ML 系列:机器学习和深度学习的深层次总结(17)从样本空间到概率规则概率

一、说明

        概率是支撑大部分统计分析的基本概念。从本质上讲,概率提供了一个框架,用于量化不确定性并对未来事件做出明智的预测。无论您是在掷骰子、预测天气还是评估金融市场的风险,概率都是帮助您驾驭不确定性的工具。本篇将讲授概率的原理和可操作性。

二、关键概念和示例 

        以下是样本空间、结果、事件和概率等关键概念的定义,以及有助于阐明每个概念的解释和示例:

2.1. 样本空间 (S)


        样本空间是随机实验的所有可能结果的集合。样本空间包括实验可能出现的所有潜在结果。例如,在抛硬币时,样本空间由两个结果组成:正面和反面

示例

  • 硬币翻转:样本空间 (S) 为 {正面、反面}。
  • 掷六面骰子: 样本空间 (S) 为 {1, 2, 3, 4, 5, 6} 。

结果

图 1.结果

        结果是随机实验的单个可能结果。

        结果是进行实验时发生的特定结果。样本空间的每个元素都代表一个唯一的结果。

        示例

  • 硬币翻转:一种可能的结果是“正面”。
  • 掷骰子:一种可能的结果是掷出“4”。

2.2 . 事件 (E)


        事件是样本空间的子集,由一个或多个结果组成。
        事件表示样本空间中的特定事件。它可以包括一个结果或结果的组合。事件可以用多种方式描述,例如“至少一个正面”或“掷出偶数”。

例:

  • 抛硬币:事件可以是“正面朝上” E = {正面}。
  • 掷骰子:事件可以是“掷偶数” E = {2, 4, 6} 。

2.3 概率 (P)


        概率衡量事件发生的可能性,用 0 到 1 之间的数字表示,其中 0 表示不可能,1 表示确定性。
        概率量化了事件发生的几率。概率为 0 表示事件不会发生(不可能),而概率为 1 表示事件是确定的。事件 E 的概率的计算方法是将 E 的有利结果数除以样本空间 S 中的结果总数。

例:

  • 抛硬币:正面朝上的概率 P(正面) = 1/2。
  • 掷骰子:掷出偶数 P(偶数) = 3/6 = 1/2 的概率,因为在六种可能的结果中,有三种有利的结果(2、4、6)。

三、事件类型

        在概率中,可以根据事件与其他事件的关系来定义几种不同类型的事件:

图 2.事件类型

1. 简单(或基本)事件
        简单事件是指由样本空间中的一个结果组成的事件。

示例:
在一次六面骰子的掷骰中,“掷 4”事件是一个简单的事件,因为它只对应于一个结果:{4}。

2. 复合事件
        复合事件是由两个或多个简单事件组成的事件。

示例
在六面骰子的单次掷骰中,“掷偶数”事件是一个复合事件,因为它包括多个结果:{2, 4, 6}。

3. 特定事件
特定事件是保证发生的事件。它的概率始终为 1。

        示例:
        在六面骰子的单次掷骰中,“在 1 到 6 之间掷出一个数字”事件是确定的事件,因为掷骰子的每个结果都在这个范围内。因此,P(掷出 1 到 6 之间的数字)= 1

图 3.特定事件

        4. 穷举事件
        如果必须至少发生一个事件,则一组事件是穷举的。事件集涵盖实验的所有可能结果。

        示例:
        在一次六面骰子的掷骰中,{掷 1}、{掷 2}、{掷 3}、{掷 4}、{掷 5} 和 {掷 6} 的事件是详尽的,因为它们包括掷骰子的所有可能结果。他们的概率之和是 1:
P(掷 1) + P(掷 2) + P(掷 3) + P(掷 4) + P(掷 5) + P(掷 6) = 1

