[概率论与数理统计-5]:一元连续随机变量=>几何图形=>样本空间=>组合样本=>长度/面积/体积=>几何概率

2023-11-11

作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客

 本文网址:https://blog.csdn.net/HiWangWenBing/article/details/123727473


目录

第1章 什么是几何概率

第2章 几何概率的关键点:

2.1 如何用连续的几何图形的区域表示离散的生活事件:

2.2 如何求组合事件的概率:

2.3 几何概率的计算

2.4 几何概率与n元随机变量

第3章 几何概率的案例

3.1 一维:几何度量体现为长度。

3.2 二维:几何度量体现为面积。

3.3 三维:几何度量体现为体积。


第1章 什么是几何概率

几何概率是可以用几何方法求得的现实生活中复合事件的概率。

比如,向某一可度量的区域内投一质点,如果所投的点落在门中任意区域 g 内的可能性大小与 g 的度量成正比,而与 g 的位置和形状无关,则称这个随机试验为几何型随机试验或几何概型,此处的度量就是测度,一维指长度,二维指面积,三维指体积等。

几何概型是一种求解现实问题的概率模型

在这个模型下,随机实验所有可能的结果是无限的,并且每个基本结果发生的概率是相同的。例如一个人到单位的时间可能是8:00~9:00之间的任意一个时刻;往一个方格中投一个石子,石子落在方格中任何一点上……这些试验出现的结果都是无限多个(所以只能可以通过求长度、面积、体积来完成概率的计算)属于几何概型。

一个试验是否为几何概型在于,这个试验的基本事件是否具有几何概型的两个特征:无限性和等可能性(等概率分布),只有同时具备这两个特点的概型才能用几何概型(长度、面积、体积)求解现实的概率问题。

第2章 几何概率的关键点:

2.1 如何用连续的几何图形的区域表示离散的生活事件:

  • 基础:可以把x,y坐标看成是连续事件,几何图形(线段或面积或体积)看成是组合事件(是有无数个连续的点组成)
  • 生活事件转换为几何图形(组合事件),再转换为基本事件,经过这个转换,生活的离散事件就转换成了离散的几何图形组合事件,而每个几何图形的组合事件,又是连续的空间点组成。
  • 样本空间:所有基本事件(样本)构成的总的几何图形(线段或面积或体积)
  • 组合事件:符合事件构成的几何图形(线段或面积或体积)

2.2 如何求组合事件的概率:

假设条件:所有基本事件(样本)落在样本空间的位置是等概率的。

计算概率:有了(1)的转换,组合事件的概率=组合事件的图形(线段或面积或体积)除以样本空间的图形(线段或面积或体积)

2.3 几何概率的计算

A: 复合事件

S: 样本空间

P: 概率

几何度量(长度、面积、体积)

2.4 几何概率与n元随机变量

在几何概率中,基本事件是空间中的一个质点,

每个质点是n维度的随机变量组成:

几何线段:一元随机变量(X)

面积:二元随机变量(X,Y)

空间体积:三元随机变量(X,Y,Z)

输出:联合概率分布,即复合事件覆盖的(长度或面积或体积)除以样本空间空间总的(长度或面积或体积)。

第3章 几何概率的案例

3.1 一维:几何度量体现为长度。

【例1】出租车司机李师傅有午睡习惯。一天,他睡午觉醒来,发现手机没电了,手表也停了,于是他只能打开收音机等待交通电台整点报时,如果他等待报时时间不超过15分钟,则这种可能性大小为( )

A、1/2 B、1/3 C、1/4 D、1/6

【解析】C。

如图所示,设想一条时间轴两个刻度时间相差1小时,李师傅醒来的时刻落在距离在刻度点15分钟范围可保证等待不超过15分钟,因此概率为15/60=1/4,选C。

随机变量:等待的时间长度,用X表示,单位为分钟。

随机事件:事件变量的取值范围就是随机事件,这里是【0,60】分钟之间的任意值。

样本空间:整点报时,每一个小时报一次,样本空间为1小时,即60分钟。

复合事件:不超过15分钟属于复合事件,由无数个基本事件点组成,长度小于15分钟,最大为15分钟时长

概率计算:李师傅醒来的基本事件点,如果落在x+1附件的复合事件中时,这时候的等待事件长度不超过15分钟,这个15分钟的复合事件的取值占整个样本空间基本事件的取值的15/60=1/4.

