数学通识-概率统计

weixin_43890360

已于 2023-09-18 21:07:07 修改

阅读量281

点赞数

分类专栏：数学文章标签：笔记

于 2023-07-14 06:15:00 首次发布

本文链接：https://blog.csdn.net/weixin_43890360/article/details/131296853

版权

数学专栏收录该内容

3 篇文章 0 订阅

订阅专栏

函数将变量间的关系确定下来，方程将未知数确定下来，而概率研究的不确定性中的规律。

随机性导致结果变得不确定。但对于特定的随机事件，结果具有规律性，于是创造了概率这个概念来描述有规律的不确定性。

拉普拉斯定义概率及计算方法

基本事件：一次试验的每一个可能结果；基本事件有等可能性

古典概率公式：P(A)=k/n=事件A所含基本事件的个数/基本事件总数

必然事件：事件A所含基本事件的个数=基本事件总数，即 P(A)=1

掷两个骰子a,b，

n=36，即a=1,b=1~6;a=2,b=1~6...a=6,b=1~6；

两个骰子点数加和是5的k=4,即 a=1,b=4;a=2,b=3;a=3,b=2;a=4,b=1; 则 P(A)=4/36=9；

而点数和为2和12的概率最小，P(A)=1/36;

点数为7的概率最大，P(A)=6/36=1/6

因此，掷两个骰子，点数加和的概率是不一样的

古典概率的漏洞：

1. 现实中存在可能性不相等的基本事件

2. 为了求概率，先定义了基本事件。但基本事件基于概率来定义。循环定义

3. 要先知道基本事件总数，才能计算一个随机事件的概率。对于预测未来的事，无法列举随机性，如保险公司无法确定一个60岁的人在未来3年得大病的概率。

伯努利试验-随机性的规律

随机试验的规律性（概率），与试验结果存在偏差。扔一次硬币，正面朝上的概率是1/2，但不能保证，扔N次硬币，事件A=朝上的次数=总次数N*每次发生的概率p=N*1/2；实际上，事件A发生多少次都有可能。那如何解释这种偏差呢？

伯努利试验告诉我们，事件A发生的次数=N*p 的可能性最大，即不确定的规律性，只有在大量随机试验时才显现出来，当试验次数不足时，则表现为偶然性和随意性。

伯努利试验：每次试验互不影响，只有两个事件 A， $\overline{A}$ ，重复N次试验，每次试验一个事件出现的概率不变，A的概率为P(A)，则B的概率为1-P(A)

如掷硬币，两个基本事件，事件A=正面朝上，事件B=反面朝上；

伯努利通过试验发现，N次试验，A的次数符合二项（每次试验有两种结果）分布。

抛掷一枚硬币，重复10次，恰有5次正面朝上的概率P(X=5)= $\textrm{C}_{10}^{5}\times 0.5^{5}\times 0.5^{5}$ ≈0.246

X服从二项分布,记作 X~B(n,p)，形式为 P(X=k)= $\textrm{C}_{n}^{k} p^{k} (1-p)^{n-k}$

二项分布计算(伯努利试验) - 常用计算器 - 微波射频网 (mwrf.net)

重复100次试验，会发现，80%的情况下，正面朝上40~60次。

如果继续放大试验次数，会发现，正面朝上的次数在一半左右浮动。正面朝上占比特别少或者特别多的可能性很小，不像一开始那样什么情况都有可能。

定量描述偏差：

平均值（数学期望、期望值）：N*p，N次试验概率是p的事件A平均发生的次数，也是最有可能发生的次数

平方差（方差）：度量与平均值的误差，误差做一个加权平均

标准差：简单理解为方差开根号

试验次数越多，误差越小，方差和标准差越小，概率分布越集中在平均值上

100次试验标准差=5，平均值=50，10%的误差；

10000次试验标准差=50，平均值=5000，1%的误差；

因此，越是小概率事件，如果想确保它发生，需要重复次数足够多。

提高单次成功率，比多次试验更重要。凡事做好准备，争取一次性成功，远比不断尝试更靠谱。

泊松分布

特殊伯努利试验-泊松分布：事件A发生的概率很小，但试验次数n很大；如发生车祸的情况。

(79条消息) 用一个“栗子”讲透让人迷惑的泊松分布_TechFlow的博客-CSDN博客

定义：事件A发生的概率是p,n次独立试验，发生了k次，则

P(X=k)= $\frac{e^{-\lambda}\lambda^k}{k!}$ ，其中 $\lambda$ =np (平均值)，发生的次数k= $\lambda$ 时，发生概率达到最大值。