图 4. 穷举事件

某些事件和详尽事件之间的主要区别

Certain Event:
— 指保证发生的单个事件。
— 事件的概率为 1。

Exhaustive Events(穷举事件):
— 指一组多个事件,这些事件共同包含实验的所有可能结果。
— 穷举集中所有事件的概率之和为 1。

        5. 不可能的事件
        不可能的事件是不可能发生的事件;它的概率为 0。

示例:
在单次掷出六面骰子时,“掷 7”事件是不可能的事件,因为没有与掷 7 相对应的结果。

图 5.不可能和某些事件

        6. 互斥(或不相交)事件
        互斥事件是指不能同时或同时发生的事件;如果一个事件发生,另一个事件就不能。

示例:
在一次六面骰子掷骰子中,“掷 3”和“掷 5”事件是互斥的,因为两者不能同时发生。这些事件的交集为空:P(3 ∩ 5) = 0。

图 6. 互斥且详尽无遗

        7. 非互斥事件
        非互斥事件是指可以同时发生的事件;他们至少有一个共同的结果。

示例:
在一次六面骰子掷骰子中,“掷偶数”和“掷出大于 3 的数字”事件是非互斥的,因为结果 4 对两个事件都是通用的。

图 7. 显示互斥和非互斥的维恩图

        8. 独立事件
        独立事件是指一个事件的发生不会影响另一个事件发生的概率的事件。

示例:
在两个独立的实验中,抛硬币和掷骰子,“flipping faces”和“rolling a 4”这两个事件是独立的。翻转正面的概率是 1/2,掷出 4 的概率是 1/6;P(头 ∩ 4}) = 1/2 × 1/6 = 1/12。

图 8. 独立活动

硬币之前“不知道”它曾出现过正面朝上。

而每一次抛硬币都是一个完美的孤立事物。

所以概率 = 1 / 2 = 0.5

        9. 相关事件
        相关事件是指一个事件的发生会影响另一个事件发生的概率的事件。

示例:
假设您想找到在第二次抽牌时抽到 A 的概率,假设抽到的第一张牌是 K。

  1. 第一次抽奖:
  • 最初牌组中有 52 张牌。
  • 第一次抽到 K 的概率为 4/52 = 1/13

2. 第二次抽奖(无替换):

  • 如果先抽出 K,则现在牌组中还剩下 51 张牌。
  • 牌组中还有 4 张 A。
  • 假设先抽出 K,则在第二次抽中 A 的概率为 4/51。

        “先抽 K”和“后抽 A”这两个事件是相关的,因为移除 K 会改变牌组的组成,从而影响接下来抽到 A 的概率。

        10. 互补事件
        互补事件是指一个事件的发生意味着另一个事件不会发生的两个事件。它们的概率之和为 1。

        示例:
        在一次六面骰子的掷骰中,“掷出 4”和“不掷 4”事件是互补的。如果 A 是“掷出 4”的事件,那么 Ac(A 的补数)是“不掷 4”。P(A) + P(Ac) = 1

        11. 条件事件
        条件事件是其概率取决于另一个事件发生的事件。

示例:
在一副 52 张牌中,如果已经抽到一张红牌,抽到红桃的概率是一个条件概率。如果 A 抽到红牌,B 抽到红桃,则 P(B|A) 是抽到红牌的情况下抽到红桃的概率。

四、概率规则:

  1. 联合规则:

两个事件并集的一般公式(无论它们是互斥的还是独立的)为:

图 9. 联盟

此公式考虑了两种情况:

  • 互斥事件的情况下,其中 P(A ∩ B) = 0,公式简化为 P(A ∪ B) = P(A) + P(B)
  • 独立事件的情况下,其中 P(A ∩ B) = P(A) × P(B),公式也是 P(A ∪ B) = P(A) + P(B) + P(A) × P(B)

        2. 交叉规则

  • 对于互斥事件,其中 P(A ∩ B) = 0

图 10. 当两个事件 A 和 B 是互斥事件时的交集规则

  • 独立事件的情况下,其中 P(A ∩ B) = P(A) × P(B),公式也是 P(A ∩ B) = P(A, B) = P(A) × P(B)

图 11. 两个事件 A 和 B 独立时的交集规则

        示例:抛硬币并得到正面,然后掷骰子并获得 4 的概率是 1/2 × 1/6 = 1/12。

        3. 互补规则

事件未发生的概率等于 1 减去事件发生的概率。

公式:P(Ac) = 1 − P(A)