3.2 二维:几何度量体现为面积。

【例2】小波通过往圆圈里投掷米粒(米粒本身长度不计,视为一个点)的方式决定自己的周末活动。经过试验,他将米粒投进圆圈内的成功率达到100%,但投掷在圆内的位置随机。如果米粒到圆心的距离大于圆半径的一半,那么他周末去看电影;若米粒到圆心的距离小于半径的 ,他会去打篮球;否则,他将在家看书。据此可知小波周末不在家看书的概率为:

A、13/16 B、2/5 C、3/5 D、1/16

【解析】A。投掷米粒在圆圈内任一点是等可能的,且结果有无限种可能,属于几何概率。如图所示,假设大圆圈的半径为4、面积=π×42=16π;打篮球的面积=π、看电影的面积=16π-4π=12π,所以不看书的概率=(π+12π)/(16π)=13/16,选A。

随机变量:平面中的落点,二维随机变量(x,y)组成,且x^2 + y^2< r^2.

随机事件:随机变量的取值范围就是随机事件(X,Y)

样本空间:由于是圆,整个圆筒的底面积就是整个样本空间。

复合事件:复合事件与现实问题相关,这里的三个复合事件包括

  • 最小圆的的面积的区域
  • 中间圆面积-最小圆面积的区域
  • 最外层圆面积-中间圆面积的区域

概率计算:李师傅醒来的基本事件点,如果落在x+1附件的复合事件中时,这时候的等待事件长度不超过15分钟,这个15分钟的复合事件的取值占整个样本空间基本事件的取值的15/60=1/4.

【例3】甲乙两人相约见面,并约定第一人到达后,等15分钟不见第二人来就可以离去。假设他们都在10点至10点半的任一时间来到见面地点,则两人能见面的概率有多大?

A. 37.5% B. 50% C. 62.5% D. 75%

【中公解析】D。如图所示,x、y分别代表甲乙两人到达的时间,两人能够见面的条件是,即图中阴影部分,则所求概率为阴影部分面积占大正方形的面积的比例,即为甲乙能见面的概率,阴影部分面积=30×30-2×1/2×15×15=675,所求概率为675/900=75%,选D。

3.3 三维:几何度量体现为体积。

【例4】半径为4的球体,有一点落于球体内,此点到球心距离都小于2的概率是多少?

【中公解析】该点在球内有无限种可能,而每种可能性相同,属于几何概率。如图所示,在球内随机取一点,使这个点到球心的距离小于2,说明点落在与大球球心相同,半径为2的小球的内部,体积为,整个打的球体体积为,则所求概率。


作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/123727473

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

[概率论与数理统计-5]:一元连续随机变量=>几何图形=>样本空间=>组合样本=>长度/面积/体积=>几何概率 的相关文章

  • 样本方差为何除以n-1而不是n?

    很多人可能都会有疑问 为什么要除以n 1 而不是n 如果除以n 对样本方差的估计不是无偏估计 比总体方差要小 要想是无偏估计就要调小分母 所以除以n 1 那么问题来了 为什么不是除以n 2 n 3等 所以在这里彻底总结一下 首先交代一下无偏
  • 概率论的几种常考分布总结

    两点分布 0 1分布 X b 1 p 二项分布 X b n p k 0 1 2 n 指数分布 参数为 线性分布 参数为a b 泊松分布 X k 0 1 2 n
  • 连续型随机变量密度函数与累积密度函数

    1 连续性随机变量的概率密度函数 注意 f x 是非负的可积函数 以及在负无穷到正无穷区间内的累积概率为1 累积概率的取值区间是从负无穷到正无穷 但是概率密度函数的取值并不是从负无穷到正无穷 尤其是在实际问题中 比如说报童模型中的报纸订购量
  • 统计学学习笔记:L1-总体、样本、均值、方差

    目录 一 总体和样本 二 集中趋势分析 2 1 均值 2 1 1 样本均值 2 1 2 总体均值 2 2 众数 中位数 三 离散趋势分析 3 1 总体方差 3 2 样本方差 3 3 标准差 一 总体和样本 比如要计算全国男性的平均身高 但是
  • 【统计模拟及其R实现】逆变换 / 筛选法 / 合成法 上机习题答案(超详细)

    课本 统计模拟及其R实现 肖枝红 朱强 武汉大学出版社 参考课件 第三章 随机数 浙江大学数学科学学院 目录 1 逆变换法 2 筛选法 3 合成法 1 逆变换法 题目1 用逆变换方法生成如下密度函数的随机变量 要求写出R程序 Cauchy概
  • 概率与统计——概率分布

    离散概率分布 一 伯努利分布 Bernoulli distribution 伯努利分布又称 0 1分布 两点分布 伯努利分布指的是对于随机变量X有 参数为p 0
  • 【机器学习系列】变分推断第三讲:基于随机梯度上升法SGD的变分推断解法

