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
智算菩萨4 分钟前
国内外最新AI语言模型行情分析2025年9月最新内容
人工智能
ningmengjing_7 分钟前
激活函数:神经网络的“灵魂开关”
人工智能·深度学习·神经网络
Billy_Zuo19 分钟前
人工智能机器学习——逻辑回归
人工智能·机器学习·逻辑回归
东风西巷1 小时前
Balabolka:免费高效的文字转语音软件
前端·人工智能·学习·语音识别·软件需求
非门由也1 小时前
《sklearn机器学习——管道和复合估计器》联合特征(FeatureUnion)
人工智能·机器学习·sklearn
l12345sy1 小时前
Day21_【机器学习—决策树(1)—信息增益、信息增益率、基尼系数】
人工智能·决策树·机器学习·信息增益·信息增益率·基尼指数
非门由也1 小时前
《sklearn机器学习——管道和复合估算器》异构数据的列转换器
人工智能·机器学习·sklearn
计算机毕业设计指导2 小时前
基于ResNet50的智能垃圾分类系统
人工智能·分类·数据挖掘
飞哥数智坊2 小时前
终端里用 Claude Code 太难受?我把它接进 TRAE,真香!
人工智能·claude·trae
小王爱学人工智能2 小时前
OpenCV的阈值处理
人工智能·opencv·计算机视觉