七月算法-P2 概率论与数理统计(1)
七月算法-P2
- 概率论与数理统计(1)
- 古典概型
- 概率
- 分布
- 两点分布
- 二项分布 Bernoulli distribution
- 泊松分布
- 均匀分布
- 指数分布
- 正太分布
- 总结
概率论与数理统计(1)
对概率的认识:P∈[0,1]P \in [0,1]P∈[0,1]
将位于[0,1][0,1][0,1]的函数y=f(x)y=f(x)y=f(x)看成xxx对应yyy事件的概率
古典概型
将nnn个不同的求放入N(N≥n)N(N\geq n)N(N≥n)个盒子中,假设盒子容量是无限,求事件A={每个盒子至多有1个球}的概率。
P(A)=PNnNnP(A)=\frac{P_N^n}{N^n}P(A)=NnPNn
其中PNn=N(N−1)(N−2)...(N−n+1)P_N^n=N(N-1)(N-2)...(N-n+1)PNn=N(N−1)(N−2)...(N−n+1)
概率
条件概率:
P(A∣B)=P(AB)P(B)P(A|B)=\frac{P(AB)}{P(B)}P(A∣B)=P(B)P(AB)
全概率公式:
P(A)=∑iP(A∣Bi)P(Bi)P(A)=\sum_i P(A|B_i)P(B_i)P(A)=i∑P(A∣Bi)P(Bi)
贝叶斯公式:
P(Bi∣A)=P(A∣Bi)P(Bi)∑jP(A∣Bj)P(Bj)P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\sum_j P(A|B_j)P(B_j)}P(Bi∣A)=∑jP(A∣Bj)P(Bj)P(A∣Bi)P(Bi)
分布
两点分布
已知随机变量XXX的分布律为:
则有:
E(X)=1∗p+0∗q=pE(X)=1*p+0*q=pE(X)=1∗p+0∗q=p
D(X)=E(X2)−[E(X)]2=12⋅p+02⋅(1−p)−p2=p(1−p)=pqD(X)=E(X^2)-[E(X)]^2=1^2 \cdot p + 0^2 \cdot (1-p) - p^2=p(1-p)=pqD(X)=E(X2)−[E(X)]2=12⋅p+02⋅(1−p)−p2=p(1−p)=pq
二项分布 Bernoulli distribution
随机变量XXX服从参数为n,pn,pn,p二项分布
设XiX_iXi为第iii次试验中事件AAA发生的次数,i=1,2...ni=1,2...ni=1,2...n
则:
X=∑i=1nXiX=\sum_{i=1}^nX_iX=i=1∑nXi
显然,XiX_iXi相互独立均服从参数为ppp的0-1分布,
所以:
E(X)=∑i=1nE(Xi)=npE(X)=\sum_{i=1}^nE(X_i)=npE(X)=∑i=1nE(Xi)=np
D(X)=∑i=1nD(Xi)=np(1−p)D(X)=\sum_{i=1}^nD(X_i)=np(1-p)D(X)=∑i=1nD(Xi)=np(1−p)
泊松分布
设X∼π(λ)X \sim \pi(\lambda)X∼π(λ),且分布律为
P{X=K}=λkk!e−λ,k=0,1,2,...,λ>0P \lbrace X=K \rbrace=\frac{\lambda ^k}{k!} e^{- \lambda} , k=0,1,2,...,\lambda>0 P{X=K}=k!λke−λ,k=0,1,2,...,λ>0
E(X)=∑k=0∞k⋅λkk!e−λ=e−λ∑k=1∞λk−1(k−1)!⋅λ=λe−λ⋅eλ=λE(X)=\sum_{k=0}^{\infty} k \cdot \frac{\lambda^k}{k!}e^{- \lambda}=e^{-\lambda}\sum_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}\cdot \lambda=\lambda e ^{-\lambda} \cdot e^{\lambda}=\lambdaE(X)=∑k=0∞k⋅k!λke−λ=e−λ∑k=1∞(k−1)!λk−1⋅λ=λe−λ⋅eλ=λ
