先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新软件测试全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上软件测试知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024b (备注软件测试)
正文
C
A∪ (B∪ C) = (A∪ B) ∪ C
A∪(B∪C)=(A∪B)∪C
A
∩
(
B
∩
C
)
=
(
A
∩
B
)
∩
C
A ∩ (B ∩ C)=(A ∩ B) ∩ C
A∩(B∩C)=(A∩B)∩C
3、分配律:
A
∪
(
B
∩
C
)
=
(
A
∪
B
)
∩
(
A
∪
C
)
A∪ (B ∩ C) = (A∪ B) ∩ (A ∪ C)
A∪(B∩C)=(A∪B)∩(A∪C)
A
∩
(
B
∪
C
)
=
(
A
∩
B
)
∪
(
A
∩
C
)
A ∩ (B∪C) = (A ∩ B) ∪ (A ∩ C)
A∩(B∪C)=(A∩B)∪(A∩C)
A
∩
(
B
−
C
)
=
(
A
∩
B
)
−
(
A
∩
C
)
A ∩ (B - C) = (A ∩ B) - (A ∩ C)
A∩(B−C)=(A∩B)−(A∩C)
4、德摩根律(对偶律):
A
∪
B
‾
=
A
‾
∩
B
‾
\overline{A ∪ B} = \overline{A} ∩ \overline{B}
A∪B=A∩B
A
∩
B
‾
=
A
‾
∪
B
‾
\overline{A ∩ B} = \overline{A} ∪ \overline{B}
A∩B=A∪B
常用结论:
A
A
‾
=
Φ
A\overline{A} = Φ
AA=Φ;
A
∪
A
‾
=
Ω
A∪\overline{A} = Ω
A∪A=Ω;
A
∪
B
=
A
B
−
A
B
=
(
A
−
B
)
(
B
−
A
)
A
B
A ∪ B = A+ B − AB = (A − B) + (B − A) + AB
A∪B=A+B−AB=(A−B)+(B−A)+AB
1.2 频率与概率
频率
定义:在相同条件下,进行n次试验,在这n次试验中,事件A发生的次数,称为事件A发生的频数,比值:f = 频数/试验次数,称为事件A发生的频率。
基本性质:
(1)0 <= f <= 1 ;
(2)f(Ω) = 1;
(3)两两互不相融事件的可列可加性。
稳定性:当试验重复次数很大时,频率趋于稳定,可以用来表征事件A发生可能性的大小。
概率
定义: 设E是随机试验,样本空间为Ω,对于E的每一个事件A赋予一个实数,记为P(A),称为A的概率。
性质:
(1)非负性 0 =< P(A) <= 1;
(2)正则性 P(Ω) = 1;
(3)可列可加性 若有互不相容的事件:
A
1
,
A
2
,
A
3
,
.
.
.
A_1, A_2, A_3, …
A1,A2,A3,…,
\quad\quad
则
P
(
∪
A
j
)
=
∑
P
(
A
j
)
P(∪A_j) = ∑ P(A_j)
P(∪Aj)=∑P(Aj)
1.3 等可能概型(古典概型)
设E是一个试验,满足:(1)只有有限多个样本点;(2)每个样本点发生的可能性相同(等可能性)。
典型例子:抛硬币
长期实践的发现:“概率很小的事件在一次试验中几乎是不发生”(称之为实际推理原理)
排列
排列:从n个不同元素中,任取m(m ≤ n,m与n均为自然数)个元素按照一定的顺序排成一列,称为从n个不同元素中取出m个元素的一个排列。
排列数:A
n
m
=
n
(
n
−
1
)
(
n
−
2
)
…
…
(
n
−
m
1
)
=
n
!
(
n
−
m
)
!
A_n^m = n(n-1)(n-2)……(n-m+1) = {n!\over(n-m)!}
Anm=n(n−1)(n−2)……(n−m+1)=(n−m)!n!
组合
组合:从n个不同元素中,任取m(m≤n)个元素并成一组,叫做从n个不同元素中取出m个元素的一个组合。
组合数:C
n
m
=
A
(
n
,
m
)
m
!
