概率（一）

对于机器学习，掌握数学的必要性在于更深入理解算法的思路，把数学的描述性基础交给机器，机器才最终有优化甚至创造精确的数学模型的可能。
Some Basic Mathematics for Machine Learning

翻着《数理金融初步第3版》

尝试用自己的理解归纳一些基本的公理和应用。

概率加法：

公式：P(A U B) = P(A) + P(B) - P(AB)
典型：假设今天道-琼斯指数上升的概率为0.54， 明天上升的概率为0.52， 今明两天均上升的概率是0.28， 则道-琼斯指数在这两天内都不上升的概率是多少？

解答：另A为今天的上升事件， B为明天的上升事件
P(A U B) = P(A) + P(B) - P(AB)
= 0.54 + 0.52 - 0.28
= 0.78
P(!(A U B)) = 1- 0.78 = 0.22

条件概率

公式：P(A|B) = P(AB) / P(B)
典型： 赌大小游戏，设样本空间S= [{大，大}，{大，小}， {小，小}， {小，大}]中的四个样本点出现的概率相等， 则在下面任一条件下，两次均为开大的条件概率为多少?

a) 第一次开大
b) 至少一次开大

解答：
a) P(A|B) = P(AB) / P(B)
= (1/4) / (2/4)
= 1/2
b) P(A|B) = P(AB) / P(B)
= (1/4) / (3/4)
= 1/3

典型： 市场上有16只股票，某日9只上升，7只下跌，若随机先后买入两只不同的股票，那买到两只均为上升的股票的概率是多少？

解答： 另B1, B2分别是第一只和第二只买入的股票。
P（B1B2） = P（B2|B1) * P(B1)
= 8/15 * 9/16
= 3/10

随机变量和期望值(均值)

伯努利随机变量

随机变量X只取1或0，且若X取1的概率为p，取0的概率为1-p，则这样的随机变量称为p的伯努利随机变量。（那不就是赌大小吗 ^…^）

二项随机变量

$$公式: E[X] = \sum_{j=1}^n x_i P\{X = x_i\}$$
典型：还是赌大小，考虑玩n次，每次猜对的概率是p。随机变量X是猜对的次数，这个就是二项随机变量，其概率分布为:

P(X=x