E(X2)=E[X(X−1)+X]=E[X(X−1)]+E(X)=∑k=0∞k(k−1)⋅λkk!e−λ+λ=λ2e−λ∑k=2∞λk−2(k−2)!+λ=λ2e−λeλ+λ=λ2+λ\begin{aligned} E(X^2) &=E[X(X-1)+X]=E[X(X-1)]+E(X) =\sum_{k=0}^{\infty}k(k-1)\cdot \frac{\lambda^k}{k!}e^{-\lambda}+\lambda \\ &=\lambda^2e^{-\lambda}\sum_{k=2}^{\infty}\frac{\lambda^{k-2}}{(k-2)!}+\lambda=\lambda^2e^{-\lambda}e^{\lambda}+\lambda=\lambda^2+\lambda \end{aligned} E(X2)=E[X(X−1)+X]=E[X(X−1)]+E(X)=k=0∑∞k(k−1)⋅k!λke−λ+λ=λ2e−λk=2∑∞(k−2)!λk−2+λ=λ2e−λeλ+λ=λ2+λ
D(X)=E(X2)−[E(X)]2=λ2+λ−λ2=λD(X)=E(X^2)-[E(X)]^2=\lambda^2+\lambda-\lambda^2=\lambdaD(X)=E(X2)−[E(X)]2=λ2+λ−λ2=λ
均匀分布
设X∼U(a,b)X \sim U(a,b)X∼U(a,b),其概率密度为
f(x)={1b−a,a<x<b0,othersf(x)= \begin{cases} \frac{1}{b-a}, & \text {$a<x<b$} \\ 0, & \text{others} \end{cases} f(x)={b−a1,0,a<x<bothers
E(X)=∫−∞∞xf(x)dx=∫ab1b−axdx=12(a+b)E(X)=\int_{-\infty}^{\infty} xf(x) dx=\int_{a}^{b} \frac{1}{b-a} x dx = \frac{1}{2}(a+b) E(X)=∫−∞∞xf(x)dx=∫abb−a1xdx=21(a+b)
D(X)=E(X2)−[E(X)]2=∫ab1b−ax2dx−(a+b2)2=(b−a)212D(X)=E(X^2)-[E(X)]^2=\int_{a}^{b} \frac{1}{b-a} x^2 dx - \left( \frac{a+b}{2} \right)^2= \frac{(b-a)^2}{12} D(X)=E(X2)−[E(X)]2=∫abb−a1x2dx−(2a+b)2=12(b−a)2
指数分布
设随机变量XXX服从指数分布,其概率密度为
f(x)={1θe−x/θ,x>00,x≤0其中θ>0f(x)= \begin{cases} \frac{1}{\theta}e^{-x/\theta}, & \text {$x > 0$} \\ 0, & \text{$ x \leq 0$} \end{cases} 其中 \theta > 0f(x)={θ1e−x/θ,0,x>0x≤0其中θ>0
则有:
E(X)=∫−∞∞xf(x)dx=∫0∞x1θe−x/θdx=−xe−x/θ∣0∞+∫0∞e−x/θdx=θ\begin{aligned} E(X) &= \int _{-\infty}^{\infty} xf(x)dx=\int _{0}^{\infty} x \frac{1}{\theta}e^{-x/\theta}dx\\ &=-x e^{-x/\theta}|_0^{\infty}+\int_0^{\infty}e^{-x/\theta}dx=\theta \end{aligned} E(X)=∫−∞∞xf(x)dx=∫0∞xθ1e−x/θdx=−xe−x/θ∣0∞+∫0∞e−x/θdx=θ
D(X)=E(X2)−[E(X)]2=∫0∞x2⋅1θe−x/θdx−θ2=2θ2−θ2=θ2D(X)=E(X^2)-[E(X)]^2 = \int_0^{\infty} x^2 \cdot \frac{1}{\theta} e^{-x/\theta}dx - \theta^2 = 2\theta^2 - \theta^2 = \theta^2D(X)=E(X2)−[E(X)]2=∫0∞x2⋅θ1e−x/θdx−θ2=2θ2−θ2=θ2
正太分布
设X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2),其概率密度为
f(x)=12πσe−(x−u)22σ2,σ>0,−∞<x<+∞f(x) = \frac{1}{\sqrt{2 \pi} \sigma} e ^{- \frac{(x-u)^2}{2 \sigma^2}},\sigma>0,-\infty<x<+\infty f(x)=2πσ1e−2σ2(x−u)2,σ>0,−∞<x<+∞