公司100个人，10个停车位，每个员工早上8点前开车来上班的概率是10%，那么8点停车场还有车位的概率是多大？

泊松分布在线计算工具,在线计算,在线计算器,计算器在线计算 (osgeo.cn)

如果增加3个冗余车位， 8点停车场还有车位的概率上升到80%

因此，冗余增加的数量并不多，却能解决大问题。

公司40个人，4个停车位，每个员工早上8点前开车来上班的概率是10%，那么8点停车场还有车位的概率是多大？

因此，试验次数越大，越能抵消随机性带来的误差

高斯分布

大概率事件（概率>1/2），试验次数大

很多变量接近于正态分布：

1. 人群的身高

2. 成年人的血压

3. 员工回家所需的时间

正态分布特性：只用均值和标准差就能解释整个分布

正态分布密度图中，

1. 均值是曲线的中心，是曲线的最高点，大多数点都在均值附近

2. 均值左右曲线对称

3. 曲线内的面积，是所有值的概率和=1

4. 如果一个随机变量的取值符合高斯分布，

有68%的可能性，动态范围在平均值+-标准差内；

95%的可能性，动态范围在平均值+-2*标准差内；（随机性的结论只需要 95%）

99.7%的可能性，动态范围在平均值+-3*标准差内。

举例说明均值、标准差和发生概率的关系：

两个班级的成绩。一班成绩在60~100分之间，均值是80；二班成绩在70~100分间，均值是85；其正态分布图如下：

设，两个班的标准差都是5分，一班的成绩在75~85的范围内浮动，二班的成绩在80~90的范围内浮动，两个浮动重叠部分（图中红色区域）无法判断哪个班成绩更好，红色区域的面积是两个曲线所覆盖面积的65%，即有65%的概率(曲线积分)我们无法确定哪个班的成绩更好，或者说，二班比一班成绩好的置信度是35%。要增大置信度，就要减少标准差，当标准差降到1时，就有95%的置信度。

如何减少标准差呢？保持成绩分布不变，增大25倍的统计人数，标准差可以从5降到1左右。

条件概率和贝叶斯公式

前面的试验都是独立的，条件概率讲特定条件下的试验发生的概率，即条件概率。

条件概率由于条件的存在，其值不是通常情况下的概率。一旦具备条件，有些大家认为不可能的事，就成了大概率事件。

如何计算条件概率？

一件事Y在条件X下发生的条件概率P(X|Y)= 条件X和事件Y一同发生的联合概率P(X,Y) / 条件X的概率P(X)，即

P(X,Y)=P(Y|X)*P(X)=P(X|Y)*P(Y)

联合条件概率比较难求，通常由易求推导难求，设P(X|Y)易求，则 P(Y|X)=P(X|Y)*P(Y)/P(X)

