排队论(Queuing Theory)概率背景

最新推荐文章于 2024-01-09 01:19:05 发布

W_dyyy

最新推荐文章于 2024-01-09 01:19:05 发布

阅读量454

点赞数

分类专栏：排队论文章标签：概率论

本文链接：https://blog.csdn.net/qq_35455206/article/details/119282868

版权

排队论专栏收录该内容

2 篇文章 0 订阅

订阅专栏

//这部分主要是总结一些概率论的基本知识，有一定了解的读者可以自行跳过

样本空间(Sample Space)：我们进行一项实验，并且有一个可能的结果的集合 $\Omega$ 。这个 $\Omega$ 就被称为：样本空间。样本空间可以使离散的，也可以是连续的。

事件(Event):样本空间 $\Omega$ 的子集

Theorem: $P\left \{ E\cup F \right \}\leq P\left \{E \right \}+P\left \{ F \right \}$

条件概率(Conditional Probability): $P\left \{ E|F \right \}= \frac{P\left \{ E\cap F \right \}}{P\left \{ F \right \}}$ where P{F}>0

事件E与F相互独立: $P\left \{ E\cap F \right \}= P\left \{ E \right \}\cdot P\left \{ F \right \}$

注意到如果E与F相互独立，则 $P\left \{ E|F \right \}=P\left \{ E \right \}$ ，即E不会受到F的影响

事件E与F互斥(Mutually exclusive): $P\left \{ E\cap F \right \}=\phi$

当E与F互斥时，E与F绝对不是相互独立的。因为 $P\left \{ E|F \right \}=0\neq P\left \{ E \right \}$

全概率公式(Law of total probability)：F1,F2......Fn分割样本空间 $\Omega$ 。那么有 $P\left \{ E \right \}=P\left \{ E|F1 \right \}\cdot P\left \{ F \right \}+\cdot \cdot \cdot P\left \{ E|Fn \right \}\cdot P\left \{ Fn \right \}=\sum_{i=1}^{n}P\left \{ E|Fi \right \}\cdot P\left \{ Fi \right \}$

贝叶斯公式(Bayes Law): $P\left \{ F|E \right \}=\frac{P\left \{ E|F \right \}\cdot P\left \{ F \right \}}{P\left \{ E \right \}}$

贝叶斯公式的延伸(Extended Bayes Law): $P\left \{ F|E \right \}=\frac{P\left \{ E|F \right \}\cdot P\left \{ F \right \}}{\sum_{i=1}^{n}P\left \{ E|Fi \right \}\cdot P\left \{ Fi \right \}}$

离散：

概率质量函数(probability mass function-pmf): $P_{x}(a)=P\left \{ x=a \right \} where\sum_{\chi \in \Omega }^{}P_{x}(\chi )$

积累分布函数(cumulative distribution function): $F_{x}(a)=P\left \{ x\leq a \right \}=\sum_{\chi \leq a}^{}P_{x}(\chi )$

伯努利分布-Bernoulli(p)：X 是投单个硬币的结果

Px(1)=p,Px(0)=1-p

二项分布-Binominal(n,p):在投n次硬币后，X为结果为head的次数

$P_{x}(i)=\left ( _{i}^{n}\textrm{} \right )p^{i}(1-p)^{n-i}$ where i=0,1,2,3.....n

几何分布-Geometric(p):X为硬币直到出现head的投掷次数

$P_{x}(i)=P\left \{ X=i \right \}=(1-p)^{i-1}\cdot p$ i=1,2,3....n

泊松分布-Poisson(λ): $P_{x}(i)=\frac{e^{-\lambda }\cdot \lambda ^{i}}{i!}$ where i=0,1,2,3....