E(X)=∫−∞+∞xf(x)dx=∫−∞+∞x∗12πσe−(x−μ)22σ2dxE(X)=\int_{-\infty}^{+\infty}xf(x)dx=\int_{-\infty}^{+\infty}x*\frac1{\sqrt{2 \pi} \sigma}e^{- \frac{(x-\mu)^2}{2\sigma^2}}dxE(X)=∫−∞+∞xf(x)dx=∫−∞+∞x∗2πσ1e−2σ2(x−μ)2dx
令x−μσ=t⇒x=μ+σt\frac{x-\mu}{\sigma}=t \Rightarrow x=\mu+\sigma tσx−μ=t⇒x=μ+σt
所以:
E(X)=∫−∞+∞x∗12πσe−(x−μ)22σ2dx=12π∫−∞+∞(μ+σt)e−t22dt=u12π∫−∞+∞e−t22dt+σ2π∫−∞+∞te−t22dt=μ\begin{aligned} E(X) &= \int_{-\infty}^{+\infty}x*\frac1{\sqrt{2 \pi} \sigma}e^{- \frac{(x-\mu)^2}{2\sigma^2}}dx \\ &= \frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{+\infty}(\mu + \sigma t)e^{-\frac{t^2}{2}}dt \\ &= u \frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{+\infty}e^{-\frac{t^2}{2}}dt + \frac{\sigma}{\sqrt{2 \pi}} \int_{-\infty}^{+\infty} t e^{-\frac{t^2}{2}}dt \\ &= \mu \end{aligned} E(X)=∫−∞+∞x∗2πσ1e−2σ2(x−μ)2dx=2π1∫−∞+∞(μ+σt)e−2t2dt=u2π1∫−∞+∞e−2t2dt+2πσ∫−∞+∞te−2t2dt=μ
D(x)=∫−∞+∞(x−μ)2f(x)dx=∫−∞+∞(x−μ)212πσe−(x−μ)22σ2dx\begin{aligned} D(x) &=\int_{-\infty}^{+\infty}(x-\mu)^2 f(x) dx \\ &= \int_{-\infty}^{+\infty}(x-\mu)^2 \frac1{\sqrt{2 \pi} \sigma}e^{- \frac{(x-\mu)^2}{2\sigma^2}} dx \end{aligned} D(x)=∫−∞+∞(x−μ)2f(x)dx=∫−∞+∞(x−μ)22πσ1e−2σ2(x−μ)2dx
令x−μσ=t⇒x=μ+σt\frac{x-\mu}{\sigma}=t \Rightarrow x=\mu+\sigma tσx−μ=t⇒x=μ+σt
D(x)=σ22π∫−∞+∞t2e−t22dt=σ22π(−te−t22∣−∞+∞+12π∫−∞+∞e−t22dt)=0+σ22π2π=σ2\begin{aligned} D(x) &= \frac{{\sigma}^2}{\sqrt{2 \pi}} \int_{-\infty}^{+\infty} t^2e^{ - \frac{t^2}{2}} dt \\& =\frac{{\sigma}^2}{\sqrt{2 \pi}} \left( -te^{- \frac{t^2}{2}} |_{-\infty} ^{+\infty} + \frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{+\infty}e^{-\frac{t^2}{2}}dt\right) \\ &= 0 + \frac{\sigma^2}{\sqrt{2 \pi}}\sqrt{2 \pi} \\ &= \sigma^2 \end{aligned} D(x)=2πσ2∫−∞+∞t2e−2t2dt=2πσ2(−te−2t2∣−∞+∞+2π1∫−∞+∞e−2t2dt)=0+2πσ22π=σ2
总结
七月算法-P2 概率论与数理统计(1)相关推荐
- 七月算法机器学习笔记1 微积分与概率论
七月算法(http://www.julyedu.com) 12月份 机器学习在线班 学习笔记
- 【2020/07/16修订】概率论与数理统计(电子科技大学) 知识梳理 · 第一版(1到8章 · 度盘)
概率论与数理统计 知 识 梳 理 (第一版) 建议先修课程:高等数学(微积分) 配套课程: 1.慕课(MOOC):概率论与数理统计(电子科技大学) 2.教材:概率论与数理统计 电子科技大学应用数学学院 ...
