出贝叶斯公式:
P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( B ) P(A\mid B) = \frac {P(A)P(B \mid A)}{P(B)} P(A∣B)=P(B)P(A)P(B∣A)
推广:
P ( B i ∣ A ) = P ( A B i ) P ( A ) = P ( B i ) P ( A ∣ B i ) ∑ i = 1 n P ( B i ) P ( A ∣ B i ) P(B_i \mid A) = \frac {P(AB_i)}{P(A)} = \frac {P(B_i)P(A \mid B_i)}{\sum_{i=1}^{n}P(B_i)P(A \mid B_i)} P(Bi∣A)=P(A)P(ABi)=∑i=1nP(Bi)P(A∣Bi)P(Bi)P(A∣Bi)
P ( B i ∣ A ) P(B_i \mid A) P(Bi∣A)用来反映引起结果事件 A A A发生的各种原因事件 B i B_i Bi的可能性。
(9)事件独立性
两个事件 A 、 B A、B A、B,如果 P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B),则事件 A A A和 B B B相互独立。如果事件 A 、 B A、B A、B相互独立,互不影响,那么 z P ( A ∣ B ) = P ( A ) zP(A|B)=P(A) zP(A∣B)=P(A), P ( B ∣ A ) = P ( B ) P(B|A)=P(B) P(B∣A)=P(B)。
(10)小概率事件
小概率事件:如果事件 A A A发生的概率 p = 0.0001 p=0.0001 p=0.0001,那么进行一次实验,事件 A A A会发生吗?
根据实际推断原理:概率很小的事件在一次实验中实际上几乎是不发生的。
n n n次实验中,都不发生的概率: ( 1 − p ) n (1-p)^n (1−p)n
n n n次实验中,至少有1次发生事故的概率: 1 − ( 1 − p ) n 1-(1-p)^n 1−(1−p)n,由于 lim n → + ∞ ( 1 − p ) n = 1 \lim_{n\rightarrow+\infty}(1-p)^n=1 n→+∞lim(1−p)n=1
说明“小概率事件”在大量独立重复实验中“至少有一次发生”几乎是必然的,因此决不能轻视小概率事件。
如, n = 7000 n=7000 n=7000时, 1 − ( 1 − p ) n = 1 − ( 1 − 0.0001 ) 7000 = 0.5053 > 0.5 1-(1-p)^{n} = 1-(1-0.0001)^{7000} = 0.5053>0.5 1−(1−p)n=1−(1−0.0001)7000=0.5053>0.5
n = 30000 n=30000 n=30000时, 1 − ( 1 − p ) n = 1 − ( 1 − 0.0001 ) 30000 = 0.9502 1-(1-p)^{n} = 1-(1-0.0001)^{30000} = 0.9502 1−(1−p)n=1−(1−0.0001)30000=0.9502
L1-概率论中的10个基本概念:古典概率、联合概率、条件概率、生日问题等相关推荐
- matlab画无量纲速度分布,麦克斯韦分布与概率论中典型分布的比较教学
大学物理和高中物理的衔接教学已经受到大学教师足够的重视和研究[1-3].大学物理的数学基础是大学数学,特别是微积分和概率论.关于大学物理和大学数学课程的有效衔接和融汇教学国内也有初步的研究和实践[4- ...
- 概率论中的“矩”是什么意思
在前两篇文章(时域分析--有量纲特征值含义一网打尽.时域分析--无量纲特征值含义一网打尽)中提到了"矩"这个概念.例如期望是一阶矩,方差是二阶矩等等.要怎么理解"矩&qu ...
- 概率论中均值、方差、标准差介绍及C++/OpenCV/Eigen的三种实现
概率论是用于表示不确定性声明(statement)的数学框架.它不仅提供了量化不确定性的方法,也提供了用于导出新的不确定性声明的公理.在人工智能领域,概率论主要有两种用途.首先,概率法则告诉我们AI系 ...
- 编程面试的10大算法概念汇总
编程面试的10大算法概念汇总 嘿,第一次翻译文章,在ProgramCreek看到的,原文章名为Top 10 Algorithms for Coding Interview, 对于我这个明年即将直奔BA ...
- oracle元数据存储在表空间,oracle db中数据和元数据的概念
本帖最后由 warehouse 于 2014-8-10 11:58 编辑 02年研究dw相关的产品和业务时第一次听说了元数据的概念,很多资料上是这样描述元数据的概念的:元数据是定义或者描述数据的数据. ...
- 数据库:学好SQL必须知道的10个高级概念
今天给大家分享学好SQL必须知道的10个高级概念. 1.常见表表达式(CTEs) 如果您想要查询子查询,那就是CTEs施展身手的时候 - CTEs基本上创建了一个临时表. 使用常用表表达式(CTEs) ...
- 锁是网络数据库中的一个非常重要的概念
锁是网络数据库中的一个非常重要的概念,它主要用于多用户环境下保证数据库完整性和一致性.各种大型数据库所采用的锁的基本理论是一致的,但在具体 实现上各有差别.目前,大多数数据库管理系统都或多或少具有自我 ...
- linux中文件复的概念,诠释 Linux 中“一切都是文件”概念和相应的文件类型
原标题:诠释 Linux 中"一切都是文件"概念和相应的文件类型 原文出处: Aaron Kili 译文出处:runningwater 在 Unix 和它衍生的比如 Linux 系 ...
- 对象删除某个属性_充分了解JavaScript中【对象】的概念(二)
点击上方「蓝字」关注我们 之前的文章: 充分了解JavaScript中[对象]的概念(一) 这篇文章我们继续来讲解JavaScript中[对象]的概念,因为这是一系列的文章,所以建议从第一篇文章开始看 ...
最新文章
- Spring注解Annotation
- 如何提高在家办公的效率?
- Windows PE变形练手3-把通用模板机器码直接覆盖目标PE
- 计算机什么存放bois程序,[硬件维护]问一个基础性的问题:BIOS程序到底存放在哪个芯片里?...
- 股票代码前面为0,补齐6位数
- python 接口测试 如何写配置文件_python接口自动化测试 - configparser配置文件解析器详细使用...
- Web Service Software Factory 入门
- Zabbix_Server 迁移之 Agent 地址批量修改
- Orthanc+OHIF DICOM Viewer最佳Dicom解析、在线浏览实践指南(解决方案)
- python如何看字符串长度_Python如何查找字符串的长度?(代码示例)
- 硕士论文latex参考文献格式经验
- easyui radiobutton
- 分糖果系列一(DP+暴力)
- 染色质调控区域的研究: 对CHIP-seq和ATAC-seq发展的深入思考
- Creating a universal SNP and small indel variant caller with deep neural networks理解
- 安卓选择相册或者相机图片并裁剪适配华为小米机型
- php-fpm服务启动命令,PHP-fpm服务的启动和停止
- 西门子博途1500双驱同步,伺服同步运行程序,3轴码垛博途程序,scl项目,同步轴走PN工艺对象
- Mock服务(1)---- 初识Mock
- session-based recommendation的两个模型对比NARM, STAMP