人工智能之数学基础 离散数学：第四章 离散概率

人工智能之数学基础 离散数学

第四章 离散概率

---

文章目录

• [人工智能之数学基础 离散数学](#人工智能之数学基础 离散数学)
• 前言
• 一、离散概率基础
• • [1. 概率空间（Probability Space）](#1. 概率空间（Probability Space）)
  • [2. 条件概率与贝叶斯定理](#2. 条件概率与贝叶斯定理)
• [二、离散型随机变量（Discrete Random Variable）](#二、离散型随机变量（Discrete Random Variable）)
• • [1. 定义](#1. 定义)
  • [2. 概率质量函数（PMF）](#2. 概率质量函数（PMF）)
• 三、重要离散分布
• • [1. 伯努利分布（Bernoulli Distribution）](#1. 伯努利分布（Bernoulli Distribution）)
  • [2. 二项分布（Binomial Distribution）](#2. 二项分布（Binomial Distribution）)
  • [3. 其他重要分布](#3. 其他重要分布)
• 四、期望与方差
• • [1. 期望（Expectation）](#1. 期望（Expectation）)
  • [2. 方差（Variance）](#2. 方差（Variance）)
• [五、AI 中的离散概率应用](#五、AI 中的离散概率应用)
• • [1. 分类任务的统计建模](#1. 分类任务的统计建模)
  • [2. 贝叶斯分类器](#2. 贝叶斯分类器)
  • [3. 强化学习中的动作选择](#3. 强化学习中的动作选择)
• [六、Python 代码实现](#六、Python 代码实现)
• • [1. 导入库](#1. 导入库)
  • [2. 伯努利与二项分布 PMF 可视化](#2. 伯努利与二项分布 PMF 可视化)
  • [3. 二项分布模拟：分类任务性能分析](#3. 二项分布模拟：分类任务性能分析)
  • [4. 自定义二项 PMF 与累积分布（CDF）](#4. 自定义二项 PMF 与累积分布（CDF）)
  • [5. AI 应用：分类误差的假设检验](#5. AI 应用：分类误差的假设检验)
  • [6. 泊松近似二项分布](#6. 泊松近似二项分布)
• 七、总结
• 后续
• 资料关注

---

前言

离散概率是离散数学与概率论的交叉核心 ，为机器学习中的分类、采样、不确定性建模提供理论基础。本文系统讲解：

• 离散概率空间与基本公理
• 离散型随机变量及其分布
• 重要离散分布：伯努利、二项、泊松、几何
• 期望与方差
• 在 AI 分类任务中的应用（如二项分布建模正确/错误预测）
• 配套 Python 代码实现 （scipy.stats、自定义模拟、可视化、分类误差分析）

---

一、离散概率基础

1. 概率空间（Probability Space）

三元组 (\\Omega, \\mathcal{F}, P) ：

• 样本空间 \\Omega ：所有可能结果的集合（离散 ⇒ 可数）
• **事件域 \\mathcal{F} ∗ ∗ ： \*\*： ∗∗： \\Omega 的子集族（通常为幂集）
• 概率测度 P ：满足：
  1. 0 \\leq P(A) \\leq 1
  2. P(\\Omega) = 1
  3. 可列可加性：若 A_i 互斥，则 P\\left(\\bigcup_i A_i\\right) = \\sum_i P(A_i)

✅ 示例：掷骰子

\\Omega = {1,2,3,4,5,6} ， ， ， P({1}) = \\frac{1}{6}

​

---

2. 条件概率与贝叶斯定理

• 条件概率 ：
  P ( A ∣ B ) = P ( A ∩ B ) P ( B ) , P ( B ) > 0 P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0 P(A∣B)=P(B)P(A∩B),P(B)>0
• 贝叶斯定理 ：
  P ( H ∣ E ) = P ( E ∣ H ) P ( H ) P ( E ) → ∗ ∗ 朴素贝叶斯分类器 ∗ ∗ 的理论基础 P(H \mid E) = \frac{P(E \mid H) P(H)}{P(E)} → **朴素贝叶斯分类器**的理论基础 P(H∣E)=P(E)P(E∣H)P(H)→∗∗朴素贝叶斯分类器∗∗的理论基础

---

二、离散型随机变量（Discrete Random Variable）

1. 定义

函数 X: \\Omega \\to \\mathbb{R} ，其取值为可数集合（有限或可列无限）。

2. 概率质量函数（PMF）

p X ( x ) = P ( X = x ) 满足： p_X(x) = P(X = x) 满足： pX(x)=P(X=x)满足：

• p_X(x) \\geq 0
• \\sum_{x} p_X(x) = 1

📌 对比：连续变量用概率密度函数（PDF）

---

三、重要离散分布

1. 伯努利分布（Bernoulli Distribution）

• 场景：单次试验，成功（1）或失败（0）
• PMF ：
  P ( X = x ) = p x ( 1 − p ) 1 − x , x ∈ { 0 , 1 } P(X = x) = p^x (1 - p)^{1 - x}, \quad x \in \{0, 1\} P(X=x)=px(1−p)1−x,x∈{0,1}
• 记作： X \\sim \\text{Bernoulli}§
• 期望/方差 ：
  E [ X ] = p , Var ( X ) = p ( 1 − p ) \mathbb{E}[X] = p, \quad \text{Var}(X) = p(1 - p) E[X]=p,Var(X)=p(1−p)

