当前位置: 首页 > news >正文

随机过程及应用学习笔记(一)概率论(概要)

概率是随机的基础,在【概率论(概要)】这个部分中仅记录学习随机过程及应用的基本定义和结果。

前言

首先,概率论研究的基础是概率空间。概率空间由一个样本空间和一个概率测度组成,样本空间包含了所有可能的结果, 而概率测度则描述了每个结果发生的可能性大小。研究者通过定义适当的概率测度,可以更准确地描述各种随机现象的发生概率。  


 一、概率空间 (Ω,F,P)

Sample space 样本空间:随机试验的所有可能结果构成的集合称为样本空间,记为 Ω。(注:每个结果需要互斥,所有可能结果必须被穷举)

Set of events 事件集合,是Ω的一些子集构成的集合,记为 F,并且它需要满足以下三点特性(也就是必须是δ-field)

Probability measure 概率测度(或概率),描述一次随机试验中被包含在F 中的所有事件的可能性,记为P

  • 样本点(Sample point):随机试验E的每一个最简单的试验结果,记为\omega
  • 样本空间( Sample space):全体样本点构成的集合,称为样本空间Ω
  • 事件(Event):
  1. 样本空间的子集组成的集类F,称为随机事件体(域)。
  2. 随机事件体F的任意元素A称为随机事件。
  • 样本空间o和F的二元体(Ω,F)称为可测空间。
  • 概率(Probability):每个事件一个可能性的度量值。

1、随机试验

定义:如果一个实验E,满足下列条件:    

  • 在相同的条件下可以重复进行;    
  • 每次试验的结果不止一个,并且能事先明确试验的所有结果;    
  • 一次试验结束之前,不能确定哪一个结果会出现。    

称此试验为随机试验。 随机试验(Experiment):结果无法预先确定的试验。 随机试验的结果,称为事件。

2、集论初步

  • 在概率论中,事件和事件的集合起主要作用。
  • 事件的数学理论和集论有密切关系,用集论描述随机过程的事件。

把为了某种目的而研究的对象全体称为集合,简称为集。有某些特定性质的对象的全体,每一个属于这种集的对象,称为集元素。集合用大写字母A、B、C、…表示,元素用小写字母a、b、c、e、w、…表示,一些集组成的集叫类,我们用草写字母表示。

  • 不包含任何元素的集合称为空集\varnothing
  • 包含所研究问题的全体对象,即:包含所考虑的所有集的所有元素的“最大”集合,称为空间Ω

集合的运算:

3、样本空间、随机事件体

随机试验E的每一个最简单的试验结果,称为样本点,记为\omega。全体样本点构成的集合,称为样本空间,记为Ω。

集合论和概率论的专业术语对应关系如下表所示:

4、概率与概率空间

概率的性质与基本公式:

(6)连续性

5、条件概率

6、乘法公式事件的独立性

随机事件的独立性:

7、全概率公式与贝叶斯公式

二、随机变量及其分布

1、随机变量

2、分布函数

3、离散型随机变量及其分布律

4、连续型随机变量

5、常见的随机变量及其分布

两点分布

两点分布(也称为伯努利分布)是概率论中一种离散概率分布,描述了一个随机变量取两个可能值之一的情况。这两个可能的取值通常被标记为0和1,或者成功和失败。该分布得名的原因是它只涉及到两个点。

两点分布的概率质量函数(PMF)可以表示为:

其中,p 是成功的概率,1−p 是失败的概率。这样的分布通常用于描述一次伯努利试验的结果,其中只有两个可能的结果。

两点分布的期望值(均值)和方差分别为:

  • E(X)=p
  • Var(X)=p(1−p)

其中,X 是随机变量,p 是成功的概率。

二项分布

二项分布(Binomial Distribution)是概率论中一种离散概率分布,描述了在进行一系列独立的伯努利试验中成功的次数。每次试验只有两种可能的结果,通常称为成功(success)和失败(failure)。

假设进行了 n 次独立的伯努利试验,每次试验成功的概率为 p,失败的概率为 1−p。随机变量 �X 表示成功的次数,则 X 的概率质量函数(Probability Mass Function,PMF)为:

