概率編程

⑴ 1.1 什麼是概率編程

概率編程是一種系統創建方法，它所創建的系統能夠幫助我們在面對不確定性時做出決策。許多日常決策涉及在確定無法直接觀測的相關因素時的判斷能力。歷史上，幫助在不確定性下做出決策的方法之一是使用概率推理系統。概率推理將我們對某種情況的認識和概率法則結合起來，確定無法觀測的決策關鍵因素。直到最近，概率推理系統的范圍仍然有限，難以應用到許多現實情況中。概率編程是一種新方法，它使概率推理系統更容易構建，適用范圍更廣。
要理解概率編程，首先要觀察不確定性條件下的決策過程和涉及的主觀判斷。然後，您將了解概率推理是如何幫助您做出決策的。您將注意到概率推理系統所能進行的3種推理，也就能理解概率編程，以及通過編程語言的能力用概率編程構建概率推理系統的方法。

⑵ c++概率編程問題，多個選一個

# include "iostream.h"
# include "stdlib.h"
void main()
{
int a[100]={0};//給定的數組a[100]
int b,c;
b=rand();//產生隨機數
c=b%100;
if(a[c]==0)cout<<"a"<<endl;
if(a[c]==1)cout<<"b"<<endl;
if(a[c]==2)cout<<"c"<<endl;
//給定數組賦值為零，輸出結果a
}

⑶ matlab中概率情況怎麼編程

隨機變數的累積概率值(分布函數值)
1 通用函數計算累積概率值
命令 通用函數cdf用來計算隨機變數的概率之和(累積概率值)
函數 cdf
格式
說明 返回以name為分布,隨機變數X≤K的概率之和的累積概率值,name的取值見表4-1 常見分布函數表

2 專用函數計算累積概率值(隨機變數的概率之和)
命令 二項分布的累積概率值
函數 binocdf
格式 binocdf (k, n, p) %n為試驗總次數,p為每次試驗事件A發生的概率,k為n次試驗中事件A發生的次數,該命令返回n次試驗中事件A恰好發生k次的概率.
命令 正態分布的累積概率值
函數 normcdf
格式 normcdf() %返回F(x)=的值,mu,sigma為正態分布的兩個參數表

專用函數的累積概率值函數表
函數名
調用形式
注 釋
unifcdf
unifcdf (x, a, b)
[a,b]上均勻分布(連續)累積分布函數值 F(x)=P{X≤x}
unidcdf
unidcdf(x,n)
均勻分布(離散)累積分布函數值 F(x)=P{X≤x}
expcdf
expcdf(x, Lambda)
參數為Lambda的指數分布累積分布函數值 F(x)=P{X≤x}
normcdf
normcdf(x, mu, sigma)
參數為mu,sigma的正態分布累積分布函數值 F(x)=P{X≤x}
chi2cdf
chi2cdf(x, n)
自由度為n的卡方分布累積分布函數值 F(x)=P{X≤x}
tcdf
tcdf(x, n)
自由度為n的t分布累積分布函數值 F(x)=P{X≤x}
fcdf
fcdf(x, n1, n2)
第一自由度為n1,第二自由度為n2的F分布累積分布函數值
gamcdf
gamcdf(x, a, b)
參數為a, b的分布累積分布函數值 F(x)=P{X≤x}
betacdf
betacdf(x, a, b)
參數為a, b的分布累積分布函數值 F(x)=P{X≤x}
logncdf
logncdf(x, mu, sigma)
參數為mu, sigma的對數正態分布累積分布函數值
nbincdf
nbincdf(x, R, P)
參數為R,P的負二項式分布概累積分布函數值 F(x)=P{X≤x}
ncfcdf
ncfcdf(x, n1, n2, delta)
參數為n1,n2,delta的非中心F分布累積分布函數值
nctcdf
nctcdf(x, n, delta)
參數為n,delta的非中心t分布累積分布函數值 F(x)=P{X≤x}
ncx2cdf
ncx2cdf(x, n, delta)
參數為n,delta的非中心卡方分布累積分布函數值
raylcdf
raylcdf(x, b)
參數為b的瑞利分布累積分布函數值 F(x)=P{X≤x}
weibcdf
weibcdf(x, a, b)
參數為a, b的韋伯分布累積分布函數值 F(x)=P{X≤x}
binocdf
binocdf(x,n,p)
參數為n, p的二項分布的累積分布函數值 F(x)=P{X≤x}
geocdf
geocdf(x,p)
參數為 p的幾何分布的累積分布函數值 F(x)=P{X≤x}
hygecdf
hygecdf(x,M,K,N)
參數為 M,K,N的超幾何分布的累積分布函數值
poisscdf
poisscdf(x,Lambda)
參數為Lambda的泊松分布的累積分布函數值 F(x)=P{X≤x}
說明 累積概率函數就是分布函數F(x)=P{X≤x}在x處的值.