✅ AI 应用：单个二分类预测（如"是否垃圾邮件"）

---

2. 二项分布（Binomial Distribution）

• 场景： n 次独立伯努利试验，成功次数
• PMF ：
  P ( X = k ) = ( n k ) p k ( 1 − p ) n − k , k = 0 , 1 , ... , n P(X = k) = \binom{n}{k} p^k (1 - p)^{n - k}, \quad k = 0,1,\dots,n P(X=k)=(kn)pk(1−p)n−k,k=0,1,...,n
• 记作： X \\sim \\text{Binomial}(n, p)
• 期望/方差 ：
  E [ X ] = n p , Var ( X ) = n p ( 1 − p ) \mathbb{E}[X] = np, \quad \text{Var}(X) = np(1 - p) E[X]=np,Var(X)=np(1−p)

✅ AI 核心应用：

• 分类任务性能建模：假设模型准确率为 p ，在 n 个测试样本中正确预测 k 个的概率
• A/B 测试：比较两个模型的成功率

---

3. 其他重要分布

分布	场景	PMF	期望
几何分布	首次成功所需试验次数	P(X=k) = (1-p)\^{k-1}p	1/p
泊松分布	单位时间事件发生次数	P(X=k) = \\frac{\\lambda\^k e\^{-\\lambda}}{k!}	\\lambda
多项分布	多类别分类（扩展二项）	P(\\mathbf{X}=\\mathbf{k}) = \\frac{n!}{k_1!\\cdots k_m!} p_1\^{k_1}\\cdots p_m\^{k_m}	np_i

💡 泊松近似：当 n 大、 p 小、 \\lambda = np 适中时， \\text{Binomial}(n,p) \\approx \\text{Poisson}(\\lambda)

---

四、期望与方差

1. 期望（Expectation）

E [ X ] = ∑ x x ⋅ p X ( x ) \mathbb{E}[X] = \sum_{x} x \cdot p_X(x) E[X]=x∑x⋅pX(x)

• 线性性： \\mathbb{E}\[aX + bY\] = a\\mathbb{E}\[X\] + b\\mathbb{E}\[Y\] （无需独立）

2. 方差（Variance）

Var ( X ) = E [ ( X − E [ X ] ) 2 ] = E [ X 2 ] − ( E [ X ] ) 2 \text{Var}(X) = \mathbb{E}[(X - \mathbb{E}[X])^2] = \mathbb{E}[X^2] - (\mathbb{E}[X])^2 Var(X)=E[(X−E[X])2]=E[X2]−(E[X])2

• 性质： \\text{Var}(aX + b) = a\^2 \\text{Var}(X)

---

五、AI 中的离散概率应用

1. 分类任务的统计建模

• 假设测试集有 n = 1000 个样本
• 模型真实准确率 p = 0.85
• 则正确预测数 X \\sim \\text{Binomial}(1000, 0.85)
• 可计算：
  • P(X \\geq 840) ：模型表现不低于 84% 的概率
  • 置信区间： \\hat{p} \\pm z \\sqrt{\\frac{\\hat{p}(1-\\hat{p})}{n}}

2. 贝叶斯分类器

• 使用贝叶斯定理计算后验概率：
  P ( y ∣ x ) = P ( x ∣ y ) P ( y ) P ( x ) P(y \mid \mathbf{x}) = \frac{P(\mathbf{x} \mid y) P(y)}{P(\mathbf{x})} P(y∣x)=P(x)P(x∣y)P(y)
• 朴素贝叶斯假设特征条件独立 → 乘积形式

3. 强化学习中的动作选择

• 策略 \\pi(a \\mid s) 是离散概率分布（如 softmax 输出）

---

六、Python 代码实现

1. 导入库

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import bernoulli, binom, poisson
from scipy.special import comb

# 设置风格
sns.set(style="whitegrid")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文

---

2. 伯努利与二项分布 PMF 可视化

# 参数
p = 0.7
n = 10

# 伯努利分布
x_bern = [0, 1]
pmf_bern = [1 - p, p]

# 二项分布
x_binom = np.arange(0, n + 1)
pmf_binom = binom.pmf(x_binom, n, p)

# 绘图
fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# 伯努利
axes[0].bar(x_bern, pmf_bern, color='skyblue', edgecolor='black')
axes[0].set_title('伯努利分布 (p=0.7)')
axes[0].set_xlabel('X'); axes[0].set_ylabel('P(X)')
axes[0].set_xticks([0, 1])