C_n^m = {A(n,m) \over m!}
Cnm=m!A(n,m)
公式:C
n
m
=
C
n
n
−
m
C_n^m = C_n^{n-m}
Cnm=Cnn−m
C
n
m
C
n
m
−
1
=
C
n
1
m
C_n^m + C_n^{m-1} = C_{n+1}^m
Cnm+Cnm−1=Cn+1m
C
n
0
C
n
1
.
.
.
C
n
n
=
2
n
=
(
1
1
)
n
C_n^0 + C_n^1 + … + C_n^n = 2^n = (1 + 1)^n
Cn0+Cn1+…+Cnn=2n=(1+1)n
例1:
袋子中有a个黑球,b个白球,先一只只地摸出来,求:第k次摸到黑球的概率(1<= k <= a+b)
解法1:(排列)
思路:
样本空间为a+b个球的全排列,有利场合为第k个球确定为黑球,有a种可能,然后剩下a+b-1个球随机排列。
样本空间:(a+b)!
有利场合:a×(a+b-1)!
故:P
=
a
×
(
a
b
−
1
)
!
(
a
b
)
!
=
a
a
b
P = {a×(a+b-1)! \over (a+b)!} = {a \over a+b}
P=(a+b)!a×(a+b−1)!=a+ba
解法2:(组合)
思路:
样本空间为从a+b个格子中选取a个放置黑球,其余一定放白球,故为C
a
b
a
C^a_{a+b}
Ca+ba;有利场合为第k个确定放置黑球,从剩下a+b-1个格子中选取a-1个格子放置剩下的黑球,其余放白球,故为
C
a
b
−
1
a
−
1
C^{a-1}_{a+b-1}
Ca+b−1a−1。
样本空间:C
a
b
a
C^a_{a+b}
Ca+ba
有利场合:C
a
b
−
1
a
−
1
C^{a-1}_{a+b-1}
Ca+b−1a−1
故:P
=
C
a
b
−
1
a
−
1
C
a
b
a
=
a
a
b
P = {C^{a-1}_{a+b-1} \over C^a_{a+b}} = {a \over a+b}
P=Ca+baCa+b−1a−1=a+ba
PS:这个例子就是抽签模型
例2:
设有n个球,每个都可以以同样的概率1
n
1\over n
n1落到N个格子的每一个格子中(N>=n),求:
(1)某指定的n个格子中各有一个球的概率P(A);
(2)任何n个格子中各有一个球的概率P(B);
解:
样本空间:N
n
N^n
Nn
P
(
A
)
=
n
!
N
n
P(A) = {n! \over N^n}
P(A)=Nnn!
P
(
A
)
=
C
N
n
⋅
n
!
N
n
=
N
!
N
n
⋅
(
N
−
n
)
!
P(A) = {C^n_N ; · ; n! \over N^n} = {N! \over N^n ; · ; (N-n)! }
P(A)=NnCNn⋅n!=Nn⋅(N−n)!N!
PS:这个模型可用于计算具有相同生日的人的概率
1.4 条件概率
(1)条件概率:
设有两个事件A和B,
P
(
A
)
≠
0
P(A)\neq0
P(A)̸=0,在已知A发生的条件下B发生的概率记为:
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P(B|A) = {P(AB) \over P(A)}
P(B∣A)=P(A)P(AB);满足概率的三个基本性质。
乘法公式:
P
(
A
B
)
=
P
(
A
)
P
(
B
∣
A
)
P(AB) = P(A)P(B|A)
P(AB)=P(A)P(B∣A)
(2)全概率公式:
设
B
1
,
.
.
.
,
B
i
,
.
.
.
,
B
n
B1, … ,Bi, … , Bn
B1,…,Bi,…,Bn是
Ω
\Omega
Ω的一个划分(完备事件组),
B
1
⋃
B
2
⋃
.
.
.
