概率编程

⑴ 1.1 什么是概率编程

概率编程是一种系统创建方法，它所创建的系统能够帮助我们在面对不确定性时做出决策。许多日常决策涉及在确定无法直接观测的相关因素时的判断能力。历史上，帮助在不确定性下做出决策的方法之一是使用概率推理系统。概率推理将我们对某种情况的认识和概率法则结合起来，确定无法观测的决策关键因素。直到最近，概率推理系统的范围仍然有限，难以应用到许多现实情况中。概率编程是一种新方法，它使概率推理系统更容易构建，适用范围更广。
要理解概率编程，首先要观察不确定性条件下的决策过程和涉及的主观判断。然后，您将了解概率推理是如何帮助您做出决策的。您将注意到概率推理系统所能进行的3种推理，也就能理解概率编程，以及通过编程语言的能力用概率编程构建概率推理系统的方法。

⑵ c++概率编程问题，多个选一个

# include "iostream.h"
# include "stdlib.h"
void main()
{
int a[100]={0};//给定的数组a[100]
int b,c;
b=rand();//产生随机数
c=b%100;
if(a[c]==0)cout<<"a"<<endl;
if(a[c]==1)cout<<"b"<<endl;
if(a[c]==2)cout<<"c"<<endl;
//给定数组赋值为零，输出结果a
}

⑶ matlab中概率情况怎么编程

随机变量的累积概率值(分布函数值)
1 通用函数计算累积概率值
命令 通用函数cdf用来计算随机变量的概率之和(累积概率值)
函数 cdf
格式
说明 返回以name为分布,随机变量X≤K的概率之和的累积概率值,name的取值见表4-1 常见分布函数表

2 专用函数计算累积概率值(随机变量的概率之和)
命令 二项分布的累积概率值
函数 binocdf
格式 binocdf (k, n, p) %n为试验总次数,p为每次试验事件A发生的概率,k为n次试验中事件A发生的次数,该命令返回n次试验中事件A恰好发生k次的概率.
命令 正态分布的累积概率值
函数 normcdf
格式 normcdf() %返回F(x)=的值,mu,sigma为正态分布的两个参数表

专用函数的累积概率值函数表
函数名
调用形式
注 释
unifcdf
unifcdf (x, a, b)
[a,b]上均匀分布(连续)累积分布函数值 F(x)=P{X≤x}
unidcdf
unidcdf(x,n)
均匀分布(离散)累积分布函数值 F(x)=P{X≤x}
expcdf
expcdf(x, Lambda)
参数为Lambda的指数分布累积分布函数值 F(x)=P{X≤x}
normcdf
normcdf(x, mu, sigma)
参数为mu,sigma的正态分布累积分布函数值 F(x)=P{X≤x}
chi2cdf
chi2cdf(x, n)
自由度为n的卡方分布累积分布函数值 F(x)=P{X≤x}
tcdf
tcdf(x, n)
自由度为n的t分布累积分布函数值 F(x)=P{X≤x}
fcdf
fcdf(x, n1, n2)
第一自由度为n1,第二自由度为n2的F分布累积分布函数值
gamcdf
gamcdf(x, a, b)
参数为a, b的分布累积分布函数值 F(x)=P{X≤x}
betacdf
betacdf(x, a, b)
参数为a, b的分布累积分布函数值 F(x)=P{X≤x}
logncdf
logncdf(x, mu, sigma)
参数为mu, sigma的对数正态分布累积分布函数值
nbincdf
nbincdf(x, R, P)
参数为R,P的负二项式分布概累积分布函数值 F(x)=P{X≤x}
ncfcdf
ncfcdf(x, n1, n2, delta)
参数为n1,n2,delta的非中心F分布累积分布函数值
nctcdf
nctcdf(x, n, delta)
参数为n,delta的非中心t分布累积分布函数值 F(x)=P{X≤x}
ncx2cdf
ncx2cdf(x, n, delta)
参数为n,delta的非中心卡方分布累积分布函数值
raylcdf
raylcdf(x, b)
参数为b的瑞利分布累积分布函数值 F(x)=P{X≤x}
weibcdf
weibcdf(x, a, b)
参数为a, b的韦伯分布累积分布函数值 F(x)=P{X≤x}
binocdf
binocdf(x,n,p)
参数为n, p的二项分布的累积分布函数值 F(x)=P{X≤x}
geocdf
geocdf(x,p)
参数为 p的几何分布的累积分布函数值 F(x)=P{X≤x}
hygecdf
hygecdf(x,M,K,N)
参数为 M,K,N的超几何分布的累积分布函数值
poisscdf
poisscdf(x,Lambda)
参数为Lambda的泊松分布的累积分布函数值 F(x)=P{X≤x}
说明 累积概率函数就是分布函数F(x)=P{X≤x}在x处的值.

