二项式定理与二项分布、多项式定理与多项分布
二项式定理与二项分布
二项式定理
二项式定理我们在高中就学过了,即:
(a+b)n=(n0)anb0+(n1)an−1b1+....+(nn−1)a1bn−1+(nn)a0bn=∑i=0n(ni)an−ibi(a+b)^n = {n \choose 0}a^nb^0 + {n \choose 1}a^{n-1}b^1+....+{n \choose n-1}a^1b^{n-1} + {n \choose n}a^0b^{n} \\ = \displaystyle\sum_{i=0}^n {n \choose i}a^{n-i}b^i(a+b)n=(0n)anb0+(1n)an−1b1+....+(n−1n)a1bn−1+(nn)a0bn=i=0∑n(in)an−ibi
二项式定理可以这么理解:以第二项(n1)an−1b{n \choose 1}a^{n-1}b(1n)an−1b为例,我们可以在n个括号中,n-1个括号选择a,另一个括号选择b,那么总共有n个括号,每个括号都可以选择b,所以前面有系数(n1){n \choose 1}(1n)
二项式分布
二项分布适用的情况:一次实验结果只有A和B两种,在n次独立重复实验,设A发生的次数为k,每次试验中事件A发生的概率为p,那么事件A恰好发生K次的概率就可以用二项分布来计算:
P(X=K)=(nk)pk(1−p)n−kP(X = K) = {n \choose k}p^k(1-p)^{n-k}P(X=K)=(kn)pk(1−p)n−k
最直观的例子就是抛N次硬币,计算有k次朝上或朝下的概率。
我们可以发现,二项分布的概率计算公式就是二项式定理的某一项,这也很容易理解,因为我们只是计算有k次正面 朝上的概率,如果k从0遍历到n如果k从0遍历到n如果k从0遍历到n,那么就完全是二项式定理了。
多项式定理与多项式分布
这个过程和二项式定理与二项式分布的关系很相似。
多项式定理
多项式定理的某一项也可以按照二项式定理那么理解,我们可以在n个括号中选取r1r_1r1个x1x_1x1,有(nr1){n \choose r_1}(r1n)种取法,再在(n−r1)(n-r_1)(n−r1)个括号中选取r2r_2r2个x2x_2x2,有(n−r1r2){n-r_1 \choose r_2}(r2n−r1)种取法,,,,这样以此类推。根据乘法原理,应该有
这样前面的系数就出来了。
多项式分布
多项分布适用的情况:一次实验结果有X1,X2,...XkX_1, X_2, ... X_kX1,X2,...Xk种,n次独立重复实验,设XiX_iXi发生的次数分别为rir_iri,每次试验中事件XiX_iXi发生的概率为pip_ipi,那么事件X1,X2,...XkX_1, X_2, ... X_kX1,X2,...Xk恰好发生r1,r2,...rkr_1, r_2, ... r_kr1,r2,...rk次的概率就可以用多项分布来计算:
P(X1=r1,X2=r2,,,Xk=rk)=n!r1!r2!...rk!p1r1p2r2...pkrkP(X_1 = r_1, X_2 = r_2,,, X_k = r_k ) = {n! \over r_1!r_2!...r_k!}p_1^{r_1}p_2^{r_2}...p_k^{r_k}P(X1=r1,X2=r2,,,Xk=rk)=r1!r2!...rk!n!p1r1p2r2...pkrk
可以看到,多项式分布概率计算公式也是多项式定理的某一项。
多项式分布最直观的例子就是掷骰子,掷21次骰子,点数1,2,3,4,5,6朝上的次数分别是6,5,4,3,2,1的概率是多少,这样的问题就可以用多项式分布来建模。
参考:https://blog.csdn.net/apache_xiaochao/article/details/30535521
二项式定理与二项分布、多项式定理与多项分布相关推荐
- 伯努利分布、二项分布、多项分布、贝塔分布、狄利克雷分布、高斯分布
文章目录 伯努利分布 二项分布 多项分布 贝塔分布 狄利克雷分布 高斯分布 伯努利分布 伯努利分布,又名两点分布或0-1分布,介绍伯努利分布前首先需要引入伯努利试验. 伯努利试验是只有两种可能结果的单 ...