⋃
B
n
=
Ω
,
B
i
⋂
B
j
=
∅
,
i
≠
j
,
P
(
B
i
)
>
0
B_1 \bigcup B_2 \bigcup … \bigcup B_n = \Omega, B_i \bigcap B_j = \emptyset, i \neq j, P(B_i) > 0
B1⋃B2⋃…⋃Bn=Ω,Bi⋂Bj=∅,i̸=j,P(Bi)>0, 其中 i=1, 2, 3, …,得到:
全概率公式:
P
(
A
)
=
P
(
A
Ω
)
=
P
(
A
⋂
(
B
1
⋃
B
2
⋃
.
.
.
⋃
B
n
)
)
=
P
(
A
B
1
⋃
A
B
2
.
.
.
⋃
A
B
n
)
=
∑
i
=
1
n
P
(
A
B
i
)
=
∑
i
=
1
n
P
(
B
i
)
P
(
A
∣
B
i
)
P(A) = P(A\Omega) = P(A\bigcap(B_1 \bigcup B_2 \bigcup … \bigcup B_n)) = P(AB_1 \bigcup AB_2… \bigcup AB_n) = \sum_{i=1}^n {P(AB_i)} = \sum_{i=1}^n P(B_i)P(A|B_i)
P(A)=P(AΩ)=P(A⋂(B1⋃B2⋃…⋃Bn))=P(AB1⋃AB2…⋃ABn)=∑i=1nP(ABi)=∑i=1nP(Bi)P(A∣Bi)
PS:把一个要求的事件(
Ω
\Omega
Ω)分解成若干个互不相容的事件(
B
i
B_i
Bi)。
(3)贝叶斯公式:
贝叶斯公式:
P
(
B
i
∣
A
)
=
P
(
B
i
A
)
P
(
A
)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注软件测试)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
P(AB) = P(A)P(B|A)
P(AB)=P(A)P(B∣A)
(2)全概率公式:
设
B
1
,
.
.
.
,
B
i
,
.
.
.
,
B
n
B1, … ,Bi, … , Bn
B1,…,Bi,…,Bn是
Ω
\Omega
Ω的一个划分(完备事件组),
B
1
⋃
B
2
⋃
.
.
.
⋃
B
n
=
Ω
,
B
i
⋂
B
j
=
∅
,
i
≠
j
,
P
(
B
i
)
>
0
B_1 \bigcup B_2 \bigcup … \bigcup B_n = \Omega, B_i \bigcap B_j = \emptyset, i \neq j, P(B_i) > 0
B1⋃B2⋃…⋃Bn=Ω,Bi⋂Bj=∅,i̸=j,P(Bi)>0, 其中 i=1, 2, 3, …,得到:
全概率公式:
P
(
A
)
=
P
(
A
Ω
)
=
P
(
A
⋂
(
B
1
⋃
B
2
⋃
.
.
.
⋃
B
n
)
)
=
P
(
A
B
1
⋃
A
B
2
.
.
.
⋃
A
B
n
)
=
∑
i
=
1
n
P
(
A
B
i
)
=
∑
i
=
1
n
P
(
B
i
)
P
(
A
∣
B
i
)
P(A) = P(A\Omega) = P(A\bigcap(B_1 \bigcup B_2 \bigcup … \bigcup B_n)) = P(AB_1 \bigcup AB_2… \bigcup AB_n) = \sum_{i=1}^n {P(AB_i)} = \sum_{i=1}^n P(B_i)P(A|B_i)
P(A)=P(AΩ)=P(A⋂(B1⋃B2⋃…⋃Bn))=P(AB1⋃AB2…⋃ABn)=∑i=1nP(ABi)=∑i=1nP(Bi)P(A∣Bi)
PS:把一个要求的事件(
Ω
\Omega
Ω)分解成若干个互不相容的事件(
B
i
B_i
Bi)。
(3)贝叶斯公式:
贝叶斯公式:
P
(
B
i
∣
A
)
=
P
(
B
i
A
)
P
(
A
)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注软件测试)
[外链图片转存中…(img-U6Dfzzth-1713568102469)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!