⑷ 《概率編程實戰》epub下載在線閱讀，求百度網盤雲資源

《概率編程實戰》（[美]艾維·費弗 (Avi Pfeffer)）電子書網盤下載免費在線閱讀

鏈接：https://pan..com/s/106YXe4HWZWNQ9MxXRi4oSw提取碼：1234

書名：概率編程實戰

作者：[美]艾維·費弗 (Avi Pfeffer)

譯者：姚軍

出版社：人民郵電出版社

出版年份：2017-4

頁數：368

內容簡介：

概率推理是不確定性條件下做出決策的重要方法，在許多領域都已經得到了廣泛的應用。概率編程充分結合了概率推理模型和現代計算機編程語言，使這一方法的實施更加簡便，現已在許多領域（包括炙手可熱的機器學習）中嶄露頭角，各種概率編程系統也如雨後春筍般出現。本書的作者Avi Pfeffer正是主流概率編程系統Figaro的首席開發者，他以詳盡的實例、清晰易懂的解說引領讀者進入這一過去令人望而生畏的領域。通讀本書，可以發現概率編程並非「瘋狂科學家」們的專利，無需艱深的數學知識，就可以構思出解決許多實際問題的概率模型，進而利用現代概率編程系統的強大功能解題。本書既可以作為概率編程的入門讀物，也可以幫助已經有一定基礎的讀者熟悉Figaro這一概率編程利器。

作者簡介：

Avi Pfeffer是概率編程的先驅，Figaro概率編程語言的首席設計者和開發者。在Charles River Analytics公司，Avi Pfeffer致力於Figaro在多個問題上的應用，包括惡意軟體分析、汽車健康監控、氣象模型建立和工程系統評估。在閑暇時，Avi Pfeffer是一位歌手、作曲家和音樂製作人。他和妻子及三個孩子在馬薩諸塞州坎布里奇生活。

⑸ 概率編程技術能徹底取代神經網路嗎

示常式序見附件，其為一個簡單的時間序列預測算例。其實所有的預測問題，本質都是一樣的，通過對樣本的學習，將網路訓練成一個能反映時間序列內部非線性規律的系統，最終應用於預測。BP（BackPropagation）神經網路是86年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hiddenlayer)和輸出層(outputlayer)。

⑹ 概率問題編程解決最好

#include<stdio.h>

int s=0,n=0;

void once(int k)

{

int i;

for(i=4;i<8;i++)

{

s+=i;

if(k==7&&s>34)n++;

else if(k<7)once(k+1);

s-=i;

}

}

main()

{

once(1);

printf("%d %6.4f% ",n,n/((float)4*4*4*4*4*4*4)*100);

}

前者是次數，後者是概率。

⑺ 概率編程比較適用於哪些問題

而頻率派的觀點，他們設定概率是事件的長期頻率。比如飛機發生事故的概率，頻率派解釋為飛機事故的長期頻率。這在很多事件的概率問題上看上去確實有邏輯合理性，但當一個事件不會經常出現，無法統計長期的發生頻率的話，就很難解釋通了。比如總統選舉的概率，因為該選舉只發生一次。

⑻ 關於概率的程序設計

那就生成隨機數 ，第一次設置生成的隨機數大於五 概率為50% 第二次設置大於6為60% 依次類推

⑼ 哪位計算機達人知道概率如何用編程實現啊

詳細代碼請參閱我下面給出的參考地址 東西太多 不好復制

很多演算法的每一個計算步驟都是固定的，而在下面我們要討論的概率演算法，允許演算法在執行的過程中隨機選擇下一個計算步驟。許多情況下，當演算法在執行過程中面臨一個選擇時，隨機性選擇常比最優選擇省時。因此概率演算法可在很大程度上降低演算法的復雜度。

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。