Albert__Einstein

概率论与数理统计

1.随机事件

自然界的两类现象：

必然现象：结果事先可预知

随机现象：结果事先不可预知

随机事件：随机现象在相同的条件下，大量重复试验中呈现的规律性称为统计规律性

随机试验：对随机现象所做的观察、测量等试验统称为随机试验，简称试验，用E表示，具有如下特点：

（1）可以在相同条件下重复进行；

（2）所有可能结果不止一个，且事先已知；

（3）每次试验总是出现可能结果之一，但出现哪一个，试验前不能确定.

基本事件（样本点）：随机试验的每一个可能结果，用e表示.

样本空间：基本事件或样本点的全体构成的集合，用S表示.

随机事件：样本空间S的某个子集A称为随机事件，简称事件A.

当且仅当A中某个样本点出现，称事件 A发生.

事件A可以用语言表示，也可以用集合表示.

必然事件：样本空间 S 包含所有的基本事件，故在每次试验中都发生，因此称为必然事件.

不可能事件：不包含任何基本事件，故在每次试验中不发生因此称为不可能事件.

2.时间关系与运算

事件的包含：

（1） A $\subset$ B : 事件A发生必导致事件B发生.

事件的相等

（2） $A=B < > \left\{\begin{matrix}A\supset B \\ A\subset B \end{matrix}\right.$

事件的积:

(3)A ∩B：事件A与B同时发生，简记AB;

互不相容事件（互斥事件）:

（4） $AB=\varnothing$ : A与B不能同时发生.

事件的和（并）

(5) A ∪B：事件A与B至少有一个发生，当 $AB=\varnothing$ : A ∪B =A+B.

事件的差:

6）A -B：A发生而B不发生.

对立事件（逆事件）

7） $\bar{A}$ : 由A不发生所构成的事件.

事件的运算性质；

交换律: A ∪B=B∪A ， AB=BA;

结合律:(A∪B)∪C=A∪( B∪C), (AB)C=A(BC)；

分配律: (A∪B)C=(AC)∪(BC)， (AB)∪C=(A∪C)(B∪C)；

对偶原则（德—摩根律）：

$\bar{A\cup B} = \bar{A}\bar{B}$ $\bar{AB} = \bar{A} \cup \bar{B}$

3.古典概率

概率:表示事件A发生可能性大小的数值，称为事件A的概率，记为P(A);概率是随机事件的函数.

古典概率的定义:

若试验的样本空间S满足：

只有有限个样本点 — 有限性，

每个样本点发生的可能性相等 — 等可能性.

称此试验为古典概型试验.

古典概率的计算公式:

在古典概型下，事件A的概率定义为：

$p(A)=\frac{A所含的样本点数}{S所含的样本点数}$

这里计算样本点数的主要工具是排列、组合.

加法原理

设完成一件事有m种方式

第一种方式有n1种方法，

第二种方式有n2种方法，

……

第m种方式有nm种方法，

则完成这件事总共有 n1 + n2 + … + nm 种方法 .

乘法原理

设完成一件事必须经过r个步骤，

第一个步骤有n1种方法，

第二个步骤有n2种方法，

第三个步骤有n3种方法，

……

第 r 个步骤有nr种方法.

则完成这件事总共有n 1 ×n2 × … × nr 种方法 .

排列和组合的区别

顺序不同是不同排列，组合不管顺序

元素无重复排列

(1)将n个不同元素按照一定次序排成一列，称为全排列,全排列的个数为

元素无重复排列

(2)从n个不同元素中任取 k个(1 ≤ k ≤ n) 元素排成一列，不同的排列总数为

$A_{n}^{k}=n(n-1)(n-2)(n-k+1)=\frac{n!}{(n-k)!}$

k = n时，则为全排列

$A_{n}^{k}=n(n-1)(n-2)...2*1=n!$

元素允许重复的排列

(3)从n个不同元素中取k个(1 ≤ k ≤ n)排成一列, (元素允许重复)不同排列的总数为

$n*n...n=n^{k}$

组合

(1)组合:从n个不同元素中取 k (1 ≤ k ≤ n) 个元素组成一组,(无次序)称为一个组合,所有组合的个数为

$C_{n}^{k}=\frac{A_{n}^{k}}{k!}=\frac{n!}{(n-k)!k!}=C_{n}^{n-k}$

(2) n个不同元素分为k个(1 ≤ k ≤ n)不同组，每组元素个数分别为r1,r2,…,rk个的分法总数为

$C_{n}^{r1}\cdot C_{n}^{r2}\cdot C_{n}^{r3}\cdot \cdot \cdot =\frac{n!}{r1!r2!r3!\cdot \cdot \cdot rk!}$

其中 $r1+r2+r3+\cdot \cdot \cdot rk=n$

古典概率的性质

(1) 0 ≤ P(A) ≤ 1;

(2) P(S)=1;

(3) 若事件A、B互斥，则 P(A+B)=P(A)+P(B);

推广：若 A1,A2,„,An 互斥，则： P(A1+ A2 ...+An )= P(A1 ) P(A2 ) +P(An ).

这是概率的加法公式或概率的有限可加性

(4) P( $\bar{A}$ ) =1 - P(A);

(5) P( $\O$ ) =0;

(6)若A $\subset$ B,则P（A）<= P（B),且 P（B - A）= P（B）- P（A）

(7) （一般概率加法公式）

P(A $\cup$ B) = P(A) + P(B) - P(AB)

推广：

P(A B C) =P(A) + P(B) + P(C) - P(AB) -P(AC)- P(BC)+ P(ABC)

4.几何概率

几何概率;

定义向一区域S(可以是直线区域、平面区域或空间区域)中掷一质点M，若M必落在S内，且落在S内任何区域A上的可能性只与A的度量(如长度，面积， „)成正比，而与A的位置和形状无关，则这个试验称为几何概型试验；定义M落在A中的概率P(A)为

$P(A)=\frac{L(A)}{L(S)}$

特点：样本空间满足

有无穷多个样本点 — 无限性，

每个样本点发生的可能性相等 — 等可能性.

几何概率的性质
(1) 0 ≤ P(A) ≤ 1;

(2) P(S)=1;

(3) 若 A1,A2,„,An 互斥，则： P(A1 + A2 ..+ An ) = P(A1 ) +P(A2 ) ... + P(An )

古典概率的其它性质对几何概率也同样成立

5.统计概率

频率

定义设A为某一试验的事件，将试验在相同的条件下重复进行n次，用m表示 A出现的次数，则

$f_{n}(A)=\frac{m}{n}$

称为事件A的相对频率.

频率的稳定性

在充分多次试验中，事件的频率总在一个定值附近摆动，而且，试验次数越多摆动越小.这个性质叫做频率的稳定性

统计概率

定义在固定条件下，重复做n次试验，如果当n增大时，事件A出现的频率fn(A) 围绕着某一个常数 p 摆动；随着n的增大，这种摆动的幅度越来越小，则称常数 p 为事件A的概率，即

P(A) = p

此定义适合于一切类型的试验.

当n充分大时，频率作为概率的近似值，即

$f_{n}(A)=\frac{m}{n}\approx p(A)$

足以满足实际需要.

频率的性质

(1) 0 <=fn (A) <= 1;

(2) fn (S) = 1;

(3) 若 A1,A2,…,Ak 互斥，则： fn (A1 + A2...+ Ak ) = fn (A1 )+fn (A2 ).. +fn (Ak)

统计概率的性质
(1) 0 ≤ P(A) ≤ 1;

(2) P(S)=1;

(3) 若 A1,A2,…,An 互斥，则： P(A1+A2 ..+ An ) = P(A1 ) +P(A2 ).. P(An )

古典概率的其它性质对统计概率也同样成立..

6.概率的公理化定义

概率的公理化定义

1933年，苏联数学家柯尔莫哥洛夫给出了概率的公理化定义. 通过规定概率应具备的基本性质来定义概率.