如果 A 是事件,则 Ac (A 补码) 是 A 未发生的事件。事件的概率与其补数之和始终为 1。

        示例:如果今天下雨的概率为 P(雨)=0.3,则不下雨的概率为:P(无雨)= 1−P(雨)= 1−0.3 = 0.7

五、结论

        在第 17 讲,我们介绍了样本空间、结果、事件和概率等关键概念,讨论了 11 种类型的事件,并探索了基本的概率规则,包括加法、乘法和互补规则。在即将发布的博客文章。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/56547.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

论文阅读:Guided Linear Upsampling

今天介绍一篇有趣的文章,Guided Linear Upsampling,基于引导的线性上采样,这是发表在 ACM transaction on Graphic 的一篇工作。 Abstract 引导上采样是加速高分辨率图像处理的一种有效方法。在本文中,文章作者提出了一种简单而…

博客搭建之路:hexo搜索引擎收录

文章目录 hexo搜索引擎收录以百度为例 hexo搜索引擎收录 hexo版本5.0.2 npm版本6.14.7 next版本7.8.0 写博客的目的肯定不是就只有自己能看到,想让更多的人看到就需要可以让搜索引擎来收录对应的文章。hexo支持生成站点地图sitemap 在hexo下的_config.yml中配置站点…

问:MySQL表过大,你有哪些优化实践?

当MySQL单表记录数过大时,数据库的CRUD(创建、读取、更新、删除)性能会明显下降。为了提升性能,我们需要采取一些优化措施。本文将详细介绍几种常见的优化方案。 1. 限定数据的范围 描述 务必禁止不带任何限制数据范围条件的查…

优先算法——移动零(双指针)

目录 1. 题目解析 2. 算法原理 3.代码实现 题目: 力扣题目链接:移动零 1. 题目解析 题目截图如下: 不过要注意,这个移动题目要求是在原数组中原地操作,不能新额外开辟一个数组来修改。 2. 算法原理 这个原理可以称之为数…

node和npm

背景(js) 1、为什么js能操作DOM和BOM? 原因:每个浏览器都内置了DOM、BOM这样的API函数 2、浏览器中的js运行环境? v8引擎:负责解析和执行js代码 内置API:由运行环境提供的特殊接口,只能在所…

Python | Leetcode Python题解之第507题完美数

题目&#xff1a; 题解&#xff1a; class Solution:def checkPerfectNumber(self, num: int) -> bool:if num 1:return Falsesum 1d 2while d * d < num:if num % d 0:sum dif d * d < num:sum num / dd 1return sum num

使用预训练的BERT进行金融领域问答

获取更多完整项目代码数据集&#xff0c;点此加入免费社区群 &#xff1a; 首页-置顶必看 1. 项目简介 本项目旨在开发并优化一个基于预训练BERT模型的问答系统&#xff0c;专注于金融领域的应用。随着金融市场信息复杂性和规模的增加&#xff0c;传统的信息检索方法难以高效…

Python 爬虫项目实战:爬取某云热歌榜歌曲

一、网络爬虫的定义 网络爬虫&#xff08;Web Crawler&#xff09;&#xff0c;也成为网页蜘蛛或者网页机器人&#xff0c;是一种按照既定规则自动浏览网络并提取信息的程序。爬虫的主要用途包括数据采集、网络索以及内容抓取等。 二、爬虫基本原理 1、种子URL&#xff1a;爬…

01 springboot-整合日志(logback-config.xml)

logback-config.xml 是一个用于配置 Logback 日志框架的 XML 文件&#xff0c;通常位于项目的 classpath 下的根目录或者 src/main/resources 目录下。 Logback 提供了丰富的配置选项&#xff0c;可以满足各种不同的日志需求。需要根据具体情况进行配置。 项目创建&#xff0…

学习规划网络安全工程师之路

要成为一名网络安全工程师&#xff0c;尤其是在物联网安全日渐重要的背景下&#xff0c;你需要制定一个系统的学习规划&#xff0c;以掌握相关知识和技能。以下是一个具体的学习规划&#xff0c;分为基础阶段、进阶阶段和实践阶段。 学习规划 一、基础阶段&#xff08;1-3个月…

