企业官网建设流程全解析

网站建设的用处,网站建设技术的实现,中国十大企业排名2021,湖北外贸网站建设多少钱PX(x)P_X(x)PX​(x), P(X1)P(X1)P(X1) 的区别#xff1b;概率度量vs.概率分布让我们用现实比喻来理解这个“简化计算”的概念。 比喻1#xff1a;考试成绩统计 原始世界Ω#xff1a;全班50个学生的完整试卷#xff08;每道题的具体答案#xff09; 张三的卷子李四的卷子王…PX(x)P_X(x)PX​(x),P(X1)P(X1)P(X1)的区别概率度量vs.概率分布让我们用现实比喻来理解这个“简化计算”的概念。比喻1考试成绩统计原始世界Ω全班50个学生的完整试卷每道题的具体答案张三的卷子李四的卷子王五的卷子…随机变量X考试成绩0-100分值空间{0, 1, 2, …, 100}方法1用P在原始世界操作问“多少人分数≤60分”需要查看每一张试卷找出所有分数≤60的学生数一数有多少个这样的学生除以总人数这需要翻阅所有原始材料试卷。方法2用Pₓ在标签世界操作如果已经有成绩分布表60分5人59分3人…0分1人问同样问题“分数≤60的概率”直接Pₓ(0) Pₓ(1) … Pₓ(60) (1…35)/50不需要看任何试卷只看分布表就够了。回到骰子例子计算 P(X ≤ 4)两个骰子之和≤4原始世界方法用P列出Ω中所有有序对计算每个对的X值挑出X≤4的X2: {(1,1)}X3: {(1,2), (2,1)}X4: {(1,3), (2,2), (3,1)}总共1236个结果P(X≤4) 6/36 1/6麻烦需要知道每个具体结果的对应关系。标签世界方法用Pₓ如果我们已经知道X的分布xPₓ(x)21/3632/3643/3654/36……计算P(X≤4) Pₓ(2) Pₓ(3) Pₓ(4) 1/36 2/36 3/36 6/36 1/6关键我们完全不知道(1,3)是什么为什么Pₓ(4)3/36原始结果长什么样我们只知道当标签4时质量是3/36。这就是简化数学原理Pₓ 是预计算的结果[P_X(A) P({\omega \in \Omega : X(\omega) \in A})]一旦我们为所有可能的A值空间的子集计算好了Pₓ就封装了所有原始世界信息。更深刻的理解假设X是人的身高Ω 所有人的DNA、成长环境等极其复杂X(ω) 身高测量值问身高170cm的概率没有Pₓ时需要知道每个人的具体信息DNA、营养等算出他们的身高再统计。有Pₓ时只需要查身高分布表Pₓ(150)Pₓ(151)…Pₓ(169)为什么这是巨大的简化维度降低Ω可能有无穷多个结果但X的值空间通常有限抽象忽略无关细节可移植性身高分布可以用于不同人群而不必知道具体的人就像用GDP数据Pₓ比较国家而不是看每个公民的具体经济情况Ω用平均温度X描述气候而不是记录每分钟的气象数据检验理解试着回答如果要计算两个骰子之和是质数的概率用P的方法______用Pₓ的方法______哪个更简单核心区别一句话概率度量 P是原始工具箱概率分布 Pₓ是针对特定测量的专用工具类比温度计和温度概率度量 P就像物理世界的完整描述包含空气分子运动、太阳辐射、湿度…描述整个物理系统的状态作用回答这些具体物理状态的概率是多少分布 Pₓ就像温度读数包含温度计的刻度值描述只关心温度这个单一属性作用回答25°C出现的概率是多少具体例子两个公平骰子1. 概率度量 P这是定义在所有可能结果集合上的样本空间 Ω {(1,1), (1,2), …, (6,6)} 36个结果P({(1,1)}) 1/36P({(1,1), (1,2)}) 2/36P(Ω) 1P是完整规则书告诉我们每个可能组合的概率。2. 随机变量 X “两骰子之和”X把每个结果映射到一个数字(1,1) → 2(1,2) → 3(2,1) → 3…(6,6) → 123. 