设随机试验的样本空间为S，对每个事件A，定义P(A) ，且满足 :

公理1 P(A)≥ 0 —— 非负性 ;

公理2 P(S)=1—— 规范性 ;

公理3 若事件A1, A2 ,… 互不相容，则 P(A1 + A2+... )= P(A1 )+ P(A2 ) ——可列可加性; 称P(A)为事件A的概率.

7.条件概率、乘法公式

条件概率

定义: $P(A|B)=\frac{P(AB)}{P(B)},P(B)>0$

性质：设P(B) > 0.

(1）非负性： P(A| B)>= 0；

(2）规范性： P(S | B) = 1；

(3）可列可加性：设A1 , A2 , ... 互不相容，则 P((A1 + A2+.. ) | B)= P(A1 | B)+ P(A2 | B)+...

（4） P( $\bar{A}$ | B) = 1 - P(A| B);

（5） P( $\o$ | B) = 0;

（6）P((A1 -A2) |B) =P(A1 | B) - P(A1A2|B); A1 $\supset$ A2 => P(A1 | B) >= P(A2 | B);

（7）P(A1 U A2 | B) = P(A1 | B)+P(A2 | B) - P(A1A2 | B).

条件概率具有概率的所有性质．

乘法定理

$P(A|B)=\frac{P(AB)}{P(B)} => P(AB)=P(A|B)P(B),P(B)>0$

$P(B|A)=\frac{P(AB)}{P(A)} => P(AB)=P(B|A)P(A),P(A)>0$

乘法定理

推广

$P(A_{1}A_{2}...A_{n})=P(A_{1})P(A_{2}|A_{1})P(A_{3}|A_{1}A_{2})....P(A_{N}|A_{1}A_{2}A_{3}..A_{n-1})$

$, P(A_{1}A_{2}A_{3}..A_{n-1})>0$

8.全概率公式

全概率公式

定理设A1,A2,…,An是两两互斥的事件，且 P(Ai)>0 ，( i =1,2,…,n), 若对任一事件B, 有

(A1＋A2 ＋… ＋An) $\supset$ B ,则

$P(B)=\sum_{i=1}^{n}P(A_{i})P(B|A_{i})$

9.贝叶斯公式

定理

设A1,A2,…,An是两两互斥的事件,且 P(Ai)>0,(i=1,2,…,n)若对任一事件B, 有 (A1＋A2 ＋… ＋An) $\supset$ B ，且P (B) > 0, 则

$P(A_{i}|B)=\frac{P(A_{i})|P(B|A_{i})}{\sum_{j=1}^{n}P(A_{j})|P(B|A_{j})},i=1,2....n$

$P(A_{i}|B)=\frac{P(A_{i}B)}{P(B)}=\frac{P(A_{i}B)}{\sum_{j=i}^{n}P(A_{j}B)}$

贝叶斯公式(Bayes)

定理设A1,A2,…,An是两两互斥的事件,且 P(Ai)>0,(i=1,2,…,n)若对任一事件B, 有 (A1＋A2 ＋… ＋An) $\supset$ B ，且P (B) > 0, 则

$P(A_{i}|B)=\frac{P(A_{i})P(B|A_{i})}{\sum_{j=1}^{n}P(A_{j})P(B|A_{j})},i=1, 2... n$

P(Ai)和P(Ai |B)分别称为原因的验前概率和验后概率

10.事件的独立性

两事件的独立性

A的发生并不影响B发生可能性的大小，这时称事件A、B独立. P(AB)=P(B)P(A|B) 由 P(B)=P(B|A) P(AB)=P(A)P(B).

定义设A ，B是两个事件，如果 P(AB)= P(A)P(B)，则称A与B相互独立．

当P(A)>0，当P(B)>0时， P(AB)= P(A)P(B) P(A|B) = P(A) P(B|A) = P(B)

A与B相互独立 A与B相互独立

三个事件的独立性

定义设三个事件A、B、C，若

P(AB)= P(A)P(B)

P(AC)= P(A)P(C)

P(BC)= P(B)P(C)

A、B、C两两独立、A、B、C相互独立

P(ABC)= P(A)P(B)P(C)

n个事件独立

定义设 $A_{i_{1}},A_{i_{2}},...,A_{i_{n}}$ 是n个事件，如果对任意k(1

$P(A_{i_{1}},A_{i_{2}}, ...A_{i_{k}})=P(A_{i_{1}})P(A_{i_{2}})...P(A_{i_{k}})$

称 $A_{i_{1}},A_{i_{2}},...,A_{i_{n}}$ 相互独立

11.二项概率公式

n重伯努利试验

若一个试验只有两个结果: A和 A , 称试验为伯努利试验.

设P(A) = p (0 < p <1）, 则P(A ) = 1－p = q. 将伯努利试验重复、独立地进行n次, 称为n重伯努利试验

注意：

每次试验中 P(A)=p保持不变

各次试验的结果互不影响

二项概率公式

定理1 设每次试验中成功A的概率为p (0 < p < 1), 则在n重伯努利试验中A恰好发生k次的概率为

$P_{n}(k)=C_{n}^{k}p^kq^{n-k}$

其中 p + q = 1, k = 0, 1, …, n.

二项概率的泊松(Poisson)逼近定理

定理2 如果n→∞, p→0使得np=λ 保持为正常数，则

$C_{n}^{k}p^k(1-p)^{n-k}\rightarrow \frac{\lambda ^{k}}{k!}e^{-\lambda }$

对k=0,1,2, „一致地成立.

12.随机变量函数的分布

随机变量的概念

定义设随机试验的样本空间是S. 若对S中的每个样本点e, 都有唯一的实数值X(e)与之对应, 称X(e)为随机变量, 简记为X.

随机变量X是基本事件e的函数, 其定义域为S, 值域为某个实数集合.

随机变量X取某个值或某些值表示事件,且具有一定的概率.

随机变量通常用大写字母X, Y, Z或希腊字母ζ, η等表示.

随机变量的取值一般用小写字母x, y, z等表示.

随机变量:离散性、连续型

13.离散型随机变量

离散型随机变量

只能取有限个值或可列无穷多个值的随机变量X 称为离散型随机变量.

概率分布列

$P(X =x_{k} ) = p_{k} , k = 1, 2...$

为离散型随机变量X的概率分布列, 简称分布列或分布律.

分布列的性质

(1) $p(k)\geq 0,(k=1,2,3,...)$ ,

(2) $\sum_{k=1}^{\infty }p_{k}=1$

几个常用的离散型分布

两点分布(伯努利分布、 (0-1)分布)

定义若随机变量X的分布列是 $P(X = k) = p^k(1-p)^{1-k}, k = 0, 1 (0 < p < 1)$

称X服从两点分布或伯努利分布, 也称为 (0 – 1) 分布,记为X ~ B(1, p).

若 P(X=a)=1, 称X服从退化分布.

二项分布(Binomial)

定义若随机变量X的分布列是 $P(X=k)=C_n^kp^kq^{n-k}$

称X服从参数为n, p的二项分布,记为 X～B(n, p)．

当n = 1时, $P(X = k) = p^k(1-p)^{1-k},$ 为两点分布.

泊松分布(Poisson)

定义若随机变量X的分布列

$P(X=k)= \frac{\lambda ^{k}}{k!}e^{-\lambda },\lambda>0,k=0,1,2...$

称X服从参数为 $\lambda$ 的泊松分布,记为X ~ P( $\lambda$ ).

几何分布(Geometric)

定义若随机变量X的分布列

$P(X =k) =q^{k-1}p, ( k=1, 2,...), \sum_{k=1}^{\infty }P(X=k)=\sum_{k-1}^{\infty} q ^{k-1} p=1,$

称X服从参数为p的几何分布,记为X ~G(p).

