概率论

作为机器学习的入门课程：概率论

确定性现象：一定条件下必然出现的现象，比如物体下落，必然会掉到地面上

随机现象：我们事先无法准确预知结果的现象，比如投硬币，但我们无法预知投出的是正面还是反面

统计规律性：随机现象在大量重复时所表现出的量的规律性，尽管我们无法预知投硬币是正面还是反面，但是当我们投硬币的次数非常巨大时，会表现出一个很明显的规律，就是正面出现的次数接近反面出现的次数

试验：为了对随机现象的统计规律性研究，需要对随机现象进行观察

可重复性：试验可以在相同条件下重复进行

可观察性：每次试验的可能结果不止一个，并且能事先明确试验的所有可能结果

不确定性：每次试验出现的结果事先不能准确预知，但可以肯定的是会出现上面所有可能的结果之一

随机试验：具有可重复性、可观察性、不确定性的试验

样本点：随机试验的每一种可能的结果

样本空间：样本点的全体

事件：具有某一可观察特征的随机试验的结果

随机事件：在事件中可能发生也可能不发生的事件、

必然事件：在每次试验中必然发生的事件

不可能事件：在任何一次试验中都不可能发生的事件

基本事件：含有一个样本点

复合事件：含有两个或两个以上的样本点

事件的关系：包含，相等，并，交，差，互斥，对立，完备事件组

说一下互斥和对立的异同，相同的点是不管是互斥还是对立的两个事件，她们的交集都是空集，不同点是互斥的并没有要求两个事件的并集是全集，而对立是要求的。所以说对立事件必然是互斥的，但互斥不一定对立。

完备事件组：可以包含很多事件，所有这些事件的并集是全集，并且所有事件两两是互斥的。

事件的运算律：交换律、结合律、分配律、自反律、对偶律

概念有点多啊

不能一一列举了，大致说一下重要的。

频率和概率的区别：频率是实际试验的结果，比如投硬币，投了10000次，正面出现4953次，那么我们说出现正面的频率为4953/10000，而概率应该被理解成理论上的，所以很显然出现正面的概率应为1/2

概率的性质有很多，不细说了，注意一个很有意思的话，不可能事件的概率为0，反之不然，为什么呢？我举个例子，我在一个硬币的圆边上标记一个点，然后让硬币在桌子上滚动，假设硬币不倒，问硬币与桌面接触的那个点刚好是标记的点的概率，这个是一个几何概型的问题，因为点的长度为0，而硬币的圆周长是一个定值，那么这个概率按照几何概型计算应为0，但实际上这个是一个可能发生的事件。

古典概型：

（1）随机试验只有有限个可能的结果

（2）每个结果发生的可能性大小相同

几何概型：随机试验有无限可能的结果，但每个结果发生的可能性大小相同

事件的独立性：若两事件A,B满足：P(AB)=P(A)P(B),则称A,B相互独立

独立和互斥的区别：

互斥是指同一试验两个事件不能同时发生,即A和B的交集为空集,满足：P(AB)=0

而独立是表述同一试验中一事件发生与另一事件发生互不影响,满足：P(AB)=P(A)P(B)

显然即互斥又独立,则P(A)=0或者P(B)=0