    作者 CHEONG 公众号 AI机器学习与知识图谱 研究方向 自然语言处理与知识图谱 阅读本文之前 首先注意以下两点 1 机器学习系列文章常含有大量公式推导证明 为了更好理解 文章在最开始会给出本文的重要结论 方便最快速度理解本文核心 需要
  • 深度学习——时间序列模型评价指标总结

    大Y老师 小X 你做的这个时间序列模型用什么指标评价啊 小X 直接把这篇甩给老师 老师您看哪个指标顺眼 就选哪个指标 最近在实现基于深度学习的时间序列模型时 需要对模型进行评价 总结了一些常用的和不常用的评价指标 还有相关概念的辨析 上面是
  • 人工智能数学基础--概率与统计9:概率运算、加法公理、事件的独立性、概率乘法定理、条件概率、全概率公式以及贝叶斯公式

    一 概述 这大半年都很忙 学习时间太少 导致概率论的学习停滞不前 期间AI大佬herosunly推荐了陈希孺老先生的概率论教材 与最开始学习的美版M R 斯皮格尔等著作的 概率与统计 表示差异比较大 具体请见 人工智能数学基础 概率与统计7
  • CS109: Probability for Computer Scientists笔记1

    维生素C吃多了会上火 个人CSDN博文目录 CS109 Probability for Computer Scientists Summer 2022笔记合集
  • 朴素贝叶斯基本原理和预测过程、先验概率、后验概率、似然概率概念

    贝叶斯原理是英国数学家托马斯 贝叶斯提出的 贝叶斯原理 建立在主观判断的基础上 在我们不了解所有客观事实的情况下 同样可以先估计一个值 然后根据实际结果不断进行修正 举例 一个袋子里有10个球 其中6个黑球 4个白球 那么随机抓一个黑球的概
  • KaTeX数学公式输入

    序号 运算符 输入 举例 举例代码 1 x y
  • 方差分析(ANOVA)的基本原理及R实现(单因素)

    方差分析 analysis of variance ANOVA 几乎是在统计学分析中最常用的方法 通过分析各变量的主效应 main effect 和交互效应 interaction effect 从而发现因变量 dependent vari
  • 论文R语言复现

    高斯混合概率在众多领域都有重要应用 依据已知观测数据估计高斯模型中未知参数就显得尤为重要 由于观测值具体来自于高斯分布的哪个分模型是未知的 那么利用传统的极大似然 MLE 方法进行参数估计就变得十分困难 引入 EM 算法 该方法通过构造分布
  • 【Basis】狄利克雷分布

    初次看狄利克雷分布 比较懵 主要是它有很多先行知识 所以我先介绍狄利克雷分布用到的多项式分布 gamma 函数 beta分布 然后再介绍狄利克雷分布 参考文献见文章末 目录 一 多项式分布 multinomial distribution
  • 机器学习之高斯过程

    高斯过程 高斯过程 Gaussian Process 高斯分布 置信区间 随机过程 高斯分布的特点 核函数 白噪声处理 实战 高斯过程 Gaussian Process 在机器学习领域里 高斯过程是一种假设训练数据来自无限空间 并且各特征都
  • 【概率】概率论中具有可加性的分布及性质:二项、泊松、正态、卡方

    目录 一 可加性 二 相关结论 三 小结 一 可加性 可加性 指对于某种变换来说 特定的 加法 和该变换的顺序可颠倒而不影响结果 这样一种性质 wiki 分布的可加性 指同一类型分布的独立随机变量和的分布仍属于此类分布 1 注 前提是同类型
  • [基本功]辛普森悖论

    辛普森悖论是指什么现象 当人们尝试探究两种变量 比如新生录取率与性别 是否具有相关性时 会分别对之进行分组研究 然而 在分组比较中都占优势的一方 在总评中有时反而是失势的一方 上表中 商学院女生录取率为49 lt 男生录取率75 法学院女生
  • 因果模型五:用因果的思想优化风控模型——因果正则化评分卡模型

    因果模型五 用因果的思想优化风控模型 因果正则化评分卡模型 一 模型中的因果和相关 二 不可知样本选择偏差 三 因果推断 四 因果与评分卡的融合 五 模型效果评估 5 1 人工合成数据效果测试 5 2 YFCC100M图像数据测试 5 3
  • 边缘概率密度

    对于二维连续型随机变量 设它的概率密度为 则 称 为 关于 的边缘概率密度 称 为 关于 的边缘概率密度

随机推荐