几何分布的应用在伯努利试验中,设每次试验成功的概率均为p(0

超几何分布

定义设有N件产品, 其中有M件次品. 今从中任取n件不同产品, 则这n件中所含的次品数X的分布列为

$P(X=k)=\frac{C_M^kC_{(N-M)}^{(n-k)}}{C_N^n}$

规定当i > m时, .

称X服从超几何分布.

二项分布用来描述有放回抽样. 超几何分布用来描述不放回抽样. 当总体N很大,

抽样数n较小时, 可用二项分布来逼近超几何分布.

14.随机变量的分布函数

分布函数:

定义设X为一随机变量, 称 $F(x) = P ( X \leq x ) ,-\infty <x < +\infty$ . 为X的分布函数,

记为F (x)或FX (x).

随机变量都有分布函数.

分布函数的几何意义

$F(x) =P(X \leqslant x) =P(x \in ( -\infty , x))$

利用分布函数计算概率

设随机变量X的分布函数为F(x), a

$P(a < X \leq b) = P(X \leq b) -P(X \leq a)=F(b) -F(a)$

$P(X =a)= P(X \leq a) -P(X = a)= F(a) - F(a^- )$

$P(X > b) = 1- P(X\leq b) = 1- F(b),$

$P(X \geq b) = 1- P(X<b) = 1- F(b^-),$

分布函数的性质

(i) $0 \leqslant F(x) \leq 1 ( -\infty < x < + \infty )$

(ii) $F(x1) \leq F(x2), x1 < x2$ ,即F(x)是单调非减的；

(iii) $F( -\infty ) = \lim_{x\rightarrow -\infty } F (x) = 0,F( +\infty ) = \lim_{x\rightarrow +\infty } F (x) = 1$

(iv) 即F(x)是右连续的.

15.连续型随机变量

连续型随机变量

定义设随机变量X的分布函数为F(x), 若存在一个非负的函数f(x), 对任何实数x, 有

$F (x) =\int_{-\infty }^{x} f (t)dt$

称X为连续型随机变量, 称f(x)为X的概率密度函数, 简称概率密度.也可记为.

由定义, 可得下面两个结论

(1)连续型随机变量的分布函数一定是连续的；

(2)对f(x)的连续点, 有

$\left.\begin{matrix} {F}'(x) = f (x)\\ F (x) =\int_{-\infty }^{x} f (t)dt\end{matrix}\right\}$ F(x)与f(x)可以互推.

概率密度的性质

(1) $f(x)\geq 0,$

(2) $\int_{-\infty}^{+\infty}f(x)dx=1$

这两条是判定函数 f (x) 是否为概率密度函数的充要条件.

$F(+\infty)=\int_{-\infty}^{+\infty}f(x)dx=1$

(3) $P(x_1 < X \leq x_2 ) = F(x_2 )- F(x_1 ) = \int_{x_1}^{x_2} f (x)dx$

连续型随机变量取任一指定值的概率为0，即 P ( X = a ) = 0.这是因为

$0 \leq P(X = a)\leq P(a -\Delta x < X \leq a) = F(a)- F(a-\Delta x), \Delta x> 0.$

由F(x)连续得

$\lim_{\Delta x\rightarrow 0}(F(a)-F(a-\Delta x))=0\Rightarrow P(X=a )=0$

不能推出 $(X =a)=\varnothing$

同理不能推出 $A =\varnothing$

不能推出

$P(a <X < b) = P(a< X\leq b)= P(a \leq X < b) = P(a \leq X \leq b).$

几种重要的连续型随机变量

均匀分布(Uniform)

定义若随机变量X的概率密度为

$f(x)=\left\{\begin{matrix} 1 & & \\ b-a,& a \leq x \leq b & \\ 0,&other & \end{matrix}\right.$

称X在区间[a, b]上服从均匀分布,记为X ~ U[a, b].

均匀的含义是等可能

若X ~ U[a, b], (x1, x2)为[a, b]中的任一子区间, 则

$p(x_1<X<x_2)=\int_{x_1}^{x_2}\frac{1}{b-a}dx=\frac{x_2-x_1}{b-a}$

说明： X落在长度相等的各个子区间的可能性是相等的.属于几何概率.

若X~U[a,b],则 $P(a \leq X \leq b) =1$ .

概率密度的性质

若X ~ U[a, b] ，则X的分布函数

$F(x)=\left\{\begin{matrix} 0, &x<a \\ \frac{x-a}{b-a},&a \leq x <b \\ 1 ,&x \geq b \end{matrix}\right.$

指数分布(Exponential)

定义若连续型随机变量X的概率密度

$f(x)=\left\{\begin{matrix} \lambda e^{- \lambda x}, &x>0 \\ 0,& x \leq 0 \end{matrix}\right. (\lambda>0)$

称X服从参数为的指数分布.记为X ~ E( $\lambda$ ).

分布函数为:

$F (x) =\left\{\begin{matrix} 1-e^{- \lambda x}, & x>0\\ 0 ,&x \leq 0 \end{matrix}\right. \lambda > 0$

指数分布常用来近似地表示各种寿命的分布.

指数分布的无记忆性

$X \sim E( \lambda),\forall s> 0, t > 0,$

16.正态分布

正态分布(Normal)

定义若随机变量X的概率密度为

$f(x)=\frac{1}{\sigma \sqrt{2 \pi }}e^{-\frac{(x-u)^2}{2 \sigma^2}},(-\infty<x<+\infty)$

$\mu, \sigma$ 为常数, 且 $\sigma > 0$ , 称X 服从参数为 $\mu, \sigma$ 的正态分布或高斯(Gauss)分布, 也称X为正态变量, 记作 $X\sim N(\mu, \sigma^2)$ .

正态分布密度曲线特征

(1) 关于对称;

(2) 当时, f (x)取得最大值 $\frac{1}{\sqrt{2 \pi }\sigma}$ ;

(3) 当 $x\rightarrow \pm \infty$ 时, $f(x)\rightarrow 0$

(4)曲线在 $x=u\pm \sigma$ 处有拐点;

(5) $\mu$ 决定对称轴的位置. 当固定 $\sigma$ 值，改变 $\mu$ 值时, 的形状不变，只是沿着轴平移；

(6) $\sigma$ 决定离散程度. 当固定 $\mu$ 值，改变 $\sigma$ 值时, f(x)的对称轴不变，但形状改变. $\sigma$ 越大，图形越矮越胖， $\sigma$ 越小，图形越高越瘦.

正态变量X的分布函数

$F(x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{x}e^{-\frac{(t-u)^2}{2\sigma^2}}dt,-\infty <x< +\infty$

标准正态分布定义

若X~N(0,1) ，称X服从标准正态分布.

概率密度为

$\varphi (x)=\frac{1}{\sqrt{2 \pi}}e^{-\frac{x^2}{2}},-\infty < x< +\infty$

分布函数为;

$\phi (x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{x}e^{-\frac{t^2}{2}}dt,-\infty < x< +\infty$

性质:

$\varphi (x)=\varphi (-x),\phi (-x)=1-\phi (x)$

一般的正态分布 $X\sim N(\mu, \sigma^2)$ 的分布函数与标准正态分布的分布函数 $\phi (x)$ 间的关系为

$F (x)=\phi (\frac{x-u}{\sigma})$

即，若 $X\sim N(\mu, \sigma^2)$ ,则 $\frac{X-\mu}{\sigma}\sim N(0,1)$

17.随机变量的函数分布

离散型随机变量函数的分布

连续型随机变量函数概率密度的两种求法

分布函数法

已知X的概率密度,分布函数,Y=g(X), 求Y概率密度,分两步：

(1)先求Y的分布函解出 $FY (y)=P(Y\leq y)=P{g(X)\leq y}$ ,解除X 表示成X的分布函数；

(2)求导数： $f_Y (y)= {F}'_Y (y)$ .

公式法

设X的概率密度, y =g(x)为(a,b)上严格单调可微函数 $(-\infty < a \leq b<+\infty)$ ,则Y g(X)的概率密度为

$f_Y ( y) =\left\{\begin{matrix} f_X(h(y))|{h}'(y)| & A <y<B \\ 0 & other \end{matrix}\right.$

其中h(y)为g(x)的反函数且A min{g(a), g(b)}, B max{g(a), g(b)}.