- 概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理1 Baire‘s Category与Banach-Steinhaus定理的证明
概率论与数理统计中的算子半群 第一讲 Banach-Steinhaus定理1 Baire's Category与Banach-Steinhaus定理的证明 Baire's Category Theor ...
- [概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量
[概统]本科二年级 概率论与数理统计 第三讲 离散型随机变量 离散型随机变量的基本概念 Bernoulli分布与二项分布 超几何分布 几何分布 Poisson分布 离散型随机变量的基本概念 定义3.1 ...
- [概统]本科二年级 概率论与数理统计 第二讲 几何概型
[概统]本科二年级 概率论与数理统计 第二讲 几何概型 蒲丰投针问题 Buffon's Needle Problem 伯川德悖论 Bertrand Paradox 几何概型的思想非常简单,用图形表示事 ...
- 概率与统计在计算机应用,计算机技术在概率论和数理统计中的应用
计算机技术在概率论和数理统计中的应用 (5页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 19.90 积分 概率论与数理统计 期中论文计算机技术在概率论和 ...
- 概率论与数理统计思维导图_数学思维到底有多重要?这个学科往往影响国家实力...
原标题:<关于加强数学科学研究工作方案>日前发布--数学思维今何在 密码学家王晓云日前获得了2019年未来科学大奖数学与计算机科学奖.她提出密码哈希函数的碰撞攻击理论,推动帮助新一代密码哈 ...
- 概率论与数理统计(Probability Statistics I)
Table of Contents 概率论的基本概念(The Basic Concept of Probability Theory) 随机变量及其分布(Random Variable and Its ...
- 概率论与数理统计-下篇
概率论与数理统计-下篇 4 一维随机变量 4.1 分布函数 4.1.1 定义与充要条件 定义: FX(x)=P{X⩽x},x∈RF_{_{X}}(x)=P\{X\leqslant x\}\ ,\ x\ ...
- 视频教程-机器学习数学基础--概率论与数理统计视频教学-机器学习
机器学习数学基础--概率论与数理统计视频教学 北京大学计算机技术及应用专业,从事IT行业十几年,主要从事java.Linux.手机应用开发.人工智能神经网络方面的工作.曾在中国数码集团.厦门三五互联集 ...
最新文章
- 独家|盘点5个TensorFlow和机器学习课程,程序员福利(附资源)
- 与其倒推以前不如推到重建
- 远程连接linux虚拟网卡,Linux 虚拟机虚拟网卡问题导致无法连接问题
- Ambari安装之部署3个节点的HA分布式集群
- GitHub https链接中输入账户和密码
- 创纪录!Oracle关键补丁更新修复关键漏洞曝光
- 你绝对能懂的“机器学习”(四)
- Fixed: MacOS Mojave(10.14) 解决终端用Crontab报权限问题(不管是Root还是普通用户)及Linux基础(shell)...
- jvm-内存区域与内存溢出异常
- 打通C到B,“能者多劳”的小冰
- 【EXLIBRIS】#小词旮旯# 002 Rape
- 计算机管理可以全自动,这款全自动化的小工具,可以让你在父母面前光明正大得玩电脑啦...
- curl命令及其API 的使用
- 无限火力服务器爆炸,lol:无限火力这些英雄打架,腾讯看的都紧张,打到服务器爆炸!...
- 雷电2接口_中国连城 | 总结关于USB、TypeC、雷电接口的冷知识
- Erebus 0.5 发布,2D 实时角色扮演游戏
- CPU架构:CPU架构详细介绍
- 洛谷P1460 健康的荷斯坦奶牛 Healthy Holsteins
- 【python掩膜及多子图colorbar】
- 英文学习20180321
热门文章
- cocos2d-x打印log
- 新一届亚马逊研究奖公布!陈怡然、陈丹琦、杨笛一、吴佳俊等华人学者入选
- python查看矩阵大小
- 智能计算机与应用是核心期刊吗,人工智能的核心期刊都有哪些
- 每个人都应该具备点批判性思维
- 小球斜抛公式用C语言怎么写,利用C4droid绘制小球斜抛运动轨迹(考虑空气阻力)...
- java 共享类,Java 技术,IBM 风格: 类共享
- 用R语言进行Cox回归生存分析
- vim写python时:line 1: syntax error near unexpected token
- k8s查看token,discovery-token-ca-cert-hash