笔记の前言
一个月前为了刷Andrew ng的ML课程,提前补了一下概率论的各种知识,也算复习吧,现在迁移笔记。
笔记の本体
随机试验,随机事件(是样本点的集合,是样本空间的一个子集),样本空间(包含许多样本点),样本点(一种可能的情况),基本事件(由一个样本点组成的单点集);
古典概型,几何概型,蒙地卡罗方法(Buffon投针试验),概率的统计定义,概率的公理化定义,全概率公式和贝叶斯公式;
(完备事件组是由事件A1,A2……到An对于样本空间S的一种划分,两两事件之间不相交,存在一个事件B,由事件A引起,那么我们可以把事件B看做结果,全概率公式知原因得结果,贝叶斯公式执果索因)随机变量的概念,随机变量是从样本点到实数的一种映射,因为样本点的取值是随机的,因此该实数(变量)取值也具有随机性;
分布函数:用于描述随机变量落在任一区间上的概率。如果将x看成数轴上的随机点的坐标,那么,分布函数F(x)在x处的函数值就表示x落在区间(-∞,x]上的概率。分布函数也称为概率累计函数;
分布律(或者分布列)和概率密度函数分别用于描述离散型和连续型概率密度函数的取值规律。
我们其实可以把概率密度函数看做是密集的离散点,分布律的某种“密集”;
分布函数是密度函数或者分布