18.多维随机变量，分布函数、边缘分布函数

多维随机变量

定义若定义在同一样本空间S上的n个随机变量,称为 n 维随机变量或 n 维随机向量，简记为 .

二维随机变量(X,Y)的分布函数

二维随机变量（X, Y)

$F(x, y) = P(X \leq x,Y \leq y),(- \infty <x, y< +\infty)$

为X和Y的联合分布函数 $(X \leq x) \bigcap (Y \leq y)$ 两事件同时发生)

分布函数的性质

(1)对任意实数有 $0 \leq F(x, y) \leq 1$ ;

(2) $F (x_1 , y) \leq F (x_2 , y), x_1 \leq x_2 , y$ 任意； $F (x, y_1 ) \leq F (x, y_2 ), y_1 \leq y2 , x$ 任意.

即对每个自变量都是单调不减的；

(3)对任意有

$\\F( -\infty , y)= \lim_{x \rightarrow -\infty} F(x, y) = 0, \\ F( x, -\infty )= \lim_{y \rightarrow -\infty} F(x, y) = 0, \\ F( -\infty , -\infty)= \lim_{x \rightarrow -\infty,y \rightarrow -\infty} F(x, y) = 0, \\ F( -\infty , +\infty)= \lim_{x \rightarrow +\infty,y \rightarrow +\infty} F(x, y) = 1$

(4);

(5)对任意实数 $x1 \leq x2 , y1 \leq y2$ ，有 $F(x_2 , y_2 ) -F(x_2 , y_1 ) - F(x_1 , y_2 ) +F(x_1 , y_1 ) \geq 0$ . 因为

$P(x_1 X \leq x_2 , y_1 < Y \leq y_2 )$

边缘分布函数

设二维随机变量的分布函数称与各自的分布函数和为的边缘分布函数或关于和的边缘分布函数. 即

$\\F_X (x)= P(X \leq x)= P(X \leq x,Y \leq +\infty )\\ = F(x,+\infty ) = \lim_{y \rightarrow +\infty} F(x, y),$

同理， $\\F_Y (y)= F(+\infty,y ) = \lim_{x \rightarrow +\infty} F(x, y),$

19.二维离散型随机变量

二维离散型随机变量

定义1 若二维随机变量所有可能取值是有限对或可列无限多对，则称为二维离散型随机变量.

定义2设的所有可能取值为,称 $P(X = x_i ,Y= y_j ) p_{ij} , (i, j= 1, 2,... )$ , 为的分布列或X和Y的联合分布列.

(X,Y)的分布列也可用列表法表示:

(X,Y)分布列的性质：

(1) $p_{ij} \geq 0(i,j= 1, 2, ... )$ ;

(2) $\sum _{i}\sum_jp_{ij}=1$

(3) $P((X,Y)\in G)=\sum _{(x_i,y_j)\in G}P(X=x_i,Y=y_j)=\sum _{(x_i,y_j)\in G}p_{jj}$

X,Y的边缘分布列

设离散型随机变量(X,Y)的分布列为

X的边缘分布列为: $P (X= x_i)=\sum_{j=1}^{+\infty} ( P (X = x_i ,Y = y_j ) )= \sum_{j=1}^{+\infty} p_{ij}= p_{i.}$

Y的边缘分布列为: $P (Y= y_i)=\sum_{i=1}^{+\infty} ( P (X = x_i ,Y = y_j ) )= \sum_{i=1}^{+\infty} p_{ij}= p_{.j}$

二维离散型随机变量( X, Y )的分布函数:

$F(x, y) =P(X \leq x,Y \leq y) = \sum_{x_i \leq x} \sum_{y_j \leq y} P(X= xi , Y = yj) = \sum_{x_i \leq x} \sum_{y_j \leq y} p_{ij}$

和式是对所有满足 $x_i \leq x, y_j \leq y$ 的求和.

20.二维连续性随机变量

二维连续型随机变量

二维连续型随机变量 X和Y的联合概率密度

定义设二维随机变量(X,Y)的分布函数为 F(x ,y) ，若存在非负函数f(x, y),使得对任意实数x, y有 $F (x, y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f(u,v)dudv$ 称(X, Y)为二维连续型随机变量，称f(x, y)为二维随机变量(X,Y)的概率密度，或称为X与 Y的联合概率密度.

概率密度的性质

(1) $f(x,y) \geq 0\\ \$

(2) $\int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x,y)dxdy=F ( +\infty , +\infty )=1$

(3) 设G是xOy平面上的一个区域，则点(X,Y) 落在G中的概率为

$P((X,Y) \in G) ={\int \int} f (x, y)dxdy.$

(4) 在的连续点有

$f (x, y)=\frac{\partial ^2F(x,y)}{\partial x\partial y}$

边缘概率密度

设二维连续型随机变量(X,Y)的密度函数为,称

$\\f_X (x) = \int_{-\infty}^{+\infty} f (x, y)dy \\ f_Y (y) = \int_{-\infty}^{+\infty} f (x, y)dx\\$

为二维随机变量(X,Y)的边缘概率密度.

二维均匀分布

设G是平面上的有界区域，其面积为 S(G).若二维随机变量(X,Y)具有概率密度

$f (x, y)=\left\{\begin{matrix} \frac{1}{S(G)} &(x,y) \in G \\ 0&others \end{matrix}\right.$

则称(X,Y)在G上服从均匀分布 $f (x, y) \geq 0$ ,且 $\int_{-\infty}^{+\infty} f (x, y)dxdy = 1.$

满足概率密度的两个基本性质.

二维正态分布

设二维随机变量(X,Y)的概率密度

$\\f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho ^2}}e^{-\frac{1}{2(1-\rho ^2)}[\frac{(x-\mu_1)^2}{\sigma_1^2}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}]} \\(-\infty <x<+\infty,-\infty <y<+\infty,)$

其中 $\mu_1,\mu_2,\sigma_1>0,\sigma_2>0,|\rho|<1$ ,都是常数，称(X,Y) 服从参数为 $\mu_1,\mu_2,\sigma_1^2,\sigma_2^2,\rho$ 的二维正态分布，记为 $(X,Y)\sim N(\mu_1,\mu_2,\sigma_1^2,\sigma_2^2,\rho)$

二维正态分布的两个边缘分布都是一维正态分布，即

$X ~ N( \mu_ 1 , \sigma_1^2 ), Y ~ N( \mu_ 2, \sigma_2^2 ).$

21.随机变量的独立性

随机变量的独立性

两事件A, B独立的定义是：若P(AB)=P(A)P(B) 则称事件A, B独立 .

设X, Y是两个随机变量，若对任意的实数x, y, 令 $A = (X \leq x), B= (Y\leq y)$ ,则

$\\P(X \leq x,Y\leq y)= P(X\leq x)P(Y\leq y), \\ F(x, y)= F_X (x)F_Y (y).$

定义设依次为的分布函数.若对任意实数成立

称X与Y相互独立.

X,Y为连续型随机变量时,X与Y独立的充要条件是

这里分别是的概率密度.

