目錄spa
感謝gzy學長事件
(本人是這樣理解的)ci
隨機現象 : 有機率出現的現象,好比明天會下雨
必然現象 : 必定會出現的現象,好比acioi天下第一帥太陽會從東邊升起
樣本空間 :是一個集合,通常用S表示,包括所有可以出現的現象
元素 :通常用e來表示,某個可以出現的現象,\(e \in S\)
隨機事件 : 和元素意義差很少都是S裏面的,通常用A表示,包含多個元素
集合運算 :(全集爲S)
1. \(A\bigcup B\) :A與B裏面的元素至少一個發生就能夠
2. \(A\bigcap B\) :發生的元素在A中也在B中,還能夠表示爲\(A·B\),\(AB\)
3. \(A-B\) : 屬於A可是並不屬於B的,也就是A和B中,A獨有的
4. \(\overline{AB}\):\(\{e\notin A \bigcap B\}\)
P(A):事件A發生的機率
隨機變量:有多種可能的取值變量,通常設爲Xit
隨機時間A發生的機率怎麼求呢?
隨機時間A發生的機率先用P(A)表示出來
A裏面可能包含多個元素,只要A裏面的元素中有一個發生了,那麼就是A發生了,隨意A發生的機率就是A中全部的元素髮生的機率和,即爲:
\[P(A) = \sum_{e\in A}P(e)\]io
1.\(1 \ge P(A) \ge 0\)class
由於一件事最低的機率就是不發生,也就是0,因此機率最低就是0,最高是必定發生,因此機率最高就是1基礎
2.\(\sum\limits_{e\in S}P(e) = 1\)變量
全集S中的每一件事的機率加起來必定是1,由於無論發生S中的任意一件事,都在S裏面,因此S的機率就是100%,也就是1,裏面的每個元素髮生的機率都是這個100%裏面的一部分gc
3.\(P(\bigcup\limits_{i = 1}^{\infty}A_i) = \sum\limits_{i-1}^{\infty}P(A_i)\)
(\(A_i\)兩兩互斥)
很顯然,只是一個前後順序的轉換,能夠當作是今天你打算作n道菜,等於號前面的就是你先把n道菜作完再一塊兒吃,等於號後面就能夠當作你作完一道菜就吃一道菜。im
\[P(e) = \dfrac{1}{\left| S \right|}\]
若是每個元素出現的機率均等的話,那S裏面任意一個元素出現的機率就是S的大小分之1
\[P(A)=\dfrac{\left| A \right|}{\left| S \right|}\]
仍是上面的那個條件,每個元素出現的機率均等,那麼A集合出現的機率就是A集合中的元素個數除以S集合中的元素個數
獨立事件:互不影響,知足\(P(A*B) = P(A) * P(B)\)
E(X):表示X事件發生的指望
對於獨立事件:\(E(A\times B) = E(A) \times E(B)\)
對於隨機變量X,有公式:
\[E(X) = \sum P(X = i) \times i\]
什麼意思呢?
假設每個隨機變量x都有本身的值,\(X_i\)對應的隨機變量值就是i,那麼這個數的指望值就是\(X_i\)這個隨機變量出現的機率乘以他的值,即爲上面的公式
求2次骰子投擲出的點數和的指望值
只須要枚舉兩個骰子投擲出的點數,他們的指望值就是這個狀況出現的概率乘以這個點數和
\(E(X_1 + X_2) = \sum\limits_{i=1}^6\sum\limits_{j=1}^6P(X=i)P(X=j)(i+j)\)
\[E(X+Y) = E(X) + E(Y)\]
(再次感謝gyh小學妹,感謝gzy學長)
(下面是分佈來介紹的,若是以爲本身能夠,看後面完整連貫無解釋版的)
\(E(X+Y)=\sum\limits_{i=1}\sum\limits_{j=1}P(X=i)P(X=j)(i+j)\)
\(=\sum\limits_{i=1}\sum\limits_{j=1}(i\times P(X=i)\times P(X=j)+j\times P(X=i)\times P(X=j))\)
\(=\sum\limits_{i=1}i\times P(X=i)\times P(X=j) + \sum\limits_{j=1}j\times P(X=i)\times P(X=j))\)
由於
\(E(X) = \sum\limits_{i=1}P(X=i) \times i\)
\(E(Y) = \sum\limits_{i=j}P(Y=j) \times j\)
因此上面沒有完成的式子
\(=E(X)\times P(X=j) + E(Y)\times P(Y = i)\)
這個時候有用到了一開始的
\(\sum\limits_{e\in S}P(e) = 1\)