其中,(kn​) 表示组合数,即从 n 次试验中选择 k 次成功的组合数。

二项分布的期望值(均值)和方差分别为:

E(X)=np

Var(X)=np(1−p)

这表明在进行多次独立的伯努利试验时,成功的次数的期望值等于每次试验成功的概率乘以试验次数,方差等于期望值乘以失败的概率。

二项分布在概率论和统计学中广泛应用,特别是在描述二元事件的发生次数的情况下,如硬币抛掷、医学研究中的治疗效果、制造业的质检等。

均匀分布

在二维均匀分布中,随机变量(X,Y) 在一个矩形区域内均匀分布。概率密度函数为:

其中,区域的面积决定了概率密度的大小。

均匀分布具有简单且直观的性质,适用于许多实际问题的建模,例如在一定范围内的随机实验或随机变量。均匀分布在统计学、概率论、模拟和随机过程等领域中经常被使用。

高斯分布

高斯分布,也被称为正态分布(Normal Distribution),是概率论和统计学中最为重要的分布之一。它具有许多重要的性质,对于自然界中的许多现象和实验结果都有很好的描述。

高斯分布的概率密度函数(Probability Density Function,PDF)为:

其中,x 是随机变量的取值,μ 是均值(期望值),σ 是标准差。这个分布的图像呈钟形,关于均值对称。

高斯分布的期望值(均值)为 μ,方差为 2σ2。标准差 σ 控制了曲线的宽度,曲线越宽表示数据越分散。

高斯分布在自然界中的许多现象中都能够找到,比如测量误差、身高分布、温度分布等。中心极限定理表明,当独立随机变量的和足够多时,它们的分布趋向于高斯分布。这使得高斯分布在统计学和概率论中被广泛应用,特别是在推断统计、假设检验和机器学习等领域。

三、随机变量的数字特征

1、数字期望

2、方差

3、矩、协方差

4、随机变量数字特征的性质

四、条件数学期望

五、特征函数

1、定义与性质

一般而言,对于随机变量X的分布,大家习惯用概率密度函数来描述,虽然概率密度函数理解起来很直观,但是确实随机变量的分布还有另外的描述方式,比如特征函数。

  • 特征函数的本质是概率密度函数的泰勒展开
  • 每一个级数表示原始概率密度函数的一个特征
  • 如果两个分布的所有特征都相同,那我们就认为这是两个相同的分布
  • 矩是描述概率分布的重要特征,期望、方差等概念都是矩的特殊形态

随机变量X的特征函数:

其中,i是虚数单位,t是任意实数,E[⋅]表示期望。

性质:

  1. 存在性: 对于任何随机变量X,它的特征函数总是存在的。

  2. 唯一性: 不同的随机变量可能具有相同的特征函数,但如果两个随机变量的特征函数在某个范围内相等,则它们在分布上相同。

  3. 特征函数与分布的关系: 如果两个随机变量具有相同的特征函数,则它们具有相同的分布。

  4. 特征函数的对称性: 如果X是一个实随机变量,其特征函数为φ(t),则对于任意实数t,有 ϕ(−t)=ϕ(t)​,其中ϕ(t)​表示φ(t)的共轭复数。

  5. 特征函数的加法性: 如果X和Y是相互独立的随机变量,它们的特征函数分别为φX(t)和φY(t),那么它们的和Z = X + Y 的特征函数为 ϕZ​(t)=ϕX​(t)⋅ϕY​(t)。

  6. 中心极限定理: 如果X1, X2, ..., Xn是独立同分布的随机变量,具有相同的期望μ和方差σ^2,则它们的和标准化后的特征函数在n趋于无穷大时趋近于正态分布的特征函数。

特征函数在概率论和统计学中有广泛的应用,它提供了一种便捷的方式来研究随机变量的性质和相互关系。

针对概率密度函数为f ( x )的连续随机变量X,特征函数写作:

2、多维随机变量的特征函数

  1. 存在性: 对于任何多维随机变量 X,其特征函数总是存在的。

  2. 唯一性: 不同的随机变量可能具有相同的特征函数,但如果两个随机变量的特征函数在某个范围内相等,则它们在分布上相同。

  3. 特征函数与分布的关系: 如果两个多维随机变量具有相同的特征函数,则它们具有相同的分布。

  4. 特征函数的对称性: 如果多维随机变量 X 的特征函数为ϕX​(t),则对于任意实数向量 t,有 ϕX​(−t)=ϕX​(t)​,其中 ϕX​(t)​ 表示特征函数的共轭复数。