X,Y为离散型随机变量时,X与Y独立的充要条件是

$\\P(X = x_i ,Y = y_j )= P(X = x_i )P(Y = y_j ). \\ p_{ij} = p_{i.} p {.j} ,$

这里 $p_{ij} , p_{i.} , p_{.j}$ 分别是的分布列.

n维随机变量的一些概念

n维随机变量的分布函数

设为n维随机变量，为任意实数，则n元函数 $F (x_1 , x_2 , , x_n ) = P(X_1\leq x_1 , X_2\leq x_2 , ... , X_n \leq x_n )$ 称为的分布函数.

n维随机变量的概率密度

设为n维随机变量的分布函数.若存在非负函数, 对任意实数有 $F (x_1 , x_2 , , x_n )=\int_{-\infty}^{x_1}\int_{-\infty}^{x_2}...\int_{-\infty}^{x_n}f(t_1,t_2...t_n)dt_1dt_2...dt_n$ , 称为连续型随机变量，为n维随机变量的概率密度.

n维随机变量的相互独立

设为n维随机变量的分布函数.若对任意实数有 $F (x_1 , x_2 , , x_n )=F_{X_1}(x_1)F_{X_2}(x_2)...F_{X_n}(x_n)$ 则称是相互独立的. 对连续型随机变量，则相互独立的充要条件是 $f(x_1 , x_2 , , x_n )=f_{X_1}(x_1)f_{X_2}(x_2)...f_{X_n}(x_n)$ .

22.二维随机变量函数的分布

离散型随机变量函数的分布

设二维离散型随机变量的分布列为 $P (X=x_i,Y=y_j)= p_{ij],ij=1,2,3,...$ ，则是一维离散型随机变量，用表示Z的取值,则Z的分布列 ,

$P(Z = z_k )= P{g(X,Y) = z_k }=\sum_{g(X,Y)=z_k} P(X = x_i ,Y = y_j ), k= 1, 2...$

连续型随机变量函数的分布

设是二维连续型随机变量，其概率密度为, ,求的概率密度或分布函数

分布函数法:

$\\F_Z (z)= P(Z \leq z) = P{g(X,Y) \leq z} ={\int \int} _{g( x ,y ) \leq z} f (x, y)dxdy , \\f_Z (z)= {F}'_Z (z).$

连续型随机变量Z=X+Y的分布

设X和Y的联合密度为 f (x,y), 则Z=X+Y的分布函数为

$\\F_Z (z) = P(Z \leq z)= P(X + Y \leq Z) \\= \iint_{x+y \leq z}^{}f (x, y)dxdy \\=\int _{-\infty}^{+\infty}(\int _{-\infty}^{z-x}f(x,y)dy)dx \\=\int _{-\infty}^{+\infty}(\int _{-\infty}^{z}f(x,u-x)du)dx \\=\int _{-\infty}^{z}(\int _{-\infty}^{+\infty}f(x,u-x)dx)du \\=\int _{-\infty}^{z}f_Z(u)du$

故Z=X+Y的概率密度为

$f_Z (z) = \int _{-\infty}^{+\infty} f (x, z - x)dx.$

由X和Y的对称性,又可写成

$f_Z (z) = \int _{-\infty}^{+\infty} f (x, z - x)dx.$

积公式当X与 Y 立时，称Z=X+Y的概率密度公式为卷积公式，即

$\\f_Z (z) = \int _{-\infty}^{+\infty} f_X(x)f_Y ( z - x)dx. \\f_Z (z) = \int _{-\infty}^{+\infty} f_X(z-y)f_Y ( y)dy.$

Max(X,Y)及min(X,Y)的分布

设X,Y是两个相互独立的随机变量，它们的分布函数分别为和,求及的分布函数和.

分布函数为

$\\F_M (z) = P(M \leq z)= P(max(X,Y) \leq z) \\=P(X \leq z,Y \leq z)=P(X \leq z)P(Y \leq z) \\F_M(z)=F_X(z)F_Y(z)$

的分布函数为

$\\F_N(z) = P(N \leq z)= P(min(X,Y) \leq z) \\=1-P(X>z,Y >z)=1-P(X>z)P(Y >z) \\F_n(z)=1-[1-F_X(z)][1-F_Y(z)]$

n个独立随机变量的最值分布

设是n个相互独立的随机变量,它们的分布函数分别为 FXi (xi ), i 1, 2, , n.

23.条件分布

24.随机变量的数学期望

25.随机变量的方差

26.协方差和相关系数

27.大数定律

28.中心极限定理

29.总体与样本

30.X2分布、T分布、F分布

31.统计量与抽样分布

32.点估计

33.区间估计

34.假设检验的基本概念

35.单个正态总体参数的显著性检验

36.两个正态总体参数的显著性检验

37.拟合优度检验（非参数检验）

38.单因素的方差分析

39.一元线性回归

你可能感兴趣的:(概率论)

