概率測演算法

Ⅰ 高中數學概率計演算法則

高中數學概率計演算法則主要為概率的加法法則

概率的加法法則為：

推論1：設A1、 A2、…、 An互不相容，則：P(A1+A2+...+ An)= P(A1) +P(A2) +…+ P(An)

推論2：設A1、 A2、…、 An構成完備事件組，則：P(A1+A2+...+An)=1

推論3：若B包含A，則P(B－A)= P(B)－P(A)

推論4（廣義加法公式）：對任意兩個事件A與B，有P(A∪B)=P(A)+P(B)－P(AB)

以上公式就被稱為全概率公式。

Ⅱ 什麼是用水定額概率測演算法

概率測定法的主要方法是水平衡測試。是指在一定的生產技術和用水條件下，通過對某種產品的生產過程用水量和產品產量進行實測和分析計算，並考慮各種影響因素加以修正，從而確定用水定額的方法。
概率測定法的一般程序如下。
（1）測定時段內生產技術和管理應處於正常條件下。
（2）選擇有代表性的生產時段進行測定，即要考慮產品生產的復雜性和影響用水的季節變化等因素。
（3）確定測定次數進行水平衡測試，以獲取制定定額所需各類用水數據。
（4）對水平衡測試階段內的產品產量進行統計計算。
（5）計算第i次測定的單位產品用水量 。
（m3／單位產品）
式中： ——第i次測定的用水量值，m3；
——與 對應的產品數量。
（6）據 值，計算其平均值 。

式中： ——測定次數。
（7）分析各類影響因素，對 值進行修正，最終確定該類產品的用水定額。

Ⅲ 概率計算公式是什麼

條件概率：

條件概率：已知事件B出現的條件下A出現的概率，稱為條件概率，記作：P(A|B)

條件概率計算公式：

當P(A)>0，P(B|A)=P(AB)/P(A)

當P(B)>0，P(A|B)=P(AB)/P(B)

乘法公式：

P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

推廣：P(ABC)=P(A)P(B|A)P(C|AB)

全概率公式：

設：若事件A1，A2，…，An互不相容，且A1+A2+…+An=Ω，則稱A1，A2，…，An構成一個完備事件組。

概率演算法：概率演算法的一個基本特徵是，對所求問題的同一實例用同一概率演算法求解兩次可能得到完全不同的效果。

隨機數在概率演算法設計中扮演著十分重要的角色。在現實計算機上無法產生真正的隨機數，因此在概率演算法中使用的隨機數都是一定程度上隨機的，即偽隨機數。

Ⅳ 概率演算法的概率

概率演算法的一個基本特徵是對所求解問題的同一實例用同一概率演算法求解兩次可能得到完全不同的效果。這兩次求解問題所需的時間甚至所得到的結果可能會有相當大的差別。一般情況下，可將概率演算法大致分為四類:數值概率演算法，蒙特卡羅（Monte Carlo）演算法，拉斯維加斯（Las Vegas）演算法和舍伍德（Sherwood）演算法。
數值概率演算法常用於數值問題的求解。這類演算法所得到的往往是近似解。而且近似解的精度隨計算時間的增加不斷提高。在許多情況下，要計算出問題的精確解是不可能或沒有必要的，因此用數值概率演算法可得到相當滿意的解。
蒙特卡羅演算法用於求問題的准確解。對於許多問題來說，近似解毫無意義。例如，一個判定問題其解為「是」或「否」，二者必居其一，不存在任何近似解答。又如，我們要求一個整數的因子時所給出的解答必須是准確的，一個整數的近似因子沒有任何意義。用蒙特卡羅演算法能求得問題的一個解，但這個解未必是正確的。求得正確解的概率依賴於演算法所用的時間。演算法所用的時間越多，得到正確解的概率就越高。蒙特卡羅演算法的主要缺點就在於此。一般情況下，無法有效判斷得到的解是否肯定正確。
拉斯維加斯演算法不會得到不正確的解，一旦用拉斯維加斯演算法找到一個解，那麼這個解肯定是正確的。但是有時候用拉斯維加斯演算法可能找不到解。與蒙特卡羅演算法類似。拉斯維加斯演算法得到正確解的概率隨著它用的計算時間的增加而提高。對於所求解問題的任一實例，用同一拉斯維加斯演算法反復對該實例求解足夠多次，可使求解失效的概率任意小。
舍伍德演算法總能求得問題的一個解，且所求得的解總是正確的。當一個確定性演算法在最壞情況下的計算復雜性與其在平均情況下的計算復雜性有較大差別時，可以在這個確定演算法中引入隨機性將它改造成一個舍伍德演算法，消除或減少問題的好壞實例間的這種差別。舍伍德演算法精髓不是避免演算法的最壞情況行為，而是設法消除這種最壞行為與特定實例之間的關聯性。