  5. 多维随机变量的独立性: 如果多维随机变量 X 和 Y 是相互独立的,它们的特征函数分别为 ϕX​(t) 和 ϕY​(t),那么它们的组合 Z=X+Y 的特征函数为 ϕZ​(t)=ϕX​(t)⋅ϕY​(t)。

六、收敛性与极限定理

1、收敛性

2、大数定理

3、中心极限定理


总结

以上就是今天要讲的内容,仅仅简单介绍了一些概率论的基本概念。

相关文章:

随机过程及应用学习笔记(一)概率论(概要)

概率是随机的基础,在【概率论(概要)】这个部分中仅记录学习随机过程及应用的基本定义和结果。 前言 首先,概率论研究的基础是概率空间。概率空间由一个样本空间和一个概率测度组成,样本空间包含了所有可能的结果&…...

洛谷_P1059 [NOIP2006 普及组] 明明的随机数_python写法

这道题的关键在于去重和排序,去重可以联想到集合,那排序直接使用sort方法。 n int(input()) data set(map(int,input().split( ))) data list(data) data.sort() print(len(data)) for i in data:print(i,end )...

爆火的人工智能开源open-interpreter源码解析

今天这篇文章带大家一起来阅读下github上爆火的开源项目 open-interpreter的源代码,相当于是一个可以本地部署的openai code-interpreter。 今天这期我们透过现象看本质,一起来剖析下他的源码。 体验open-interpreter的视频地址 open-interpreter&…...

POM设计模式思路,详解POM:概述与介绍,POM思路梳理+代码示例(全)

概述 在UI自动化测试中,POM模式是一种设计思路,它的核心思想是方法的封装。它将方法类和页面元素进行分离,增强了代码的可维护性。值得注意的是,这种分层的设计模式,最好也是从线性代码开始,逐步将代码进行…...

1、学习 Eureka 注册中心

学习 Eureka 注册中心 一、创建 Eureka 微服务0、SpringBoot 和 SpringCloud 版本1、引入 Eureka 服务端依赖2、启动类加 EnableEurekaServer 注解3、配置 yaml 文件,把 Eureka 服务注册到 Eureka 注册中心4、访问 Eureka 服务端,查看注册中心的服务列表…...

何为分账系统?

1、分账系统产生的背景 在数字化浪潮下第三方支付价值凸显,大大提升资金流与信息流流转效率,成为构建产业数字化重要枢纽。近年来,基于云计算、大数据、人工智能、物联网等技术积累,以第三方支付为切点的金融科技创新爆发着强大的…...

机器学习10-特征缩放

特征缩放的目的是确保不同特征的数值范围相近,使得模型在训练过程中更加稳定,加速模型收敛,提高模型性能。具体而言,零均值和单位方差的目标有以下几点好处: 1. 均值为零(Zero Mean)&#xff1a…...

Java基于微信小程序的医院挂号小程序,附源码

博主介绍:✌程序员徐师兄、7年大厂程序员经历。全网粉丝12w、csdn博客专家、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和毕业项目实战✌ 🍅文末获取源码联系🍅 👇🏻 精彩专栏推荐订阅👇…...

HarmonyOS一杯冰美式的时间 -- 验证码框

一、前言 像是短密码、验证码都有可能需要一个输入框,像是如下: 恰好在写HarmonyOS的时候也需要写一个验证码输入框,但是在实现的时候碰了几次灰,觉得有必要分享下,故有了此篇文章。 如果您有任何疑问、对文章写的不…...

GitLab配置SSHKey

段落一:什么是SSH密钥 SSH(Secure Shell)是一种网络协议,用于安全地远程登录和执行命令。SSH密钥是一种用于身份验证的加密文件,它允许您在与远程服务器通信时,无需输入密码即可进行认证。在GitLab中配置S…...