如何有效的学习AI大模型？ Python程序员罗宾学习人工智能语言模型自然语言处理架构
学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
日记2021-3-8 思考z
今天开课第一天，对于今天的目标完成的还不错早上起床赖了一下，下午去图书馆呆了2个多小时，晚自习看了概率论与统计学，单词：talent天赋，才能，thick厚的，obstacleto对……障碍，introduce介绍，传入，thin瘦的，稀薄的，thorough彻底的，完全的，occurredto想到，invent发明，throat喉咙，ofcourse当然，thunder雷，雷声，tide潮汐，o
PDF和CDF 薛定谔的猫_大雪概率论
在概率论和统计学中，PDF和CDF是两种描述随机变量分布的重要函数：ProbabilityDensityFunction(PDF)：概率密度函数是用来描述连续随机变量可能取值的概率分布的函数。对于一个连续型随机变量X，其PDFf(x)定义为在某个取值x处的概率密度，即X在该值附近出现的概率密度。PDF的积分可以得到概率，即在某个区间内随机变量出现的概率。CumulativeDensityFunct
Python 数学建模——方差分析 Desire.984 Python 数学建模数学建模 python 概率论
文章目录前言单因素方差分析原理核心代码双因素方差分析数学模型分析依据典型代码前言方差分析也是概率论中非常重要的内容，有时数学建模需要用到。方差分析是干什么的？如果说假设检验用于分析两个总体之间的均值μ1,μ2\mu_1,\mu_2μ1,μ2是否存在显著的差别，那么方差分析就是分析两个以上总体之间的均值是否存在显著的差别。单因素方差分析用途：已知一个量AAA可能会影响XXX，AAA的不同取值可能
数据分析面试【概率论与统计学】总结之-----统计学常见面试题整理天阑的芋头 #数据分析—统计学知识数据分析统计学数据分析面试
阅读之前看这里：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。目录1.用简洁的话语阐述随机变量的含义2.划分连续型随机变量和离散型随机变量的依据3.常见的分布函数/概率密度函数，以
感悟文是很容易写的林天歌
生活感悟是很容易写的，只要你生活中稍稍关注一下周围在发生什么，随便什么事情都可以，甚至编一件事都可以，然后为之赋予一个意义。举例子的话，比如说我可以写我的概率论老师，每节课三小时，两小时都是在讲课堂无关的事情，都是在讲一些她以为的人生道理，却不知道因为她讲得太多，加上她使用互联网的能力不足，她讲得已经完全不能触动到学生的神经，反倒还促进了一些学生的逃课。这就是典型的以己度人，她以为她在分享自己认为
深度学习算法，该如何深入，举例说明 liyy614 深度学习
深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
机械学习—零基础学习日志（概率论总笔记5）学长小陈来帮你学习笔记概率论算法深度学习机器学习
引言——“黑天鹅”要获得95%以上置信度的统计结果，需要被统计的对象出现上千次，但是如果整个样本只有几千字，被统计的对象能出现几次就不错了。这样得到的数据可能和真实的概率相差很远。怎么避免“黑天鹅”？古德-图灵折扣估计法在词语统计中，有点词语虽然是出现0次，但是实际的出现概率并不是永远不可能的零。那需要把一些概率转移给到这些词语。古德的做法实际上就是把出现1次的单词的总量，给了出现0次的，出现2次
Python 数学建模——假设检验 Desire.984 Python 数学建模 python 数学建模概率论
文章目录前言参数假设检验单个总体均值的假设检验σ\sigmaσ已知σ\sigmaσ未知两个总体均值的假设检验参考代码非参数假设检验分布拟合检验——卡方检验KS检验（Kolmogorov-Smirnov检验）Wilcoxon检验Wilcoxon符号秩检验Wilcoxon秩和检验前言假设检验是概率论中相当重要的内容。一般是先提出一个原假设H0H_0H0和一个对立的备择假设H1H_1H1，通过数学方
非理工科院校怎么打好数学建模比赛 | 南川笔记南川笔记
Proposition1非理工科院校最好不要打数学建模比赛。虽说“一次建模，终身受益”，但毕竟数学建模既要数学理论的支撑（不仅仅是大学里的微积分、线性代数和概率论与统计，更多的是基于微积分的常偏微分方程、基于线性代数的运筹学和基于概率论与统计的统计分析内容），还要编程的支撑（不是常规的C语言或者Java程序，也不是这几年很火的Python编程，而是基于数值运算的Matlab和基于统计的R），这在一
Python的图形化界面编程 iteye_20668 Python python
2017.2.14好久没有写代码了，感觉过一个年弄的什么也没有干成，好像看了下c++,突然发现现在来看C++,要简单了好多，并且指针也没有那么难了，然后就是看了下机器学习，感觉有点小难，现在发现好多都涉及到高数，概率论和线性代数的知识，想想当初把这些学的是一塌糊涂。然后上次和胡杨大大聊天的时候，他说好多东西都是在实践中去学习的。好了，继续我的Python吧，Python的图形化界面编程。impor
python机器学习算法--贝叶斯算法在下小天n 机器学习 python 机器学习算法
1.贝叶斯定理在20世纪60年代初就引入到文字信息检索中，仍然是文字分类的一种热门（基准）方法。文字分类是以词频为特征判断文件所属类型或其他（如垃圾邮件、合法性、新闻分类等）的问题。原理牵涉到概率论的问题，不在详细说明。sklearn.naive_bayes.GaussianNB(priors=None,var_smoothing=1e-09)#Bayes函数·priors：矩阵，shape=[n
【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？ seh_sjlj 概率论概率论学习数学经验分享
先说结论：因为假阳性的人数相比于真阳性太多了。具体是怎么回事呢？咱们慢慢分析。文章目录一、贝叶斯公式二、典例分析三、贝叶斯公式的本质思考（摘自教材）一、贝叶斯公式定理1（贝叶斯公式）设有事件A,BA,BA,B，P(A)>0P(A)>0P(A)>0，P(B)>0P(B)>0P(B)>0，则P(B∣A)=P(B)P(A∣B)P(A)P(B|A)=\frac{P(B)P(A|B)}{P(A)}P(B∣A
愚者才悲观｜每日复盘D32 _李子昂
我是李子昂，一个热爱生活、积极向上的“人生梦想家”。爱阅读、记录生活，这是我的第三十二天复盘❤2019.12.1232/3651.感恩创造的不可思议的今天早起一件事：打卡✔（每天比昨天早起两分钟）早读任务：第一课，课文两段✔马原第一章大题背诵✘古诗词一首✘三只青蛙:阅读一小时✔概率论前三章✘图片发自App2.今日小确幸感恩YCX送我的奶茶，紫薯和冬天很配❤感恩早上的挣扎顺利的早起了两分钟，明天加油
【晨间日记】 2020年9月23日语瞳SAMA
2020年9月23日天气：小雨【90天践行目标】（108/120）①5：30早起②22：30早睡③写晨间日记【昨日践行】①5：41起床②22：29入睡③晨间日记已达成【今日青蛙】①完成概率论和离散数学作业②午间冥想③洗衣服*昨日三只青蛙已达成【反思日志】①早晨听这门Java课，真的有种“虽然是使用中文教学，但是上起来却和外语课一样”的感觉，好多未知的术语糅杂在一起，整堂课听着就跟猜谜似的，太离谱了
2.1概率统计的世界极客探索者量化交易概率论
欢迎来到概率统计的世界！在量化交易中，概率统计是至关重要的工具。通过理解概率，我们可以用数学的方法来描述市场行为，预测未来走势，并制定交易策略。让我们一起从基础概念开始，逐步深入，揭开概率统计的神秘面纱。1.1概率论的基本概念与应用概率是用来描述某个事件发生可能性的数值。例如，丢一枚硬币，正面朝上的概率是50%。这个概率可以用数学公式表示为：在量化交易中，我们常常需要计算各种事件的概率，例如股票价
Matlab实现多传感器信息融合（D-S证据推论）冬天都会过去
D-S证据理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，贝叶斯条件概率需要知道先验概率。而D-S证据理论不需要知道先验概率，能够很好地表示“不确定”，被广泛用来处理不确定数据。（对来自多传感器数据的融合处理）适用于：信息融合、专家系统、情报分析、法律案件分析、多属性决策分析1、D-S证据理论知识介绍（1）四大定义基本概率分配、信任函数、似然函数、信任区间其中，函数m为识别框
概率论中的卷积公式 Ctrl+CV九段手概率论卷积公式卷积神经网络概率论概率论与数理统计笔记经验分享
目录简介卷积公式的推导与应用实际例子卷积公式在多维情况下的推导和应用是什么？多维卷积的推导多维卷积的应用延伸拓展如何使用卷积公式解决实际问题，例如信号处理中的噪声消除？在统计学中，卷积公式是如何应用于样本量估计和假设检验的？卷积公式在量子力学中的应用有哪些例子？如何证明卷积公式对于独立随机变量之和的概率密度函数的重要性？简介在概率论中，卷积公式是用于计算两个独立随机变量之和的概率密度函数的重要工具
亦菲喊你来学机器学习（14） --贝叶斯算法方世恩机器学习算法人工智能 python scikit-learn
文章目录贝叶斯一、贝叶斯定理二、贝叶斯算法的核心概念三、贝叶斯算法的优点与局限优点：局限：四、构建模型训练模型测试模型总结贝叶斯贝叶斯算法（Bayesianalgorithm）是一种基于贝叶斯定理的机器学习方法，主要用于估计模型参数和进行概率推断。以下是对贝叶斯算法的详细解析：一、贝叶斯定理贝叶斯定理是概率论中的一个基本定理，它描述了条件概率之间的关系。该定理的数学表达式为：P(A∣B)=P(B)
AI大模型副业变现之路，有技术就有收入！ AI大模型-王哥人工智能 AI大模型大模型大模型学习大模型教程大模型入门