# 二项分布
axes[1].bar(x_binom, pmf_binom, color='lightcoral', edgecolor='black')
axes[1].set_title(f'二项分布 (n={n}, p={p})')
axes[1].set_xlabel('成功次数 k'); axes[1].set_ylabel('P(X=k)')

plt.tight_layout()
plt.show()

---

3. 二项分布模拟：分类任务性能分析

# 模拟：1000 次实验，每次测试 100 个样本，真实准确率 0.8
np.random.seed(42)
n_trials = 1000
n_samples = 100
true_acc = 0.8

# 模拟正确预测数
correct_counts = np.random.binomial(n_samples, true_acc, size=n_trials)

# 理论分布
x_theory = np.arange(70, 91)
pmf_theory = binom.pmf(x_theory, n_samples, true_acc)

# 绘图：模拟 vs 理论
plt.figure(figsize=(10, 5))
plt.hist(correct_counts, bins=20, density=True, alpha=0.6, label='模拟结果', color='lightgreen')
plt.plot(x_theory, pmf_theory, 'ro-', label='理论 PMF')
plt.axvline(n_samples * true_acc, color='red', linestyle='--', label=f'期望值 = {n_samples * true_acc}')
plt.title('分类任务正确预测数分布（n=100, p=0.8）')
plt.xlabel('正确预测数'); plt.ylabel('概率密度')
plt.legend()
plt.show()

# 计算 95% 置信区间（经验）
lower = np.percentile(correct_counts, 2.5)
upper = np.percentile(correct_counts, 97.5)
print(f"95% 经验置信区间: [{lower:.1f}, {upper:.1 f}]")
print(f"理论标准差: {np.sqrt(n_samples * true_acc * (1 - true_acc)):.2f}")

---

4. 自定义二项 PMF 与累积分布（CDF）

def binom_pmf(k, n, p):
    """手动计算二项 PMF"""
    if k < 0 or k > n:
        return 0.0
    return comb(n, k) * (p ** k) * ((1 - p) ** (n - k))

def binom_cdf(k, n, p):
    """手动计算二项 CDF"""
    return sum(binom_pmf(i, n, p) for i in range(0, k + 1))

# 测试
n, p = 5, 0.5
for k in range(n + 1):
    print(f"P(X ≤ {k}) = {binom_cdf(k, n, p):.4f}")

# 验证与 scipy 一致
assert abs(binom_cdf(3, 5, 0.5) - binom.cdf(3, 5, 0.5)) < 1e-10
print("✅ 手动实现与 scipy 一致")

---

5. AI 应用：分类误差的假设检验

问题：模型 A 在 1000 个样本上正确 850 个，模型 B 正确 830 个。差异是否显著？

from statsmodels.stats.proportion import proportions_ztest

# 数据
count = np.array([850, 830])
nobs = np.array([1000, 1000])

# 双样本比例 z 检验
stat, pval = proportions_ztest(count, nobs)

print(f"Z 统计量: {stat:.4f}")
print(f"p 值: {pval:.4f}")

if pval < 0.05:
    print("✅ 差异显著（p < 0.05）")
else:
    print("❌ 差异不显著")

📌 原理：在零假设（两模型准确率相同）下，正确数服从二项分布，可用正态近似进行检验。

---

6. 泊松近似二项分布

n_large = 1000
p_small = 0.01
lam = n_large * p_small  # λ = 10

x = np.arange(0, 20)
pmf_binom = binom.pmf(x, n_large, p_small)
pmf_poisson = poisson.pmf(x, lam)

plt.figure(figsize=(8, 5))
plt.plot(x, pmf_binom, 'bo-', label='Binomial(n=1000, p=0.01)')
plt.plot(x, pmf_poisson, 'r*--', label='Poisson(λ=10)')
plt.title('泊松近似二项分布（n大, p小）')
plt.xlabel('k'); plt.ylabel('P(X=k)')
plt.legend()
plt.show()

---

七、总结

概念	公式	AI 应用
伯努利分布	P(X=1)=p	单样本二分类预测
二项分布	\\binom{n}{k} p\^k (1-p)\^{n-k}	分类准确率建模、A/B 测试
泊松分布	\\frac{\\lambda\^k e\^{-\\lambda}}{k!}	稀有事件建模（如异常检测）
期望	\\mathbb{E}\[X\] = \\sum x p(x)	损失函数设计、策略梯度
方差	\\text{Var}(X) = \\mathbb{E}\[X\^2\] - (\\mathbb{E}\[X\])\^2	不确定性量化、置信区间

💡 关键洞见：

• 离散概率是理解分类模型性能不确定性的语言；
• 二项分布是评估准确率的标准工具；
• 贝叶斯思维贯穿整个 AI 决策过程；
• 避免"点估计陷阱"：报告准确率时应附带置信区间（如 85% ± 1.2%）。

后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

资料关注

公众号：咚咚王

gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》