分布 Pₓ这是从P推导出来的新规则但定义在不同的空间值空间 {2, 3, 4, …, 12}Pₓ({4}) P(X4) P({(1,3), (2,2), (3,1)}) 3/36Pₓ({2,3,4}) P(X≤4) 6/36Pₓ是摘要表只关心和的分布。可视化区别原始世界 (Ω) │ ├── (1,1) ───P({(1,1)})1/36 ├── (1,2) ───P({(1,2)})1/36 │ ... 36个具体结果 │ ↓ 通过X映射 ↓ 标签世界 {2,3,...,12} │ ├── 2 ───Pₓ(2)1/36 (来自(1,1)) ├── 3 ───Pₓ(3)2/36 (来自(1,2),(2,1)) ├── 4 ───Pₓ(4)3/36 (来自...) │ ... 11个可能值P在左边工作原始结果Pₓ在右边工作汇总后的值关键洞察P 更基本定义域Ω的子集事件回答“这个具体结果集合的概率”例子P({(1,3), (2,2)}) 2/36Pₓ 更实用定义域值空间的子集回答“X在这个数值范围内的概率”例子Pₓ({4,5}) P(X∈{4,5}) 7/36为什么需要两者情景赌场游戏Ω 所有可能的骰子组合、轮盘结果、发牌顺序…极其复杂用P工作原始度量需要知道每个微观结果计算复杂不直观用Pₓ工作分布X₁ “玩家总点数”X₂ “庄家总点数”P_{X₁} 玩家点数分布表P_{X₂} 庄家点数分布表现在可以直接比较P_{X₁}和P_{X₂}而不必回到底层物理结果数学关系推前度量Pₓ 是 P 通过 X 的推前PX(B)P({ω∈Ω:X(ω)∈B}) P_X(B) P(\{\omega \in \Omega : X(\omega) \in B\})PX​(B)P({ω∈Ω:X(ω)∈B})翻译值集B的概率 所有映射到B的原始结果的概率。回答你的疑问不概率度量不只是概率分布而是概率度量P 完整底层规则在Ω上概率分布Pₓ 特定视角下的简化规则在X的值空间上P是源头Pₓ是下游产物。每个随机变量X都从P产生自己的分布Pₓ但P本身是独立存在的。快速测试对于两个骰子P({(1,1)}) ?答1/36原始结果概率Pₓ({7}) ?答6/36骰子之和为7的概率P({(1,6), (2,5), (3,4)}) ?答3/36三个具体结果的概率Pₓ({(1,6), (2,5)}) 有意义吗答无意义Pₓ的输入必须是数值不是原始结果。这就是根本区别它们作用在不同的空间上。让我们来计算问题两个骰子之和是质数的概率可能质数2, 3, 5, 7, 11注意4,6,8,9,10,12不是质数方法1用P在原始世界操作列出所有使和为质数的原始结果X2: {(1,1)}X3: {(1,2), (2,1)}X5: {(1,4), (2,3), (3,2), (4,1)}X7: {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}X11: {(5,6), (6,5)}数结果数量X2: 1个X3: 2个X5: 4个X7: 6个X11: 2个总计12462 15个结果计算概率P(和为质数) 15/36 5/12 ≈ 0.4167过程需要列出15个具体有序对然后计数。方法2用Pₓ在标签世界操作已知X的分布表xPₓ(x)21/3632/3643/3654/3665/3676/3685/3694/36103/36112/36121/36挑出质数对应的概率Pₓ(2) Pₓ(3) Pₓ(5) Pₓ(7) Pₓ(11) 1/36 2/36 4/36 6/36 2/36 15/36 5/12过程只需看分布表加5个数。对比方面用P的方法用Pₓ的方法需要知道什么每个原始结果的映射关系只需分布表步骤1. 找出所有对应质数的有序对2. 计数15个3. 除以361. 找出质数值2,3,5,7,112. 从表中读取5个概率3. 