概率计算

目录

概率的加法法则

条件概率

乘法公式

全概率公式


P(A)=A所含样本点数/总体所含样本点数。实用中经常采用“排列组合”的方法计算·

条件概率:当P(A)>0,P(B|A)=P(AB)/P(A)

加法法则:P(A∪B)=P(A)+P(B)-P(AB)

乘法公式:P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

计算方法:“排列组合”的方法计算

记       法: P(A)=A

概率的加法法则

定理:设A、B是互不相容事件(AB=φ),则:

P(A∪B)=P(A)+P(B)

推论1:设A1、 A2、…、 An互不相容,则:P(A1+A2+...+ An)= P(A1) +P(A2) +…+ P(An)

推论2:设A1、 A2、…、 An构成完备事件组,则:P(A1+A2+...+An)=1

推论3: 为事件A的对立事件。

推论4:若B包含A,则P(B-A)= P(B)-P(A)

推论5(广义加法公式):

对任意两个事件A与B,有P(A∪B)=P(A)+P(B)-P(AB)

 

条件概率

条件概率:已知事件B出现的条件下A出现的概率,称为条件概率,记作:P(A|B)

条件概率计算公式:

当P(A)>0,P(B|A)=P(AB)/P(A)

当P(B)>0,P(A|B)=P(AB)/P(B) [1] 

乘法公式

P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

推广:P(ABC)=P(A)P(B|A)P(C|AB) 

全概率公式

设:若事件A1,A2,…,An互不相容,且A1+A2+…+An=Ω,则称A1,A2,…,An构成一个完备事件组。

全概率公式的形式如下:

以上公式就被称为全概率公式。 

 


例题:

一个20面体,每个面都是等边三角形,如果截去所有的顶角,它将成为多少面体?共有多少个顶点?共有多少条棱?

面体

顶点

条棱

4

2*(4-2)=4

3*(4-2)=6

5

2*(5-2)=6

3*(5-2)=9

6

2*(6-2)=8

3*(6-2)=12

7

2*(7-2)=10

3*(7-2)=15

8

2*(8-2)=12

3*(8-2)=18

n

2*(n-2)

3*(n-2)

20

2*(20-2)=36

3*(20-2)=54

每截去一个顶角(顶角数量=顶点数量),增加一个面;

一个20面体截去所有顶角(顶角数量=顶点数量),即增加36个面;

20面体(3张)

面体

顶点

条棱

20+36=56

2*(56-2)=108

3*(56-2)=162

违约概率(Probability of Default,简称PD)是衡量借款人或债务人未来无法按时偿还债务的可能性的一个指标。在金融领域,尤其是风险管理中,计算违约概率是一个重要的步骤。在Python中,可以通过多种方法来计算违约概率,常见的方法包括逻辑回归和机器学习算法。以下是使用逻辑回归进行违约概率计算的基本步骤: 1. 数据准备:首先需要收集历史数据,包括借款人或企业的财务状况、还款历史、市场环境等特征变量,以及相应的违约标签(违约或未违约)。 2. 数据预处理:对收集到的数据进行清洗、归一化、处理缺失值和异常值,同时可能需要进行特征工程,如创建新的特征或降维。 3. 模型训练:使用逻辑回归算法对数据进行训练。逻辑回归是一种广义线性模型,其输出可以转换为概率值,表示事件发生的概率。 4. 模型评估:通过交叉验证等技术评估模型的性能,确定模型的准确性和可靠性。 5. 预测违约概率:使用训练好的模型对新的数据进行预测,得到违约概率值。 以下是一个简化的Python代码示例,展示如何使用scikit-learn库中的逻辑回归模型计算违约概率: ```python from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score import pandas as pd # 假设df是包含特征和标签的DataFrame X = df.drop('default', axis=1) # 特征变量 y = df['default'] # 违约标签,0表示未违约,1表示违约 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化逻辑回归模型 lr_model = LogisticRegression() # 训练模型 lr_model.fit(X_train, y_train) # 预测违约概率 y_proba = lr_model.predict_proba(X_test)[:, 1] # 获取违约概率 # 计算模型性能指标,例如ROC AUC roc_auc = roc_auc_score(y_test, y_proba) print(f'ROC AUC Score: {roc_auc}') ``` 需要注意的是,这里只提供了一个大致的框架和示例代码,实际应用中违约概率计算可能会更加复杂,需要考虑到各种因素以及监管机构的要求。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值