游戏开发-游戏物理与仿真-数学与物理基础_数学基础：概率论与数理统计.docxVIP

PAGE1

PAGE1

概率论基础

概率论是研究随机现象的数学分支，它提供了描述和分析不确定性的工具。在概率论中，我们关注的是事件发生的可能性，以及如何通过数学模型来预测这些事件。

1基本概念

随机试验：一个试验，其结果不能确定，但所有可能的结果是已知的。

样本空间：随机试验所有可能结果的集合。

事件：样本空间的子集，代表一个或多个结果的集合。

概率：事件发生的可能性的度量，范围在0到1之间。

2概率的计算

概率的计算基于概率的三个公理：

对于任何事件A，其概率P(A)≥0。

样本空间S的概率P(S)=1。

如果事件A和B是互斥的，那么P(A∪B)=P(A)+P(B)。

2.1示例：投掷一枚公平的骰子

#投掷一枚公平的骰子，计算点数为3的概率

#定义样本空间

sample_space=[1,2,3,4,5,6]

#定义事件A：点数为3

event_A=[3]

#计算概率

probability_A=len(event_A)/len(sample_space)

#输出结果

print(点数为3的概率为：,probability_A)

1随机变量与分布

随机变量是将样本空间中的结果映射到实数集上的函数。随机变量的分布描述了随机变量取值的概率。

1.1离散随机变量

离散随机变量的取值是有限或可数无限的。其分布可以通过概率质量函数（PMF）来描述。

1.1.1示例：二项分布

二项分布描述了在n次独立的伯努利试验中，成功次数k的概率分布。

fromscipy.statsimportbinom

#定义二项分布的参数

n=10#试验次数

p=0.5#成功概率

#计算k=3时的概率

k=3

probability_k=binom.pmf(k,n,p)

#输出结果

print(在10次试验中，成功3次的概率为：,probability_k)

1.2连续随机变量

连续随机变量的取值是连续的。其分布可以通过概率密度函数（PDF）来描述。

1.2.1示例：正态分布

正态分布是最常见的连续随机变量分布，由均值μ和标准差σ参数化。

fromscipy.statsimportnorm

importnumpyasnp

importmatplotlib.pyplotasplt

#定义正态分布的参数

mu=0

sigma=1

#创建x值

x=np.linspace(mu-3*sigma,mu+3*sigma,100)

#计算概率密度函数

pdf=norm.pdf(x,mu,sigma)

#绘制正态分布的PDF

plt.plot(x,pdf)

plt.title(正态分布的概率密度函数)

plt.show()

2数理统计基础

数理统计是概率论的应用，用于从数据中提取信息和推断。

2.1统计量

统计量是基于样本数据计算的量，用于描述样本的特征。

2.1.1示例：样本均值和方差

importnumpyasnp

#定义样本数据

data=np.array([1,2,3,4,5])

#计算样本均值

mean=np.mean(data)

#计算样本方差

variance=np.var(data)

#输出结果

print(样本均值为：,mean)

print(样本方差为：,variance)

3参数估计

参数估计是根据样本数据来估计总体参数的过程。

3.1点估计

点估计是用一个具体的数值来估计参数。

3.1.1示例：最大似然估计

最大似然估计（MLE）是一种常用的点估计方法，它基于样本数据来找到最有可能产生这些数据的参数值。

fromscipy.statsimportnorm

#定义样本数据

data=np.array([1.0,1.5,0.5,1.0,0.0])

#定义似然函数

deflikelihood(theta,data):

mu,sigma=theta

returnnp.prod(norm.pdf(data,mu,sigma))

#定义MLE估计函数

defmle_estimate(data):

mu=np.mean(data)

sigma=np.std(data)

returnmu,sigma

#计算MLE估计

mu_hat,sigma_hat=mle_estimate(data)

#输出结果

print(MLE估计的均值为：,mu_hat)

print(MLE估计的标准差为：,