相加计算量数15个具体结果加5个分数抽象级别具体、微观抽象、宏观容易犯错吗容易漏掉某个有序对容易漏掉某个质数哪个更简单绝对是Pₓ的方法更简单为什么计数少P方法要处理15个有序对Pₓ方法只处理5个值无需映射P方法需要知道(1,6)映射到7(5,6)映射到11等更直观Pₓ直接问质数值有哪些查表相加可重用如果另一个问题问和为奇数的概率同样的分布表可以直接用这就是关键洞察一旦我们计算出分布Pₓ所有关于X的问题都变得简单“X是质数” → 加Pₓ(质数值)“X8” → 加Pₓ(9)Pₓ(10)Pₓ(11)Pₓ(12)“X是偶数” → 加所有偶数的Pₓ不需要再回到原始世界Ω除非我们还没有Pₓ需要先计算一次问题涉及多个随机变量的关系需要知道具体的原始结果最终答案用P的方法列出所有使和为质数的有序对15个 P 15/36 5/12用Pₓ的方法P Pₓ(2)Pₓ(3)Pₓ(5)Pₓ(7)Pₓ(11) 1/362/364/366/362/36 15/36 5/12更简单的是Pₓ的方法因为它抽象掉了原始细节让我们在更高层次思考问题。这就是为什么学习分布如此重要好了现在告诉我Is probability measure just the probability distribution?不概率度量不是概率分布但它们是密切相关的。让我用最清晰的方式总结核心关系父与子概率度量 P是父亲定义在原始样本空间Ω上是基础规则给每个可能结果集合赋予概率比如P({骰子掷出(1,3)}) 1/36概率分布 Pₓ是儿子定义在随机变量X的值空间上是派生规则由P通过X推导而来比如Pₓ({骰子之和4}) 3/36三句关键理解P是源头Pₓ是产品先有P描述整个实验然后定义X如骰子之和最后得到PₓX的分布它们作用在不同空间PΩ的子集 → [0,1]PₓX值空间的子集 → [0,1]每个X都有自己的Pₓ同一个P骰子实验可以定义X₁骰子之和 → P_{X₁}也可以定义X₂较大点数 → P_{X₂}两个不同的分布都来自同一个P最终答案概率度量是更基础的概念概率分布是它的特殊应用。就像概率度量 物理定律牛顿力学概率分布 特定问题的解地球绕太阳的轨道方程前者是理论框架后者是具体应用。所以不它们不是一样的东西但每个概率分布本质上是一个概率度量只是定义在不同空间上。完美的问题这直接揭示了关键区别。让我澄清P(X1) 和 Pₓ(1) 的正式区别1.P(X1)本质概率度量的应用含义将概率度量P应用于事件{ω∈Ω: X(ω)1}完整写法P({ω∈Ω: X(ω)1})作用对象Ω中的子集事件举例骰子X“骰子点数”P(X1) P({(1,1),(1,2),…,(1,6)}中所有第一个骰子1的结果) 6/36 1/62.Pₓ(1)本质概率分布函数的值含义分布Pₓ在点1处的质量完整写法Pₓ({1})作用对象值空间{1,2,…,6}中的点举例Pₓ(1) 1/6 直接从分布表读取但它们数值相等这是关键PX(1)定义P(X1) P_X(1) \overset{\text{定义}}{} P(X1)PX​(1)定义P(X1)它们在数值上总是相等但P(X1)是原始世界的操作Pₓ(1)是抽象世界的操作类比两种方式测量体重原始方法P把人放在秤上 → 读数对应P(X1) 计算原始结果的概率查表法Pₓ直接查小明体重70kg的概率对应Pₓ(1) 从已计算的分布中读取你问哪个是哪个P(X1)涉及概率度量P因为它在Ω上操作需要知道X1对应哪些原始结果Pₓ(1)就是概率分布因为它是分布函数在点1的值已经是封装好的信息实际使用中的区别假设我们要计算骰子点数≥4的概率用P度量P(X≥4) P({X4} ∪ {X5} ∪ {X6}) P(X4) P(X5) P(X6) 逐个计算每个事件的概率用Pₓ分布Pₓ({4,5,6}) Pₓ(4) Pₓ(5) Pₓ(6) 直接加分布表中的值总结回答表示法是什么使用哪个空间P(X1)概率度量的应用原始样本空间ΩPₓ(1)概率分布本身的值随机变量X的值空间它们数值相同但概念不同P(X1) 是过程如何计算Pₓ(1) 是结果存储的值就像“称体重得到70kg”P(X1)“体重分布表中70kg的概率”Pₓ(1)前者是测量过程后者是记录结果。