神经网络|(四)概率论基础知识-古典概型

【1】引言

前序学习了线性回归的基础知识,了解到最小二乘法可以做线性回归分析,但为何最小二乘法如此准确,这需要从概率论的角度给出依据。

因此从本文起,需要花一段时间来回顾概率论的基础知识。

【2】古典概型

古典概型是我们最熟悉的概率模型,简而言之就是有限个元素参与抽样,每个元素被抽样的概率相等。

古典概型有个点需要注意:

1.每个变量的概率相同,p{xi}=p{xj}=k;

2.放回抽样和不放回抽样的概率相等。

推导:

假设有m个红球,n个黄球,d个人抽取球,每人抽一个球,问第i(i=1,2,...k)个人抽到黄球的概率是多少,记抽样后放回的情况为A1,记抽样后不放回的情况为A2,则有:

(1)对于A1,因为抽样后放回,每次抽取又回到起始点,所以每个人抽取到黄球的概率都是:

(2)对于A2,因为抽样后不放回,每次抽取的基数不一致,所以:

第一个人抽样的时候,由(m+n)种情况;第二个人抽样的时候,由(m+n-1)种情况...第d个人抽样的时候,由(m+n-d+1)种情况,所有抽取到情况数应该是(m+n)(m+n-1)...(m+n-d+1),可以记作

当第i个人抽取到黄球,相当于在n个黄球中取到一个,有n种可能,此处记作,此时其他人的抽样情况数转化为:(m+n-1)(m+n-2)...(m+n-(d-1) +1),可以记作,所以,此时第i 个人抽取到情况数应该是:

由此可见,p(A1)=p(A2)。

实际上有另一种快速理解的办法:当第i 个人抽取到黄球,其他人就是在m+n-1个球当中抽d-1个球,这时候的总情况数就是,由于第i 个人抽取到黄球的也有n种情况,所以有p(A2)的计算式。

【3】总结

回顾了古典概型的知识。

相关推荐
科技峰行者18 小时前
阿里云瓴羊发布企业级AI智能体服务平台AgentOne,成就AI时代的“超级公司”
人工智能·阿里云·ai·云计算·羚羊
zhuwei_clark18 小时前
Spring AI(七)Spring AI 的RAG实现集合火山向量模型+阿里云Tair(企业版)
人工智能·阿里云·云计算
止观止18 小时前
容器化安装新趋势:云原生到边缘计算
人工智能·云原生·边缘计算
大路谈数字化18 小时前
小谈:边缘计算
人工智能·边缘计算
sali-tec19 小时前
C# 基于halcon的视觉工作流-章38-单位转换
开发语言·人工智能·数码相机·算法·计算机视觉·c#
言之。19 小时前
【FastMCP】中间件
人工智能
说私域19 小时前
IP新定义下的商业新范式:基于定制开发开源AI智能名片S2B2C商城小程序的IP价值变现研究
人工智能·tcp/ip·开源
小关会打代码19 小时前
计算机视觉进阶教学之dlib库(二)
人工智能·计算机视觉
黄焖鸡能干四碗19 小时前
企业信息化建设总体规划设计方案
大数据·运维·数据库·人工智能·web安全
GIS 数据栈20 小时前
重构地理信息软件老代码:实践记载之1
人工智能·重构