【初赛】概率与期望学习笔记
一、事件
1、单位事件、事件空间、随机事件
在一次随机试验中可能发生的不能再细分的结果被称为单位事件,用 $ E $ 表示。在随机试验中可能发生的所有单位事件的集合称为事件空间,用 $ S $ 来表示。例如在一次掷骰子的随机试验中,如果用获得的点数来表示单位事件,那么一共可能出现 6 个单位事件,则事件空间可以表示为 S={1,2,3,4,5,6}。S=\{1,2,3,4,5,6\}。S={1,2,3,4,5,6}。
随机事件是事件空间 $ S $ 的子集,它由事件空间 $ S $ 中的单位元素构成,用大写字母 $ A, B, C… $ 表示。例如在掷两个骰子的随机试验中,设随机事件 $ A $ = “获得的点数和大于10”,则 $ A $ 可以由下面 3 个单位事件组成: $ A = { (5,6),(6,5),(6,6)} $ 。
2、事件的计算
因为事件在一定程度上是以集合的含义定义的,因此可以把集合计算方法直接应用于事件的计算,也就是说,在计算过程中,可以把事件当作集合来对待。
- 和事件:相当于并集。只需其中之一发生,就发生了。
- 积事件:相当于交集。必须要全都发生,才计算概率。
二、概率
1、定义
如果在相同条件下,进行了 n 次试验,事件A发生了$ N_A$ 次,那么$ N_A/n$ 称为事件A发生的概率。
2、公理
- 非负性:对于一个事件A,有概率P(A)属于[0,1]。
- 规范性:事件空间的概率值为1, P(S) = 1.
- 容斥行:P(A+B) = P(A)+P(B),A和B互为独立事件。
3、计算
- 全概率公式:
- 贝叶斯定理:
三、期望
1、定义
在一定区间内变量取值为有限个,或数值可以一一列举出来的变量称为离散型随机变量。一个离散性随机变量的数学期望是试验中每次可能的结果乘以其结果概率的总和。
2、性质
- 全期望公式
- 线性性质
四、例题
- NOIP2017初赛,T14,T15
- NOIP2016换教室, 概率期望DP
五、参考
高中概率:https://www.bilibili.com/video/av20348784
转载于:https://www.cnblogs.com/gwj1314/p/10200084.html
【初赛】概率与期望学习笔记相关推荐
- 《统计思维:程序员数学之概率统计》学习笔记 Chap.1-2
最近在阅读Allen B. Downey所著的<统计思维:程序员数学之概率统计>,由于文章中大部分的函数操作都是基于作者自己写的模块thinkstats2,为了能够使用常用python库来 ...
- 【学习笔记】信息学竞赛中的概率与期望小结
信息竞赛--概率与期望 事件 事件的蕴含.包含 事件的互斥 事件的对立 事件的和(并) 事件的积(交) 事件的差 概率 事件的独立性 全概率公式 贝叶斯公式 概率DP(竞赛中的考察) 期望(竞赛中的考 ...
- 【学习笔记】《概率与期望全家桶》(ACM / OI)概率与期望 / 概率论知识小结
整理的算法模板合集: ACM模板 点我看算法全家桶系列!!! 实际上是一个全新的精炼模板整合计划 这块知识很少,但是题很难- 目录 0x00 概率 0x01 基本概念 0x02 古典概率 0x03 条 ...
- 神经网络学习笔记(4)——期望与算术平均值的区别、方差与均方误差的区别
本来说直接看BP算法的代码的,但是看书的时候又确实遇到了这两个东西,所以就先记上这么一个学习笔记. 虽然这种纯数学的东西放在神经网络的学习笔记中好像也不太对,但是确实是学习神经网络的时候遇到的,所以就 ...
- 【学习小结】树上的概率、期望问题,树上高斯消元
树上的概率和期望问题经常用到的思想是考虑父亲和孩子的转移关系 考虑父亲到孩子的概率或者期望通常需要先计算孩子到父亲的概率和期望 例题1 : 分别考虑每条边(两个方向)的贡献 在路径中每条边的贡献(走过 ...
- 一文弄懂元学习 (Meta Learing)(附代码实战)《繁凡的深度学习笔记》第 15 章 元学习详解 (上)万字中文综述
<繁凡的深度学习笔记>第 15 章 元学习详解 (上)万字中文综述(DL笔记整理系列) 3043331995@qq.com https://fanfansann.blog.csdn.net ...
- 【学习笔记】线性代数全家桶(在编程竞赛中的应用)
整理的算法模板合集: ACM模板 点我看算法全家桶系列!!! 实际上是一个全新的精炼模板整合计划 目录 0x00. 矩阵 0x01. 矩阵 0x02. 矩阵的加法与数量乘法 0x03. 矩阵乘法 0x ...
- tensorflow学习笔记——使用TensorFlow操作MNIST数据(1)
续集请点击我:tensorflow学习笔记--使用TensorFlow操作MNIST数据(2) 本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有He ...
- GMM高斯混合模型学习笔记(EM算法求解)
提出混合模型主要是为了能更好地近似一些较复杂的样本分布,通过不断添加component个数,能够随意地逼近不论什么连续的概率分布.所以我们觉得不论什么样本分布都能够用混合模型来建模.由于高斯函数具有一 ...
最新文章
- 皮一皮:夏天来了,蚊子叫了...
- 重要提醒--to 小爱
- 图片渲染延迟_前向渲染与延迟渲染
- agv matlab应用,简单介绍一下agv调度控制系统常见的软件应用
- 利用python制作的可视化批量文件后缀处理工具
- 连接服务器_服务器海量TCP连接如何高效保活?
- python切割图片文字_Python+opencv 实现图片文字的分割的方法示例
- wps linux 字体_WPS Office:Linux 上的 Microsoft Office 的免费替代品 | Linux 中国
- java获取网页的内容_java获取网页内容
- 23种设计模式(6):模版方法模式
- 【修正补发】Scratch2exe-ch将sb2文件转换为exe文件
- 程序员欢乐送(60):我有一个大胆的想法!
- Python中列表,元组,字典的一些基本用法
- 智伴机器人三级分销模式_微信三级分销模式的可行性?
- vscode遇到无法访问此网站问题的两种解决方法
- mysql semi-sync(半同步复制)
- 软件测试质量度量,软件测试过程质量的度量
- 【STM32】 电解电容
- 最大可传输单元 MTU 对 UDP/TCP 包的大小限制
- 使用计算机辐射最大,台式电脑哪里辐射最大
热门文章
- Face-landmarks-detection-benchmark 人脸特征定位网站汇总
- 复制 和 粘帖 的方法(特别在linux中),备忘
- power bi可视化表_如何使用Power BI可视化数据?
- 时间序列 线性回归 区别_时间序列分析的完整介绍(带R)::线性过程I
- Linux dbm轻量级数据库介绍与使用
- 谷歌 MapReduce 初探
- AD提高动态的方法(附SNR计算)
- oracle 备份教研归档失败,归档日志丢失造成Rman备份失败解决办法
- python中rim的用法_Python并发开发简介
- LeetCode 286. 墙与门 多源BFS和DFS