通过QT制作一个模仿微信主界面的界面(不要求实现具体通信功能)

main.cpp #include "widget.h" #include "second.h"#include <QApplication>int main(int argc, char *argv[]) {QApplication a(argc, argv);Widget w;w.show();//实例化第二个界面Second s;QObject::connect(&w, &Widget::my_jump, &…...

作物模型狂奔:WOFOST(PCSE) 数据同化思路

去B吧&#xff0c;这里没图 整体思路&#xff1a;PCSE -》 敏感性分析 -》调参 -》同化 0、准备工作 0.0 电脑环境 我用的Win10啦&#xff0c;Linux、Mac可能得自己再去微调一下。 0.1 Python IDE 我用的Pycharm&#xff0c;个人感觉最好使的IDE&#xff0c;没有之一。 …...

腾讯云4核8G服务器能支持多少人访问?

腾讯云4核8G服务器支持多少人在线访问&#xff1f;支持25人同时访问。实际上程序效率不同支持人数在线人数不同&#xff0c;公网带宽也是影响4核8G服务器并发数的一大因素&#xff0c;假设公网带宽太小&#xff0c;流量直接卡在入口&#xff0c;4核8G配置的CPU内存也会造成计算…...

多重背包问题 ⅠⅡ Ⅲ

有 N 种物品和一个容量是 V 的背包。 第 i 种物品最多有 si 件&#xff0c;每件体积是 vi&#xff0c;价值是 wi。 求解将哪些物品装入背包&#xff0c;可使物品体积总和不超过背包容量&#xff0c;且价值总和最大。 输出最大价值。 输入 第一行两个整数&#xff0c;N&#xf…...

挑战杯 python的搜索引擎系统设计与实现

0 前言 &#x1f525; 优质竞赛项目系列&#xff0c;今天要分享的是 &#x1f6a9; python的搜索引擎系统设计与实现 &#x1f947;学长这里给一个题目综合评分(每项满分5分) 难度系数&#xff1a;3分工作量&#xff1a;5分创新点&#xff1a;3分 该项目较为新颖&#xff…...

【LeetCode: 103. 二叉树的锯齿形层序遍历 + BFS】

&#x1f680; 算法题 &#x1f680; &#x1f332; 算法刷题专栏 | 面试必备算法 | 面试高频算法 &#x1f340; &#x1f332; 越难的东西,越要努力坚持&#xff0c;因为它具有很高的价值&#xff0c;算法就是这样✨ &#x1f332; 作者简介&#xff1a;硕风和炜&#xff0c;…...

C#学习(十三)——多线程与异步

一、什么是线程 程序执行的最小单元 一次页面的渲染、一次点击事件的触发、一次数据库的访问、一次登录操作都可以看作是一个一个的进程 在一个进程中同时启用多个线程并行操作&#xff0c;就叫做多线程 由CPU来自动处理 线程有运行、阻塞、就绪三态 代码示例&#xff1a; cl…...

MySQL 数据库安装教程详解(linux系统和windows系统)

MySQL 数据库是一种广泛使用的开源关系数据库管理系统。在 Linux 和 Windows 系统上安装 MySQL 数据库的步骤略有不同。以下是详细的安装教程。 Linux 系统安装教程 1. **安装前提**&#xff1a;确保你的 Linux 系统已经安装了 wget、unzip、tar 等必要的工具。 2. **下…...

从汇编分析C语言可变参数的原理,并实现一个简单的sprintf函数

C语言可变参数 使用printf等函数的时候函数原型是printf(const char* fmt, ...), 这一类参数的个数不限的函数是可变参数 使用 使用一个头文件stdarg.h, 主要使用以下的宏 typedef char * va_list;// 把 n 圆整到 sizeof(int) 的倍数 #define _INTSIZEOF(n) ( (sizeo…...

Word docx文件重命名为zip文件,解压后直接查看和编辑

一个不知道算不算冷的知识[doge]&#xff1a; docx格式的文件本质上是一个ZIP文件 当把一个.docx文件重命名为.zip文件并解压后&#xff0c;你会发现里面包含了一些XML文件和媒体文件&#xff0c;它们共同构成了Word文档的内容和格式。 例如&#xff0c;word/document.xml文件…...