而\(P(X=i)\)的意思就是S集合裏面的所有數的機率加起來
\(P(Y=j)\)等同,這兩個都和\(\sum\limits_{e\in S}P(e)\)的意思同樣,因此都等於1
因此再一次繼續沒完成的式子:
\(=E(X)\times 1 + E(Y) \times 1\)
\(=E(X) + E(Y)\)
\(E(X+Y)=\sum\limits_{i=1}\sum\limits_{j=1}P(X=i)P(X=j)(i+j)\)
\(=\sum\limits_{i=1}\sum\limits_{j=1}(i\times P(X=i)\times P(X=j)+j\times >P(X=i)\times P(X=j))\)
\(=\sum\limits_{i=1}i\times P(X=i)\times P(X=j) + \sum\limits_{j=1}j\times >P(X=i)\times P(X=j))\)
\(=E(X)\times P(X=j) + E(Y)\times P(Y = i)\)
\(=E(X)\times 1 + E(Y) \times 1\)
\(=E(X) + E(Y)\)
指望步數我也不知道到底有沒有這麼一個定義,是我本身理解的
指的是指望第一次發生
機率爲P的時間指望\(\dfrac {1}{p}\)次後發生
對於離散變量X,\(P(X=k)=P(X\le k) - P(X\le{k-1})\)
n個隨機變量X[1……n],每一個隨機變量都是從1-S中隨機一個整數求Max(X[1……n])的指望
Max(X[1……n])指的是這一段數中最大的數
\(E(Max(X[1……n])) = \sum\limits_{i=1}^SP(Max(X[1……n]) = i) \times i\)
\(=\sum\limits_{i=1}^S[P(M\le i) - P(M\le {i-1})] \times i\)
\(=\sum\limits_{i=1}^S[(\dfrac{i}{S})^n - (\dfrac{i-1}{S})^n] \times i\)
先解釋一下第一步,爲何出來了\(P(M\le i) - P(M\le {i-1})\),這就用到了前綴和的思想了,\(P(M\le i) - P(M\le {i-1}) = P(M=i)\)這很顯然就是正確的,因此原式到第一步沒有問題,可是這樣作有什麼意義呢?
不着急,且看第二步
這樣看一下,\(P(M\le i)\)的機率,先看\(P(M\le i)\),就是每個數都是小於等於i的狀況那麼一位是小於等於i的機率就是\(\dfrac{i}{S}\),因此n位都小於等於i的機率就是\((\dfrac{i}{S})^n\),同理\((\dfrac{i-1}{S})^n\)也能夠求出來了。
\(P(Max(X[1……n]) = i)\)是很難求的,可是進行完第一步以後就很好算了,這就是第一二步的意義所在了。
(名字是我本身取的不喜勿噴)
每次隨機一個[1,n]的整數,問指望幾回可以湊齊全部的整數
令:\(A_i\)表示湊完了\(i-1\)個數,湊第\(i\)的指望步數
一共有\(n\)個數,湊完了\(i-1\)個,那就還有\(n-(i-1)\)個數,即\(n-i+1\)個數沒有出現,因此第\(i\)個位置出現一個以前沒有出現過的數的機率就是\(\dfrac{n-i+1}{n}\),因此指望步數就是\(\dfrac{1}{p}\),等於\(\dfrac{n}{n-i+1}\)
式子:
\[E(\sum\limits_{i=1}^nA_i) = \sum\limits_{i=1}^nE(A_i)=\sum\limits_{i=1}^n\dfrac{n}{n-i+1}\]
隨機一個長度爲n的排列P,求P[1……i]中P[i]是最大數的機率
只有兩種可能P是最大數,P不是最大數,因此機率就是\(\dfrac{1}{2}\)
.........
很無語,雖然這麼思考百分之99都是錯誤的,可是用在這裏恰好合適,等價的思想,嗯。
隨機一個長度爲n的排列P,求i在j後面的機率
嗯,又是和上面同樣只有兩種可能i在j前面和i在j後面,因此可能性又是
\(\dfrac{1}{2}\),等價的思想。
不過想要嚴格證實一下也是能夠的:
\[\dfrac{C_n^2(n-2)!}{2n!}\] n個數裏面取2個數,剩下的直接拍序,組合的方式是(n-2)的階乘種,而後總的方案數是n!種,因此機率就是n個數裏面取2個數的方案乘以(n-2)!再除以n!,不過單純的取2個數有i在j前面也有i在j後面的可能,各佔一半的機率,因此再除以2就是最後的結果了。