大纲
内容和意义
概率的概念：离散，连续的值的概率
例子1：每个盒子至多一个球的概率
概率公式：常见公司，贝叶斯示例
常见概率分布-离散型
-
常见概率分布-连续型
Q：概率和机器学习到底关系多大呢？
A： 噪声的分布经常都是正态分布；
指数分布是一般线性回归的分布的主要形式；
泊松分布可以用来模拟以时间序列发送的事件，具有无记忆性；
１.概率的概念
概率：P(x)∈[0,1]
- X为离散值，则P(X=X
0)表示X0发生的概率 - X为连续值，则P(X=X
0)表示X0发生的概率密度
累积分布函数：F(a)=P(x<=X0)
- F(X
0)是单增的 - min(F(X
0))=0 , max(F(X0))=1
遇到一个函数，若是单增，且值域为[0,1]则该函数可以看做是概率累积函数
2. 概率求解示例
解决问题的基本套路：（有效事件数量）/（总事件数量）
n个球放N个盒子，n<=N，求每个盒子最多一个球的概率
每个盒子至多一个球的概率
引出组合的概念
n个商品分为k组，每组个数分别是n
1,n2...nk，则不同分组方法
一共有n！/ （n1！n2！...nk！）种方法
简化上述问题，n个商品分为2组，第一组m个，第二组n-m个，则分组方法
一共有n！/ （m！（n-m）！）种方法
这就是n个里面选m个，即组合数C（m，n）
3.概率公式
基本概率公式
手动版贝叶斯
8个枪，5个好的3坏的，好枪命中率0.8，坏枪0.3。现在随机拿一把，射击中靶。求是好枪的概率。
已知条件整合
- P(好枪)=5/8 ， P(坏枪)=3/8
- P(中 | 好枪)=0.8，P(不中 | 好枪)=0.2
-
P(中 | 坏枪)=0.3，P(不中 | 坏枪)=0.7
求解问题：** P(好枪 | 中)=？**
手动版贝叶斯
贝叶斯公式
贝叶斯公式
先验概率 P（θ）：系统本身事件θ发生概率
后验概率 P（θ|x）：在数据x的条件下，事件θ发生概率
似然函数 P（x|θ）：给定参数θ的概率分布
4.常见概率分布-离散型
目录
- 0-1分布
- 几何分布
- 超几何分布
- 多项分布
- 泊松分布
0-1分布
0-1 Distribution(0-1分布)
几何分布
Geometric Distribution(几何分布)
超几何分布
Hyper Geometric Distribution(超几何分布)
贝努利分布/二项分布
贝努利分布/二项分布
多项分布
Multinomial Distribution(多项分布)
泊松分布
Poisson Distribution (泊松分布)
泊松分布补充说明
一个随机事件，以固定平均瞬时速率随机且独立出现，呢么这个事件在单位时间内出现次数就近似服从泊松分布
- 某一服务设施，一定时间内到达的人数
- 电话交换机接到的呼叫次数
- 汽车站台的候客人数
- 机器出现故障数
- 自然灾害发生次数
- 一个产品的缺陷数
- 单位分区细菌分布数
- 放射性物质单位时间发出粒子数
5.常见概率分布-连续型
目录
- 均匀分布
- 指数分布
- 正态分布
均匀分布
均匀分布
指数分布
指数分布
正态分布
正态分布