在当今时代，AI大模型的应用越来越广泛，利用这些技术开展副业赚钱已成为可能。以下是一份详细的指南，帮助你了解需要学习的内容以及如何操作。一、需要学习的内容基础知识储备（1）数学知识：线性代数、概率论与数理统计、微积分等，这些是理解AI算法的基础。（2）编程技能：掌握Python编程语言，因为Python在AI领域有丰富的库和框架支持。（3）机器学习原理：了解常见的机器学习算法，如线性回归、决策树、
小琳 AI 课堂：机器学习小琳ai 小琳AI课堂人工智能机器学习
嘿，朋友们！欢迎来到小琳AI课堂机器学习：如同让计算机拥有超能力的神奇魔法机器学习，这门超酷的多领域交叉学科，居然融合了概率论、统计学、逼近论、凸分析、算法复杂度理论等等好多学科。它的关键就在于让计算机凭借数据和算法去学习，然后像个小超人似的，拥有预测和决策的超强能力！从技术实现的层面来讲，主要分成监督学习、无监督学习和强化学习这三大类别监督学习：在有标记的数据集上展开学习。打个比方哈，根据已知的
计算机保研/考研面试题——数学篇安晴晚风计算机保研/考研专业课面试考研面试
笔者在2023年参加了部分985和华五计算机夏令营和预推免面试，遇到了不少数学问题，以下是笔者的一些总结，从高数、线代、概率论三个方面讨论。（对保研er和考研er均适用，如需要其他学科的问题请关注我~）相关文章：计算机保研/考研面试题——数据结构与算法篇-CSDN博客计算机保研/考研面试题——操作系统篇-CSDN博客计算机保研/考研面试题——计算机网络篇-CSDN博客计算机保研/考研面试题——编程
中心极限定理不倒的不倒翁先森概率论
中心极限定理（CentralLimitTheorem，CLT）是概率论中的一个重要定理，它说明了在某些条件下，独立随机变量的和（或平均值）趋向于正态分布的性质。具体来说，中心极限定理可以描述为：定理表述：设(X1,X2,…,Xn)(X_1,X_2,\dots,X_n)(X1,X2,…,Xn)是一组相互独立、服从相同分布的随机变量，其数学期望为μ\muμ，方差为σ2\sigma^2σ2（有限且不为零
2019-03-20记录及学习计划更正逆风飞翔的鸟
今天早晨早早的就坐上了返回学校的高铁，自己复习的进度稍慢了一些，不过没关系，这几天再追回来，最近发现虽然自己数学的做题能力有所提升，但是熟练程度还差很多，所以接下来高等数学要多做题，线性代数基础已经复习完毕，不能丢下，每天要做一定量的练习来保持住自己的水平。概率论与数理统计自己感觉有些困难，需要从课本开始认真的复习。关于英语我已经用百词斩背了有400左右的单词了，但是不是很扎实，所以自己要提升自己
深度学习如何入门？科学的N次方深度学习
入门深度学习需要系统性的学习和实践经验积累，以下是一份详细的入门指南，包含了关键的学习步骤和资源：预备知识：•编程基础：熟悉Python编程语言，它是深度学习领域最常用的编程语言。确保掌握变量、条件语句、循环、函数等基本概念，并学习如何使用Python处理数据和文件操作。•数学基础：理解线性代数（矩阵运算、向量空间等）、微积分（导数、梯度求解等）、概率论与统计学（期望、方差、概率分布、最大似然估计
2022-05-14 败者食尘_40a0
本文结构速览：一、SQL题二、机器学习&概率论三、开放性问题01SQL题面试真题：现有一张用户签到表（user_sign_d）,标记用户每日是否签到，表结构如下sign_date:日期user_id:用户IDif_sign:当日是否签到,1表示签到，0表示未签到问题①：请计算截止到当前每个用户已经连续签到的天数（输出表仅包含当天签到的所有用户，计算其连续签到的天数）输出表结构如下：user_id:
深度学习如何入门？ nanshaws yolov5 深度学习
深度学习是机器学习的一个子领域，它基于人工神经网络的研究。入门深度学习可以分为以下几个步骤：基础知识准备：（1）掌握基础数学知识，特别是线性代数、概率论和统计学、微积分。（2）学习编程语言，Python是目前最流行的深度学习语言，因其简洁易学且有大量的库支持。（3）了解机器学习基础，包括监督学习和非监督学习的概念、模型评估与选择等。学习深度学习理论：（1）理解神经网络的基本组成，如神经元、激活函数
【个人学习笔记】概率论与数理统计知识梳理【五】已经是全速前进了概率论
文章目录第五章、大数定律及中心极限定理一、大数定律1.1基本概念1.2弱大数定理二、中心极限定理独立同分布的中心极限定理定理总结第五章、大数定律及中心极限定理写博客比想象中费劲得多，公式得敲好久，所以只得随缘更更了，想写一些机器学习相关的东西，但是强迫症又不允许我把这个扔掉不管，我太难了Orz这一节的内容比较深，即使我是一个喜欢数学的工科生，也没有精力再去深究了，各式各样的大数定律及中心极限定理我
机器学习笔记 rl染离机器学习笔记人工智能
什么是机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习有下面几种定义：（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。（2）机器学习是对能通过经验自动改进的计算机算法的研究。（3）
机器学习是什么 MarkHD 机器学习
机器学习是一门跨学科的学科，它使用计算机模拟或实现人类学习行为，通过不断地获取新的知识和技能，重新组织已有的知识结构，从而提高自身的性能。机器学习涉及多个学科，如概率论、统计学、逼近论、凸分析、算法复杂度理论等。机器学习的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。机器学习算法会不断进行训练，从大型数据集中发现模式和相关性，然后利用这些模式来预测新数据的结
书其实只有三类西蜀石兰类
一个人一辈子其实只读三种书，知识类、技能类、修心类。知识类的书可以让我们活得更明白。类似十万个为什么这种书籍，我一直不太乐意去读，因为单纯的知识是没法做事的，就像知道地球转速是多少一样（我肯定不知道），这种所谓的知识，除非用到，普通人掌握了完全是一种负担，维基百科能找到的东西，为什么去记忆？知识类的书，每个方面都涉及些，让自己显得不那么没文化，仅此而已。社会认为的学识渊博，肯定不是站在
《TCP/IP 详解，卷1：协议》学习笔记、吐槽及其他 bylijinnan tcp
《TCP/IP 详解，卷1：协议》是经典，但不适合初学者。它更像是一本字典，适合学过网络的人温习和查阅一些记不清的概念。这本书，我看的版本是机械工业出版社、范建华等译的。这本书在我看来，翻译得一般，甚至有明显的错误。如果英文熟练，看原版更好： http://pcvr.nl/tcpip/ 下面是我的一些笔记，包括我看书时有疑问的地方，也有对该书的吐槽，有不对的地方请指正： 1.
Linux—— 静态IP跟动态IP设置 eksliang linux IP
一.在终端输入 vi /etc/sysconfig/network-scripts/ifcfg-eth0 静态ip模板如下： DEVICE="eth0" #网卡名称 BOOTPROTO="static" #静态IP（必须） HWADDR="00:0C:29:B5:65:CA" #网卡mac地址 IPV6INIT=&q
Informatica update strategy transformation 18289753290
更新策略组件：标记你的数据进入target里面做什么操作，一般会和lookup配合使用，有时候用0,1,1代表 forward rejected rows被选中，rejected row是输出在错误文件里，不想看到reject输出，将错误输出到文件，因为有时候数据库原因导致某些column不能update，reject就会output到错误文件里面供查看，在workflow的
使用Scrapy时出现虽然队列里有很多Request但是却不下载，造成假死状态酷的飞上天空 request
现象就是：程序运行一段时间，可能是几十分钟或者几个小时，然后后台日志里面就不出现下载页面的信息，一直显示上一分钟抓取了0个网页的信息。刚开始已经猜到是某些下载线程没有正常执行回调方法引起程序一直以为线程还未下载完成，但是水平有限研究源码未果。经过不停的google终于发现一个有价值的信息，是给twisted提出的一个bugfix 连接地址如下http://twistedmatrix.
利用预测分析技术来进行辅助医疗蓝儿唯美医疗
2014年，克利夫兰诊所（Cleveland Clinic）想要更有效地控制其手术中心做膝关节置换手术的费用。整个系统每年大约进行2600例此类手术，所以，即使降低很少一部分成本，都可以为诊所和病人节约大量的资金。为了找到适合的解决方案，供应商将视野投向了预测分析技术和工具，但其分析团队还必须花时间向医生解释基于数据的治疗方案意味着什么。克利夫兰诊所负责企业信息管理和分析的医疗
java 线程(一)：基础篇 DavidIsOK java 多线程线程
&nbs
Tomcat服务器框架之Servlet开发分析 aijuans servlet
最近使用Tomcat做web服务器，使用Servlet技术做开发时，对Tomcat的框架的简易分析：疑问：为什么我们在继承HttpServlet类之后，覆盖doGet(HttpServletRequest req, HttpServetResponse rep)方法后，该方法会自动被Tomcat服务器调用，doGet方法的参数有谁传递过来？怎样传递？分析之我见： doGet方法的
揭秘玖富的粉丝营销之谜与小米粉丝社区类似 aoyouzi 揭秘玖富的粉丝营销之谜
玖富旗下悟空理财凭借着一个微信公众号上线当天成交量即破百万，第七天成交量单日破了1000万;第23天时，累计成交量超1个亿……至今成立不到10个月，粉丝已经超过500万，月交易额突破10亿，而玖富平台目前的总用户数也已经超过了1800万，位居P2P平台第一位。很多互联网金融创业者慕名前来学习效仿，但是却鲜有成功者，玖富的粉丝营销对外至今仍然是个谜。　　近日，一直坚持微信粉丝营销
Java web的会话跟踪技术百合不是茶 url会话 Cookie会话 Seession会话 Java Web 隐藏域会话