机器翻译：设一个英语句子X有很多方式翻译成中文，Y1,Y2...，我们使用最合适的翻译Y，使得P(Y|X)概率最大。

P(X|Y) 中文句子翻译成英文句子的概率，可以通过马尔可夫模型计算出来。

P(X) 表示要翻译的句子，是个确定的事，可以当作1。

P(Y) 句子更符合语法的概率，可以通过马尔可夫模型计算出来。

概率公理化

定义概率论

1. 样本空间，含随机事件所有的可能结果。

2. 集合，含所有随机事件

3. 函数，集合任意一个随机事件有一个值

只要函数满足三个公理，则称为概率函数。

1. 任何事件的概率是在 [0,1] 之间的一个实数

2. 样本空间的概率为1

3. 如何两个随机事件A，B互斥，即A发生则B一定不发生，则事件的概率=A发生的概率+B发生的概率

基于公理，推导定理：

1. 互补（A发生和A不发生）事件的概率和=1 公理2+公理3

2. 不可能事件的概率=0 定理1，两个互补事件合在一起就是必然事件，必然事件的概率是1，必然事件与不可能事件互补，则不可能事件的概率必须=0

大数定理

理论计算出的概率，和大量统计得到的结果一致。正是有这种一致性，大数据方法才有了理论基础

统计学和大数据

统计学，是一门关于收集、分析（数据规律性、因素相关性）、解释、陈述数据的科学，用于预估未来的变化和发展。

大数据使用误区：

1. 霍桑效应：被观察者知道自己成为被观察对象，而改变行为倾向的反映。

2. 数据稀疏带来副作用。

3. 因果反用

用好数据的五个步骤：

1. 设立目标，确认你的假说，否定备用假说。避免盲目使用数据，有意识地过滤数据中的噪音

2. 设计试验，选取数据。数据需要便于量化处理。

3. 根据试验方案进行统计和实验，分析方差。

4. 分析，提出新假说。

5. 使用研究结果。将统计结果用于产品，也报告给别人。

古德-图灵折扣估计

黑天鹅事件的发生，就是错将小概率事件看作零概率事件。

小概率事件特点：

1. 二八定律

2. 一个词的排位 * 词频 ≈ 常数；词频 * 同频率所有词的数量 ≈ 常数

解决方法一：古德-图灵折扣估计解决零概率事件。通过给高频词打一个折，多出来的词频给到低频词。

解决方法二：插值法，小概率事件估计不准

零和博弈

博弈：研究竞争中的最优解。会考虑到多方策略。最优策略是平衡。

最优解

1. 在对方给我们造成最糟糕的局面种,选择相对最好的. 这被成为最小值中的最大值策略

零和博弈：双方利益互斥，一方所得必然是另一方所失。

设 X,Y两个人下围棋.X要走下一步棋,有方法 x1,x2,x3; Y 有方法 y1,y2,y3; X 的胜率,就是Y的输率

两个人的策略有3x*3y=9种组合方式,写成一个3*3矩阵.

$A=\bigl(\begin{smallmatrix} 7 & 0 & -10 \\ 2 & 1 & 1 \\ -4 & -1 & 4 \end{smallmatrix}\bigr)$ ,

当X采用x1策略,

1. 如果Y采用y1策略,X的胜率会增加7点;

2. 如果Y采用y3策略,X的胜率会减少10点.

同理,X 采用x2策略最佳,总是在胜. Y 采用y2策略，胜率只减少1点；因此（2，2）点是对于双方来说最好的点。

上述矩阵，画在一个三维图形中，就是一个马鞍形。马鞍点就是（2，2），即在X看来，它是最低点中的最高点，在Y看来，是最高点中的最低点。

设X知道自己行棋后，Y采用 y1,y2,y3 的概率是 70%，20%，10%，则X采用x1策略是最好的。知道对方走过每步棋后，需要重新计算平衡点。

简单的马鞍图如下，红色点是马鞍点。

多人博弈的投篮问题：设10个选手投篮，投篮的准确性和篮筐的距离有关，离篮筐越近，准确性越高。现有比赛规则，第一个选手站篮筐9米处，如果投进，就是赢家；否则，第二个选手站篮筐8米处，如果投进就是赢家... 直到0米，一定投中。按此规则，第几个出场，获胜率最大？

要看命中率和距离间的关系。设命中率是1/（投篮距离+1），

9米远，命中率是 1/（1+9）=1/10

8米远，命中率是=他的命中率*第一个人失败的概率= 1/（1+8）*0.9=1/10

由此，每个人获胜的概率都是1/10

如果命中率=1/（投篮距离+1）^2，就是最后一个出场的人获胜率最大。

非零和博弈

非零和博弈是双赢。

囚徒问题：设囚徒X，Y 一起作案被抓，要定罪。为防止串供，将两人分开审讯。如果两人都认罪，刑期5年；如果一个认罪，另一个抵赖，则认罪释放，抵赖判10年；如果两人都不认罪，都判1年，那么，X，Y应选择认罪还是抵赖？

X，Y	认罪	抵赖
认罪	-5，-5	0，-10
抵赖	-10，0	-1，-1

考虑最坏情况下的最好结果。两人都抵赖，是双赢结果。需要对方彼此信任。

因此，囚徒策略一直被用来证明双赢的可能性。但现实生活中，双赢的概率很小。

智猪问题

大猪，小猪	按按钮	食槽旁等待
按按钮	5，1	4，4
食槽旁等待	9，-1	0，0

因此，大猪的策略应是按按钮，小猪策略是食槽旁等待。

weixin_43890360

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
数学通识-概率统计

基本事件：一次试验的每一个可能结果；基本事件有等可能性古典概率公式：P(A)=k/n=事件A所含基本事件的个数/基本事件总数必然事件：事件A所含基本事件的个数=基本事件总数，即 P(A)=1掷两个骰子a,b，n=36，即a=1,b=1~6;两个骰子点数加和是5的k=4,即 a=1,b=4;a=2,b=3;a=3,b=2;a=4,b=1;则 P(A)=4/36=9；而点数和为2和12的概率最小，P(A)=1/36;点数为7的概率最大，P(A)=6/36=1/6。
复制链接

扫一扫