连续：

概率密度函数(Probability density function): $P\left \{ a\leq X\leq b \right \}=\int_{a}^{b}f_{x}(\chi )d\chi$ and $\int_{-\infty }^{+\infty}f_{x}(\chi )d\chi =1$

积累分布函数(cumulative distribution function): $F_{x}(a)=P\left \{ -\infty < X\leq a \right \}=\int_{-\infty}^{+\infty}f_{x}(\chi )d\chi$

两者的关系： $f_{x}=\frac{\mathrm{d} }{\mathrm{d} x}\int_{-\infty }^{\chi }f(t)dt=\frac{\mathrm{d} }{\mathrm{d} x}F_{x}(\chi )$

平均分布-Uniform(a,b)：

$f_{x}(\chi )=\begin{cases} \frac{1}{b-a} & \text{ if }a \leq x\leq b \\ \phi & \text{ if } otherwise \end{cases}$

指数分布-Exponention(λ)：

$f_{x}(\chi )=\begin{cases} \lambda e^{-\lambda x} & \text{ if } x\geq 0 \\ 0 & \text{ if } x<0 \end{cases}$

Pareto(α)，0<α<2:

$f_{x}=\alpha x^{-\alpha -1}$ where x>1

Normal(μ， $\sigma$ )

$f_{x}=\frac{1}{\sqrt{2\pi }\sigma }e^{-\frac{1}{2}(\frac{x-\mu }{\sigma })^{2}}$

期望：

Discrete case: $E[X]=\sum xP_{x}(x)$

continuous case: $E[X]=\int_{-\infty }^{+\infty }xf_{x}(x)dx$

Bernoulli(p): $E[X]=p$

Binomial(n,p): $E[X]=np$

Geometric(p): $E[X]=\frac{1}{p}$

Poisson(λ): $E[X]=\lambda$

Exp(λ): $E[X]=\frac{1}{\lambda }$

Uniform(a,b): $E[X]=\frac{a+b}{2}$

Pareto(α)： $E[X]=\begin{cases} \infty & \text{ if } \alpha \leq 1 \\ \frac{\alpha }{\alpha -1} & \text{ if } \alpha > 1 \end{cases}$

Normal(μ， $\sigma$ )： $E[X]=\mu$

联合概率与独立：

离散： $P_{x,y}=P\left \{ X=x\&Y=y \right \}$ ,

连续： $\int_{c}^{d}\int_{a}^{b}f_{x,y}(x,y)dxdy=P\left \{ a<x<b\&c<y<d \right \}$

独立：如果X与Y相互独立则写成X⊥Y,同样如果 $f_{X,Y}(x,y)=f_{X}(x)\cdot f_{Y}(y)$ ，则我们说X,Y相互独立

期望的线性性质：E[X+Y]=E[X]+E[Y](这里不需要X⊥Y)

练习：

这里提供一个书上的练习，并提供解答，供各位理解。

期望脑筋急转弯：有一个朋友告诉我，在他上学的第一年，他从未参加过不到90名学生的课程。他说几乎所有的朋友都有相同的经历。然而，院长缺坚持认为平均新生班级规模为30名学生。为什么会这样？

解答：这里我们必须注意两种不同的测量方法。Dean:aspect over classes;Students:aspect over what students see.

比如这里我们有10个班级，每个班5个人，另有一个班有280人。对于院长来说期望为 $\frac{10\times 5+280}{11}=30$ 。从学生的视角来看，朋友在280人班级的概率为 $\frac{280}{330}$ ，在5人班级的概率为 $\frac{50}{330}$ 。对于学生来说，平均期望为 $\frac{50}{330}\times 5+\frac{280}{330}\times 280$

W_dyyy

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
排队论(Queuing Theory)概率背景

//这部分主要是总结一些概率论的基本知识，有一定了解的读者可以自行跳过样本空间(Sample Space)：我们进行一项实验，并且有一个可能的结果的集合。这个就被称为：样本空间。样本空间可以使离散的，也可以是连续的。事件(Event):样本空间的子集Theorem:条件概率(Conditional Probability):where P{F}>0事件E与F相互独立: 注意到如果E与F相互独立，则，即E不会受到F的影响事件E与F互斥(Mutually e...
复制链接

扫一扫

专栏目录