CCF-BDCI大数据与计算智能大赛TOP4-京东生鲜

2023 CCF 大数据与计算智能大赛《线上线下全场景生鲜超市库存履约一体化决策》top4南山论剑 摘要1 数据预处理1.1 数据整合1.2 数据划分 2 特征工程2.1 静态特征2.2 动态特征 3 方案设计3.1 数据构造3.2 模型训练3.3 模型融合3.4库存分配3.5 方案对比 链接: CCFBDCI-线上线下全…

Linux下EDAC功能介绍

一、背景介绍 edac 目的是在linux系统运行过程中&#xff0c;当内存错误发生时&#xff0c;能够发现并且报告出硬件错误 当内存硬件有ECC功能时&#xff0c;如果在BIOS中使能了内存ECC&#xff0c;不管内核是否启用edac&#xff0c;内存硬件ECC功能都会使能&#xff0c;由硬件自…

解决:如何在opencv中得到与matlab立体标定一样的矫正图?(python版opencv)

目的&#xff1a;采用一样的标定参数&#xff0c;matlab中和opencv中的立体矫正图像是一样的吗&#xff1f;不一样的话怎么让它们一样&#xff1f; 结论&#xff1a;不一样。后文为解决方案。 原因&#xff1a;注意matlab的标定结果在matlab中的用法和在opencv中的用法不一样&a…

STM32 从0开始系统学习2

目录 C语言基础 位操作 extern 修饰符 typedef 封装复杂的类型 寄存器基础知识 STM32F103架构简单描述&#xff08;建议先不看&#xff09; 存储器映射 寄存器映射 寄存器地址计算 下面简单的聊一聊一些需要的前置知识基础。 C语言基础 位操作 这个在单片机里算基操…

ScrollView 真机微信小程序无法隐藏滚动条

问题描述 根据官方文档&#xff0c;使用:show-scrollbar"false"&#xff0c;隐藏滚动条无效 解决方法 添加一段样式在 scroll-view 上或者父级节点上下 ::-webkit-scrollbar {width: 0;height: 0;color: transparent;display: none;} eg. .inforDetails_app {p…

Windows通过netsh控制安全中心防火墙和网络保护策略

Windows通过netsh控制安全中心防火墙和网络保护策略 1. 工具简介 【1】. Windows安全中心 【2】. netsh工具 netsh(Network Shell) 是一个Windows系统本身提供的功能强大的网络配置命令行工具。 2. 开启/关闭防火墙策略 在设置端口&#xff08;禁用/启用&#xff09;前&am…

中国人寿财险青岛市分公司普惠金融助力民生保障

普惠金融是金融业的重要组成部分&#xff0c;也是服务实体经济、保障民生的重要途径。国寿财险青岛市分公司始终坚持以人民为中心的发展思想&#xff0c;大力发展普惠金融业务&#xff0c;不断提升金融服务的覆盖面和便捷性。 在服务“三农”方面&#xff0c;国寿财险青岛市分…

【宝塔面板】宝塔面板使用docker部署chatGPT-Next-web

1111111 chatGPT-Next-web大家并不陌生&#xff0c;就是下面的这个界面&#xff0c;下面请大家跟随小编部署下这个web 我们先感谢下源码的博主&#xff1a; https://github.com/Dooy/chatgpt-web-midjourney-proxy 本教程部署也很简单&#xff0c;就2步 1、创建容器编排模版 …

循环双链表,将L改造为L=(a1,a3,…,an,a4,a2)

题目&#xff1a;设以带头结点的双向循环链表表示的线性表L&#xff08;a1,a2,…..,an&#xff09;.试写出一时间复杂度为o(n)的算法&#xff0c;将L改造为L&#xff08;a1,a3,…,an,a4,a2&#xff09; 思想&#xff1a;将偶数头插到表尾&#xff0c;奇数顺序保持不变。 代码…

云原生后端概述

目录 云原生后端概述 云原生后端的核心特点 云原生后端的架构组件 云原生后端的常见技术栈 云原生后端与传统后端架构的对比 结论 云原生后端概述 随着企业对数字化转型需求的不断增加&#xff0c;云原生后端逐渐成为构建现代应用程序的核心方法。云原生&#xff08;Clo…