Ⅳ 概率演算法

最近做了一個活動抽獎需求，項目需要控制預算，概率需要分布均勻，這樣才能獲得所需要的概率結果。
例如抽獎得到紅包獎金，而每個獎金的分布都有一定概率：

現在的問題就是如何根據概率分配給用戶一定數量的紅包。

演算法思路 ：生成一個列表，分成幾個區間，例如列表長度100，1-40是0.01-1元的區間，41-65是1-2元的區間等，然後隨機從100取出一個數，看落在哪個區間，獲得紅包區間，最後用隨機函數在這個紅包區間內獲得對應紅包數。

時間復雜度 ：預處理O(MN)，隨機數生成O(1)，空間復雜度O(MN)，其中N代表紅包種類，M則由最低概率決定。

優缺點 ：該方法優點是實現簡單，構造完成之後生成隨機類型的時間復雜度就是O(1)，缺點是精度不夠高，佔用空間大，尤其是在類型很多的時候。

演算法思路 ：離散演算法通過概率分布構造幾個點[40, 65, 85, 95,100]，構造的數組的值就是前面概率依次累加的概率之和。在生成1~100的隨機數，看它落在哪個區間，比如50在[40,65]之間，就是類型2。在查找時，可以採用線性查找，或效率更高的二分查找。

演算法復雜度 ：比一般演算法減少佔用空間，還可以採用二分法找出R，這樣，預處理O(N)，隨機數生成O(logN)，空間復雜度O(N)。

優缺點 ：比一般演算法佔用空間減少，空間復雜度O(N)。

演算法思路 ：Alias Method將每種概率當做一列，該演算法最終的結果是要構造拼裝出一個每一列合都為1的矩形，若每一列最後都要為1，那麼要將所有元素都乘以5（概率類型的數量）。

此時會有概率大於1的和小於1的，接下來就是構造出某種演算法用大於1的補足小於1的，使每種概率最後都為1，注意，這里要遵循一個限制：每列至多是兩種概率的組合。

最終，我們得到了兩個數組，一個是在下面原始的prob數組[0.75,0.25,0.5,0.25,1]，另外就是在上面補充的Alias數組，其值代表填充的那一列的序號索引，（如果這一列上不需填充，那麼就是NULL），[4,4,0,1,NULL]。當然，最終的結果可能不止一種，你也可能得到其他結果。

舉例驗證下，比如取第二列，讓prob[1]的值與一個隨機小數f比較，如果f小於prob[1]，那麼結果就是2-3元，否則就是Alias[1]，即4。

我們可以來簡單驗證一下，比如隨機到第二列的概率是0.2，得到第三列下半部分的概率為0.2 * 0.25，記得在第四列還有它的一部分，那裡的概率為0.2 * (1-0.25)，兩者相加最終的結果還是0.2 * 0.25 + 0.2 * (1-0.25) = 0.2，符合原來第二列的概率per[1]。

演算法復雜度 ：預處理O(NlogN)，隨機數生成O(1)，空間復雜度O(2N)。

優缺點 ：這種演算法初始化較復雜，但生成隨機結果的時間復雜度為O(1)，是一種性能非常好的演算法。

Ⅵ 概率計算公式

12粒圍棋子從中任取3粒的總數是C(12,3)

取到3粒的都是白子的情況是C(8,3)

∴概率
C(8,3)
P=——————=14/55
C(12,3)

附：排列、組合公式

排列：從n個不同的元素中取m(m≤n)個元素，按照一定的順序排成一排，叫做從n個不同的元素中取m個元素的排列。
排列數：從n個不同的元素中取m(m≤n)個元素的所有排列的個數，叫做從n個不同元素中取出m個元素的排列數，記為Anm
排列公式：A(n,m)=n*(n-1)*.....(n-m+1)
A(n,m)=n!/(n-m)!
組合：從n個不同的元素中，任取m(m≤n)個元素並成一組，叫做從n個不同的元素中取m個元素的組合。
組合數：從n個不同的元素中取m(m≤n)個元素的所有組合的個數，叫做從n個不同元素中取出m個元素的組合數，記為Cnm
組合公式：C(n,m)=A(n,m)/m!=n!/(m!*(n-m)!)
C(n,m)=C(n,n-m)

Ⅶ 概率計算演算法

由於已知馬爾可夫模型參數和觀察序列，所以有

所以，利用最後一條公式就可求出概率，但是此時運算次數為 (T+T+2)*N ^T ，時間復雜度為O(TN ^T )

把隱馬模型想像成一個T×N個頂點的圖，其意義為T個時刻，每個時刻都有N種可能的狀態。每個點為T個時刻，N中狀態集合中的一種，每條邊為從 i 時刻某個狀態到 i+1 時刻另外一個狀態的轉移。

每個點存儲前向概率，每條邊記錄 a _{i T j T} *b _jk 。即 T 時刻是狀態 i ，且從狀態 i 轉移到狀態 j 的概率以及狀態 j 產生觀測 k 的概率。

前向概率定義：在此模型下，輸入如此觀測序列且當前狀態為 q _i 的概率

演算法：

後向概率：此刻狀態為q _i ，後面序列出現的概率是多大。