⑷ 《概率编程实战》epub下载在线阅读，求百度网盘云资源

《概率编程实战》（[美]艾维·费弗 (Avi Pfeffer)）电子书网盘下载免费在线阅读

链接：https://pan..com/s/106YXe4HWZWNQ9MxXRi4oSw提取码：1234

书名：概率编程实战

作者：[美]艾维·费弗 (Avi Pfeffer)

译者：姚军

出版社：人民邮电出版社

出版年份：2017-4

页数：368

内容简介：

概率推理是不确定性条件下做出决策的重要方法，在许多领域都已经得到了广泛的应用。概率编程充分结合了概率推理模型和现代计算机编程语言，使这一方法的实施更加简便，现已在许多领域（包括炙手可热的机器学习）中崭露头角，各种概率编程系统也如雨后春笋般出现。本书的作者Avi Pfeffer正是主流概率编程系统Figaro的首席开发者，他以详尽的实例、清晰易懂的解说引领读者进入这一过去令人望而生畏的领域。通读本书，可以发现概率编程并非“疯狂科学家”们的专利，无需艰深的数学知识，就可以构思出解决许多实际问题的概率模型，进而利用现代概率编程系统的强大功能解题。本书既可以作为概率编程的入门读物，也可以帮助已经有一定基础的读者熟悉Figaro这一概率编程利器。

作者简介：

Avi Pfeffer是概率编程的先驱，Figaro概率编程语言的首席设计者和开发者。在Charles River Analytics公司，Avi Pfeffer致力于Figaro在多个问题上的应用，包括恶意软件分析、汽车健康监控、气象模型建立和工程系统评估。在闲暇时，Avi Pfeffer是一位歌手、作曲家和音乐制作人。他和妻子及三个孩子在马萨诸塞州坎布里奇生活。

⑸ 概率编程技术能彻底取代神经网络吗

示例程序见附件，其为一个简单的时间序列预测算例。其实所有的预测问题，本质都是一样的，通过对样本的学习，将网络训练成一个能反映时间序列内部非线性规律的系统，最终应用于预测。BP（BackPropagation）神经网络是86年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。

⑹ 概率问题编程解决最好

#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);

}

前者是次数，后者是概率。

⑺ 概率编程比较适用于哪些问题

而频率派的观点，他们设定概率是事件的长期频率。比如飞机发生事故的概率，频率派解释为飞机事故的长期频率。这在很多事件的概率问题上看上去确实有逻辑合理性，但当一个事件不会经常出现，无法统计长期的发生频率的话，就很难解释通了。比如总统选举的概率，因为该选举只发生一次。

⑻ 关于概率的程序设计

那就生成随机数 ，第一次设置生成的随机数大于五 概率为50% 第二次设置大于6为60% 依次类推

⑼ 哪位计算机达人知道概率如何用编程实现啊

详细代码请参阅我下面给出的参考地址 东西太多 不好复制

很多算法的每一个计算步骤都是固定的，而在下面我们要讨论的概率算法，允许算法在执行的过程中随机选择下一个计算步骤。许多情况下，当算法在执行过程中面临一个选择时，随机性选择常比最优选择省时。因此概率算法可在很大程度上降低算法的复杂度。

概率算法的一个基本特征是对所求解问题的同一实例用同一概率算法求解两次可能得到完全不同的效果。这两次求解问题所需的时间甚至所得到的结果可能会有相当大的差别。一般情况下，可将概率算法大致分为四类:数值概率算法，蒙特卡罗（Monte Carlo）算法，拉斯维加斯（Las Vegas）算法和舍伍德（Sherwood）算法。

数值概率算法常用于数值问题的求解。这类算法所得到的往往是近似解。而且近似解的精度随计算时间的增加不断提高。在许多情况下，要计算出问题的精确解是不可能或没有必要的，因此用数值概率算法可得到相当满意的解。

蒙特卡罗算法用于求问题的准确解。对于许多问题来说，近似解毫无意义。例如，一个判定问题其解为“是”或“否”，二者必居其一，不存在任何近似解答。又如，我们要求一个整数的因子时所给出的解答必须是准确的，一个整数的近似因子没有任何意义。用蒙特卡罗算法能求得问题的一个解，但这个解未必是正确的。求得正确解的概率依赖于算法所用的时间。算法所用的时间越多，得到正确解的概率就越高。蒙特卡罗算法的主要缺点就在于此。一般情况下，无法有效判断得到的解是否肯定正确。

拉斯维加斯算法不会得到不正确的解，一旦用拉斯维加斯算法找到一个解，那么这个解肯定是正确的。但是有时候用拉斯维加斯算法可能找不到解。与蒙特卡罗算法类似。拉斯维加斯算法得到正确解的概率随着它用的计算时间的增加而提高。对于所求解问题的任一实例，用同一拉斯维加斯算法反复对该实例求解足够多次，可使求解失效的概率任意小。

舍伍德算法总能求得问题的一个解，且所求得的解总是正确的。当一个确定性算法在最坏情况下的计算复杂性与其在平均情况下的计算复杂性有较大差别时，可以在这个确定算法中引入随机性将它改造成一个舍伍德算法，消除或减少问题的好坏实例间的这种差别。舍伍德算法精髓不是避免算法的最坏情况行为，而是设法消除这种最坏行为与特定实例之间的关联性。