- 干货| 详解狄利克雷分布(LDA)、二项分布、Beta分布、多项分布
最近在撰写笔记 [Sklearn源码学习笔记](含官网样例解读)无监督学习之高斯混合模型 的过程中,官方Sklearn源码中BayesianGaussianMixture()方法涉及到狄利克雷分布相关 ...
- UA MATH564 概率论 多项分布
UA MATH564 概率论 多项分布 多项式系数与多项式定理 多项分布的定义 多项分布的性质 多项式系数与多项式定理 下面讨论一个组合问题,假设我们要把nnn个物体分成rrr组,每一组有n1,n2, ...
- 机器学习:Multinoulli分布与多项式分布
学习深度学习时遇见multinoulli分布,在此总结一下机器学习中常用的multinoulli分布与多项式分布之间的区别于关系,以便更好的理解其在机器学习和深度学习中的使用. 首先介绍一下其他相关知 ...
- c# 标准正太分布函数_机器学习中常见的几种概率分布
1.均匀分布 均匀分布是关于定义在区间[a,b](a<b)上连续变量的简单概率分布,其概率密度函数如下图所示. 均匀分布的概率密度函数 若变量x服从均匀分布U(x | 0,1)且a<b,则 ...
- 机器学习理论之(1):概率分布,信息熵,朴素贝叶斯
文章目录 概率 变量类型 Variable types 概率基础 边际概率 联合概率 条件概率 贝叶斯公式 Bayes,先验概率,后验概率 事件的独立和条件独立 独立的两个事件 条件独立的两个事件 不 ...
- 主题模型LDA、NMF、LSA
一.主题模型解决了哪些问题 1.主题模型的概念:主题模型是提取文本 抽象主题相似度 的一种统计模型,自动分析每个文档,统计文档内词语,根据统计的信息判断当前文档包含哪些主题以及各个主题所占比例各为多少 ...
- 概率分布分位点_常用概率分布总结(1)
老是记不住各种分布及其意义,每次用时,回查各个课本资料也很麻烦,一些分布的重要性质也是各处散布,经常找不到,故这里做个总结,当作个资料卡用. 内容有各种常见概率分布,一般会写含义.密度函数形式.期望. ...
- 【NLP】LDA主题模型详解
前言 本人在开始学习LDA主题模型时,一开始看上去感觉挺简单.挺容易理解的.但是,要想真正理解它不是那么容易,大概是因为里面的数学知识点比较多,让一些数学基础不好的人望而生畏.不过好在,如果不想深 ...
最新文章
- 360浏览器5兼容模式吗_Vue-cli项目,打包生产模式,部分用户360浏览器极速模式下奔溃...
- 2018-2-28 Linux学习笔记
- 从程序语言排行榜来解读IT及Web的发展
- QLabel设置文字大小和颜色
- 云计算数据管理的4个关键因素
- 通过Java代码浅谈HTTP协议
- python怎么接收udp报文_面试官:说说UDP和TCP的区别及应用场景
- 传递function_Excel VBA解读(132): 调用Function过程的4种方式
- matlab | 与 || 的区别
- 计算机软件登记委托开发合同,软件委托开发合同
- 2022-04-21 Android开发扫描二维码
- 编程之禅 (小赵译版)(2)
- CCF系列题解--2015年12月第三题 ASCII字符画
- 量子计算机需要的物理知识,量子计算机和物理学上的量子力学关系大吗?
- Kafka有多个broker的例子——重点是Replicas和lsr和Leader位置
- RFID固定资产管理系统更好更快捷的掌握资产情况 资产盘查好帮手
- 爬取哔哩哔哩网站数据
- 网络规划师上午备考知识点(一)(万能协议篇)
- dockers 项目部署
- Linux下MongoDB的入门安装、配置与启动