-
Notifications
You must be signed in to change notification settings - Fork 0
/
probability.rst
84 lines (56 loc) · 2.94 KB
/
probability.rst
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
==========
概率论基础
==========
分布函数与概率分布
------------------
.. note::
`Cheat Sheet of Probability <https://kdocs.cn/l/cpypzti6jqvK>`_
:math:`E(X^2)=E^2(X)+D(X)` 和 :math:`E(\overline{X}^2)=E^2(\overline{X})+D(\overline{X})` 这两个公式对所有公式都满足吗?
在 `数理统计公式大全 <https://kdocs.cn/l/cq4IXMIWKAG0>`_ 中,多次出现符号 :math:`\lambda`,其实 :math:`\lambda=\dfrac{1}{\bar{X}}`
概念区分
- 密度:
- 概率密度:
- 概率分布:
- 概率:
- 概率密度函数图像的纵坐标代表的是概率,总面积求和等于 1。
如何查表(认识符号的含义)角标为概率值。角标有三种叫法,1)信任系数 2)置信度 3)置信水平。置信水平是指某个范围包含参数
:math:`\theta` 真值的可信程度。 :math:`P(\underline{\theta} \leq \theta \leq \overline{\theta}) \geq 1 - \alpha`。
置信区间并不唯一,因此区间长度也不唯一。
i.i.d. 独立同分布
有一些分布的性质这里并没有写全。可以上网搜索。
一些函数:
- :math:`\theta` 的先验分布: :math:`\pi(\theta)`
- 条件密度函数: :math:`P(x_1, x_2, \dots, x_n | \theta)`
- :math:`x_1, x_2, \dots, x_n` 和参数 :math:`\theta` 的联合密度函数: :math:`P(x_1, x_2, \dots, x_n, \theta) = P(x_1, x_2, \dots, x_n | \theta) \pi(\theta)`
- 参数 :math:`\theta` 的后验密度函数或后验分布: :math:`\pi(\theta | x_1, x_2, \dots, x_n)=\dfrac{P(x_1, x_2, \dots, x_n, \theta)}{P(x_1, x_2, \dots, x_n)} = \dfrac{P(x_1, x_2, \dots, x_n | \theta) \pi(\theta)}{\int P(x_1, x_2, \dots, x_n | \theta) \pi(\theta)\mathrm{d}\theta}`
- 边际分布或 :math:`x_1, x_2, \dots, x_n` 的无条件分布: :math:`P(x_1, x_2, \dots, x_n) = \int P(x_1, x_2, \dots, x_n | \theta) \pi(\theta)\mathrm{d}\theta`
离散型
~~~~~~
- 两点分布
- 二项分布
- 泊松分布
- 几何分布
- 超几何分布
连续型
~~~~~~~
- 均匀分布
- 指数分布
- 正态分布
- 标准正态分布
多维
~~~~~
贝叶斯估计
~~~~~~~~~~
贝叶斯估计是执果索因,在已知结果 :math:`A` 发生的情况下,求 :math:`B_i` 发生的概率。也就是说,探究是哪个原因导致了 :math:`A` 的发生。
:math:`P(B_i|A) = \dfrac{P(AB_i)}{P(A)}=\dfrac{P(B_i)P(A|B_i)}{\displaystyle\sum_{j=1}^nP(B_j)P(A|B_j)}`
:math:`AB_i` 同时发生的概率为已知过程 :math:`B_i` 发生的情况下,结果 :math:`A` 发生的概率与过程 :math:`B_i` 发生的概率的乘积。
:math:`P(A|B_i)=P(A|B_i)P(B_i)`
例如:结果为晚点、不晚点,原因为乘飞机、乘动车、乘非机动车。则可以设
- A:晚点
- B1:乘飞机
- B2:乘动车
- B3:乘非机动车
考虑:
1. 如果求一个结果发生的概率,而且知道这个结果有不同的原因,考虑全概率公式。
2. 已知结果发生,求某个原因发生的概率,考虑贝叶斯公式。
- `Probability Cheatsheet v2.0 <https://kdocs.cn/l/cuUQ21Xer5d0>`_