论文解读:交大港大上海AI Lab开源论文 | 宇树机器人多姿态起立控制强化学习框架(二)

HoST框架核心实现方法详解 - 论文深度解读(第二部分) 《Learning Humanoid Standing-up Control across Diverse Postures》 系列文章: 论文深度解读 + 算法与代码分析(二) 作者机构: 上海AI Lab, 上海交通大学, 香港大学, 浙江大学, 香港中文大学 论文主题: 人形机器人…...

基于FPGA的PID算法学习———实现PID比例控制算法

基于FPGA的PID算法学习 前言一、PID算法分析二、PID仿真分析1. PID代码2.PI代码3.P代码4.顶层5.测试文件6.仿真波形 总结 前言 学习内容&#xff1a;参考网站&#xff1a; PID算法控制 PID即&#xff1a;Proportional&#xff08;比例&#xff09;、Integral&#xff08;积分&…...

Mybatis逆向工程,动态创建实体类、条件扩展类、Mapper接口、Mapper.xml映射文件

今天呢&#xff0c;博主的学习进度也是步入了Java Mybatis 框架&#xff0c;目前正在逐步杨帆旗航。 那么接下来就给大家出一期有关 Mybatis 逆向工程的教学&#xff0c;希望能对大家有所帮助&#xff0c;也特别欢迎大家指点不足之处&#xff0c;小生很乐意接受正确的建议&…...

Auto-Coder使用GPT-4o完成:在用TabPFN这个模型构建一个预测未来3天涨跌的分类任务

通过akshare库&#xff0c;获取股票数据&#xff0c;并生成TabPFN这个模型 可以识别、处理的格式&#xff0c;写一个完整的预处理示例&#xff0c;并构建一个预测未来 3 天股价涨跌的分类任务 用TabPFN这个模型构建一个预测未来 3 天股价涨跌的分类任务&#xff0c;进行预测并输…...

智能在线客服平台:数字化时代企业连接用户的 AI 中枢

随着互联网技术的飞速发展&#xff0c;消费者期望能够随时随地与企业进行交流。在线客服平台作为连接企业与客户的重要桥梁&#xff0c;不仅优化了客户体验&#xff0c;还提升了企业的服务效率和市场竞争力。本文将探讨在线客服平台的重要性、技术进展、实际应用&#xff0c;并…...

令牌桶 滑动窗口->限流 分布式信号量->限并发的原理 lua脚本分析介绍

文章目录 前言限流限制并发的实际理解限流令牌桶代码实现结果分析令牌桶lua的模拟实现原理总结&#xff1a; 滑动窗口代码实现结果分析lua脚本原理解析 限并发分布式信号量代码实现结果分析lua脚本实现原理 双注解去实现限流 并发结果分析&#xff1a; 实际业务去理解体会统一注…...

Rust 异步编程

Rust 异步编程 引言 Rust 是一种系统编程语言,以其高性能、安全性以及零成本抽象而著称。在多核处理器成为主流的今天,异步编程成为了一种提高应用性能、优化资源利用的有效手段。本文将深入探讨 Rust 异步编程的核心概念、常用库以及最佳实践。 异步编程基础 什么是异步…...

(转)什么是DockerCompose?它有什么作用?

一、什么是DockerCompose? DockerCompose可以基于Compose文件帮我们快速的部署分布式应用&#xff0c;而无需手动一个个创建和运行容器。 Compose文件是一个文本文件&#xff0c;通过指令定义集群中的每个容器如何运行。 DockerCompose就是把DockerFile转换成指令去运行。 …...

AI书签管理工具开发全记录(十九):嵌入资源处理

1.前言 &#x1f4dd; 在上一篇文章中&#xff0c;我们完成了书签的导入导出功能。本篇文章我们研究如何处理嵌入资源&#xff0c;方便后续将资源打包到一个可执行文件中。 2.embed介绍 &#x1f3af; Go 1.16 引入了革命性的 embed 包&#xff0c;彻底改变了静态资源管理的…...

laravel8+vue3.0+element-plus搭建方法

创建 laravel8 项目 composer create-project --prefer-dist laravel/laravel laravel8 8.* 安装 laravel/ui composer require laravel/ui 修改 package.json 文件 "devDependencies": {"vue/compiler-sfc": "^3.0.7","axios": …...