会话跟踪主要是用在用户页面点击不同的页面时,需要用到的技术点会话:多次请求与响应的过程 1,url地址传递参数,实现页面跟踪技术格式:传一个参数的 url?名=值传两个参数的 url?名=值 &名=值关键代码
web.xml之Servlet配置 bijian1013 java web.xml Servlet配置
定义： <servlet> <servlet-name>myservlet</servlet-name> <servlet-class>com.myapp.controller.MyFirstServlet</servlet-class> <init-param> <param-name>
利用svnsync实现SVN同步备份 sunjing SVN 同步 E000022 svnsync 镜像
1. 在备份SVN服务器上建立版本库 svnadmin create test 2. 创建pre-revprop-change文件 cd test/hooks/ cp pre-revprop-change.tmpl pre-revprop-change 3. 修改pre-revprop-
【分布式数据一致性三】MongoDB读写一致性 bit1129 mongodb
本系列文章结合MongoDB，探讨分布式数据库的数据一致性，这个系列文章包括：数据一致性概述与CAP 最终一致性(Eventually Consistency) 网络分裂(Network Partition)问题多数据中心(Multi Data Center) 多个写者(Multi Writer)最终一致性一致性图表(Consistency Chart) 数据
Anychart图表组件-Flash图转IMG普通图的方法白糖_ Flash
问题背景：项目使用的是Anychart图表组件，渲染出来的图是Flash的，往往一个页面有时候会有多个flash图，而需求是让我们做一个打印预览和打印功能，让多个Flash图在一个页面上打印出来。那么我们打印预览的思路是获取页面的body元素，然后在打印预览界面通过$("body").append(html)的形式显示预览效果，结果让人大跌眼镜：Flash是
Window 80端口被占用 WHY? bozch 端口占用 window
平时在启动一些可能使用80端口软件的时候，会提示80端口已经被其他软件占用，那一般又会有那些软件占用这些端口呢？下面坐下总结： 1、web服务器是最经常见的占用80端口的，例如：tomcat , apache , IIS , Php等等； 2
编程之美-数组的最大值和最小值-分治法（两种形式） bylijinnan 编程之美
import java.util.Arrays; public class MinMaxInArray { /** * 编程之美数组的最大值和最小值分治法 * 两种形式 */ public static void main(String[] args) { int[] t={11,23,34,4,6,7,8,1,2,23}; int[]
Perl正则表达式 chenbowen00 正则表达式 perl
首先我们应该知道 Perl 程序中，正则表达式有三种存在形式，他们分别是：匹配：m/<regexp>;/ （还可以简写为 /<regexp>;/ ，略去 m）替换：s/<pattern>;/<replacement>;/ 转化：tr/<pattern>;/<replacemnt>;
[宇宙与天文]行星议会是否具有本行星大气层以外的权力呢? comsci
举个例子: 地球,地球上由200多个国家选举出一个代表地球联合体的议会,那么现在地球联合体遇到一个问题,地球这颗星球上面的矿产资源快要采掘完了....那么地球议会全体投票,一致通过一项带有法律性质的议案,既批准地球上的国家用各种技术手段在地球以外开采矿产资源和其它资源........ &
Oracle Profile 使用详解 daizj oracle profile 资源限制
Oracle Profile 使用详解转一、目的： Oracle系统中的profile可以用来对用户所能使用的数据库资源进行限制，使用Create Profile命令创建一个Profile，用它来实现对数据库资源的限制使用，如果把该profile分配给用户，则该用户所能使用的数据库资源都在该profile的限制之内。二、条件：创建profile必须要有CREATE PROFIL
How HipChat Stores And Indexes Billions Of Messages Using ElasticSearch & Redis dengkane elasticsearch Lucene
This article is from an interview with Zuhaib Siddique, a production engineer at HipChat, makers of group chat and IM for teams. HipChat started in an unusual space, one you might not
循环小示例，菲波拉契序列，循环解一元二次方程以及switch示例程序 dcj3sjt126com c 算法
# include <stdio.h> int main(void) { int n; int i; int f1, f2, f3; f1 = 1; f2 = 1; printf("请输入您需要求的想的序列："); scanf("%d", &n); for (i=3; i<n; i
macbook的lamp环境 dcj3sjt126com lamp
sudo vim /etc/apache2/httpd.conf /Library/WebServer/Documents 是默认的网站根目录重启Mac上的Apache服务这个命令很早以前就查过了，但是每次使用的时候还是要在网上查：停止服务：sudo /usr/sbin/apachectl stop 开启服务：s
java ArrayList源码下 shuizhaosi888 ArrayList源码
版本 jdk-7u71-windows-x64 JavaSE7 ArrayList源码上：http://flyouwith.iteye.com/blog/2166890 /** * 从这个列表中移除所有c中包含元素 */ public boolean removeAll(Collection<?> c) {
Spring Security（08）——intercept-url配置 234390216 Spring Security intercept-url 访问权限访问协议请求方法
intercept-url配置目录 1.1 指定拦截的url 1.2 指定访问权限 1.3 指定访问协议 1.4 指定请求方法 1.1 &n
Linux环境下的oracle安装 jayung oracle
linux系统下的oracle安装本文档是Linux(redhat6.x、centos6.x、redhat7.x) 64位操作系统安装Oracle 11g(Oracle Database 11g Enterprise Edition Release 11.2.0.4.0 - 64bit Production)，本文基于各种网络资料精心整理而成，共享给有需要的朋友。如有问题可联系：QQ：52-7
hotspot虚拟机 leichenlei java HotSpot jvm 虚拟机文档
JVM参数 http://docs.oracle.com/javase/6/docs/technotes/guides/vm/index.html JVM工具 http://docs.oracle.com/javase/6/docs/technotes/tools/index.html JVM垃圾回收 http://www.oracle.com
读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” noaighost Web node.js
读《Node.js项目实践：构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活” 眼里的Node.JS 初初接触node是一年前的事，那时候年少不更事。还在纠结什么语言可以编写出牛逼的程序，想必每个码农都会经历这个月经性的问题：微信用什么语言写的？facebook为什么推荐系统这么智能，用什么语言写的？dota2的外挂这么牛逼，用什么语言写的？……用什么语言写这句话，困扰人也是阻碍
快速开发Android应用 rensanning android
Android应用开发过程中，经常会遇到很多常见的类似问题，解决这些问题需要花时间，其实很多问题已经有了成熟的解决方案，比如很多第三方的开源lib，参考 Android Libraries 和 Android UI/UX Libraries。编码越少，Bug越少，效率自然会高。但可能由于根本没听说过、听说过但没用过、特殊原因不能用、自己已经有了解决方案等等原因，这些成熟的解决
理解Java中的弱引用 tomcat_oracle java 工作面试
　不久之前，我面试了一些求职Java高级开发工程师的应聘者。我常常会面试他们说，“你能给我介绍一些Java中得弱引用吗？”，如果面试者这样说，“嗯，是不是垃圾回收有关的？”，我就会基本满意了，我并不期待回答是一篇诘究本末的论文描述。　　然而事与愿违，我很吃惊的发现，在将近20多个有着平均5年开发经验和高学历背景的应聘者中，居然只有两个人知道弱引用的存在，但是在这两个人之中只有一个人真正了
标签输出html标签" target="_blank">关于标签输出html标签 xshdch jsp
http://back-888888.iteye.com/blog/1181202 关于<c:out value=""/>标签的使用，其中有一个属性是escapeXml默认是true(将html标签当做转移字符，直接显示不在浏览器上面进行解析)，当设置escapeXml属性值为false的时候就是不过滤xml，这样就能在浏览器上解析html标签， &nb