概率论与数理统计

简介: 1.基本概念随机变量 记为XX. 分布函数 记为F(x)=P{X≤x}F(x)=P\{X\le x\}. 概率密度 若F(x)=∫x−∞f(t)dtF(x)=\int _{-\infty}^xf(t)dt,则f(x)f(x)称为随机变量X的概率密度. 先验概率与后验概率 先验概率:在实验之前求某件事发生的概率。 后验概率:事实已经发生,求何种情况导致此事发生的概

1.基本概念

随机变量
记为X.
分布函数
记为F(x)=P{Xx}.
概率密度
F(x)=xf(t)dt,则f(x)称为随机变量X的概率密度.
先验概率与后验概率
先验概率:在实验之前求某件事发生的概率。
后验概率:事实已经发生,求何种情况导致此事发生的概率

2.常用分布

二项分布
如果随机变量X有分布律

P{X=k}=Cknpkqnk,k=0,1,...,n,q=1p

则称X服从参数为 n,p的二项分布,记作 XB(n,p)

若每次试验成功的概率为p,则n次独立重复试验中,成功的总次数X服从二项分布.

几何分布
如果随机变量X有分布律

P{X=k}=pqk1

则称X服从参数为 p的几何分布.

若每次试验成功的概率为p,则n次独立重复试验中,第k次实验才首次成功的概率服从二项分布.

泊松分布
如果随机变量X有分布律

P{X=k}=λkk!eλ

则称X服从参数为 λ的泊松分布.记为 XP(λ)

一段时间内候车的旅客数,电话总机接到的呼叫次数等都服从泊松]分布.

均匀分布
X在区间[a,b]上服从均匀分布,记作XU[a,b]
正态分布

f(x)=12πσe(xμ)22σ2

其中 μ,σ为常数且 σ>0,则称X服从参数为 μ,σ的正态分布,记为 XN(μ,σ2)
标准正态分布
在正态分布中,当 μ=0,σ=1时,即 XN(0,1),称X服从标准正态分布,此时的概率密度为 f(x)=12πex22

3.常用定理

贝叶斯定理
P(A|B)=P(AB)P(B)=P(B|A)P(A)P(B)

目录
相关文章
|
机器学习/深度学习 人工智能 算法
数学基础之概率论
数学基础之概率论
62 1
|
11月前
|
存储 大数据 数据挖掘
浅析概率论的应用
浅析概率论的应用 【摘 要】在学习概率论与数理统计过程中,我们可以发现随机现象存在于我们日常生活的方方面面和科学技术的各个领域。并且概率论与数理统计不仅是一门十分重要的大学数学基础课, 还是唯一一门研究随机现象规律的学科,它指导人们从事物表
92 0
|
人工智能 资源调度 Python
概率论基础
因为概率图模型会涉及大量概率论的知识,所以在开始概率图模型之前,首先让我们回顾一下概率论的一些概念和基础知识。
136 0
概率论基础
|
容器
数学|泊松分酒问题蕴藏的数学知识
数学|泊松分酒问题蕴藏的数学知识
161 0
概率论笔记(二)概率分布
概率论笔记(二)概率分布
83 0
|
Dart 算法 Java
概率论与数理统计引论
概率论与数理统计引论
|
机器学习/深度学习 搜索推荐 计算机视觉
【机器学习中的矩阵求导】(九)矩阵论大复习
kron(A,B) 是通过获取 A 元素与矩阵 B 元素之间的所有可能积而形成的一个 mp×nq 矩阵。 先来看一个Python实现Kronecker积等。可以参考numpy的官方文档。
457 0
【机器学习中的矩阵求导】(九)矩阵论大复习
|
机器学习/深度学习 人工智能 自然语言处理
数学之美之贝叶斯
数学之美之贝叶斯
305 0
统计学(一)
分位数 使用QUARTILE函数算出 第一分位数:25%分位数 第二分位数:中位数 第三分位数:75%分位数 知识在于点滴积累
658 0