深度学习基础理论篇（3）概率论

m0_74196436

已于 2023-09-18 16:39:02 修改

阅读量187

点赞数

文章标签：概率论

于 2023-09-18 16:35:07 首次发布

本文链接：https://blog.csdn.net/m0_74196436/article/details/132940230

版权

一.频率与概率

随机事件：可以在相同条件下重复执行，事先就能知道可能出现的结果，但不知道准确结果

样本空间：随机试验E的所有结果构成的集合，S={e}

频率： $f_{n}\left ( A \right )=\frac{n_{A}}{n}$ , $n_{A}$ 表示A事件发生的次数，n表示总的试验次数

概率： $f_{n}\left ( A \right )$ 的稳定值P， $P\left ( A \right )=P$ （n趋近于无穷大时，频率的值）

二.古典概型

古典概型：试验E中的样本点是有限的，出现每一个样本点的概率是相同的（样本点理解为可能的结果）

P(A)= $\frac{n\left ( A \right )}{S}$ (A所包含的样本点数 / 总的样本点数）

三.条件概率

条件概率： $P\left ( B\mid A \right )=\frac{n\left ( AB \right )}{n\left ( A \right )}=\frac{P\left ( AB \right )}{P\left ( A \right )}$ , 表示在A条件确定发生的情况下，B事件发生的概率，即事件AB同时发生的概率

四.独立性

设 $A_{1},A_{2},\cdots ,A_{n}$ 为n个随机事件，若对 $2\leq k\leq n$ ，均有： $P\left (A _{i_{1}}A _{i_{2}}\cdots A _{i_{k}} \right )=\coprod_{j=1}^{k}P\left ( A_{i_{j}} \right )$

则称 $A_{1},A_{2},\cdots ,A_{n}$ 相互独立。

但是，两两独立不能得出相互独立。

独立试验

重复独立试验：在相同条件下，将试验E重复进行，且每次试验是独立进行的，即每次试验各种结果出现的概率不受其他各次试验结果的影响

n重伯努利试验：若一次实验的结果只有两个A和 $\bar{A}$ ，在相同条件下，将试验独立的重复进行n次，则称这n次试验所组成的试验为n重伯努利试验或伯努利概型。

五.二维随机变量

1.二维随机变量

2.二维离散型随机变量

二维离散型随机变量：若二维随机变量（X, Y）全部可能取到的不同值是有限对或可列无限对。则称（X, Y）是离散型随机变量

3.二维连续型随机变量

二维连续型随机变量：二维随机变量（X, Y）的分布函数 $F\left ( x, y \right )$ ,如果存在非负函数 $f\left ( x, y \right )$ ,对于任意的x，y有： $F\left ( x, y \right )=\int_{-\infty }^{y}\int_{-\infty }^{x}f\left ( u,v \right )dudv$ , 称（X, Y）为连续型的二维随机变量， $f\left ( x, y \right )$ 为其概率密度

六.边缘分布

1.边缘分布函数

2.离散型的边缘概率密度

3.连续型的边缘概率密度

例子：

七.期望------------平均、大概思想的表达

1.离散型随机变量

离散型随机变量X的分布律为： $P\left ( X=x_{k} \right )=P_{k},k=1, 2,\cdots$ , 若级数 $\sum_{k=1}^{\infty }x_{k}P_{k}$ 绝对收敛，则称其为随机变量X的数学期望 $E\left ( X \right )=\sum_{k=1}^{\infty }x_{k}P_{k}$

2.连续型随机变量

连续性随机变量X的概率密度为 $f\left ( x \right )$ ，若积分 $\int_{-\infty }^{+\infty }xf\left ( x \right )dx$ 绝对收敛，则称积分的值 $\int_{-\infty }^{+\infty }xf\left ( x \right )dx$ 为随机变量X的数学期望 $E\left ( X \right )=\int_{-\infty }^{+\infty }xf\left ( x \right )dx$