5bei.cn大模型教程网1. 贝叶斯定理（贝叶斯公式和全概率公式）
定义：在信息和条件有限的情况下，基于过去的数据，通过动态调整的方法，帮助我们一步步预测出事件发生的接近真实的概率。
贝叶斯定理基于条件概率的定义，条件概率表示事件 A 在事件 B 已经发生的条件下发生的概率
条件概率公式：
P
(
A
∣
B
)
=
P
(
A
∩
B
)
P
(
B
)
，
P
(
B
∣
A
)
=
P
(
A
∩
B
)
P
(
A
)
P(A|B) = frac{P(A∩B)}{P(B)}，P(B|A) = frac{P(A∩B)}{P(A)}
P(A∣B)=P(B)P(A∩B)，P(B∣A)=P(A)P(A∩B)
上述二者结合可以得到贝叶斯公式：
P
(
A
∣
B
)
=
P
(
B
∣
A
)
⋅
P
(
A
)
P
(
B
)
P(A|B) = frac{P(B|A)·P(A)}{P(B)}
P(A∣B)=P(B)P(B∣A)⋅P(A)
各个部分的含义
P(A|B)：后验概率
P(A)：先验概率
P(B|A)：似然函数 在 A 发生的条件下，事件 B 发生的概率，通常由模型或数据决定。
P(B)：边际概率，事件 B的总体概率，可以通过所有可能导致 B发生的情况求和得到
P
(
B
)
=
P
(
B
∣
A
)
⋅
P
(
A
)
+
P
(
B
∣
¬
A
)
⋅
P
(
¬
A
)
P(B) =P(B|A)·P(A)+P(B|¬A)·P(¬A)
P(B)=P(B∣A)⋅P(A)+P(B∣¬A)⋅P(¬A)
由边际概率可以引出全概率公式：用于计算一个复杂事件的概率，方法是把它拆分成多个互斥的简单情况（划分完备事件组），再分别加权求和。
2. 概率题
2.1 随机发生器的概率为1/2
已知一个随机发生器，生成 0 的概率为 p ，生成 1 的概率为 1 – p 。请构造一个新的随机发生器，使其生成 0 和 1 的概率均为 1/2。
答案：让该随机数生成器生成两个数，那么序列是00,01,10,11概率分别为 p* p,p(1-p),(1-p)p,(1-p)(1-p)。这四种情况中存在两个独立的事件概率是相等。也就是01和10，那么我把01看成是0,10看成是1，那么他们输出的概率均为p(1-p)，其他的情况舍弃。这样就得到了0和1均等生成的随机器了。这种解法可以推广到n个数的情况，我们知道，取n个随机数发生器，存在n个概率相同的独立事件，我们只使用这n个事件就得到1/n的概率了。例如n=3, 有8中情况000, 001, 010, 011, 100, 101, 110, 111，其中001,010,100的概率都是p^2*(1-p)。
文章来源于互联网:概率相关问题
今天我们一起利用Apache Jmeter（一种接口测试工具）来进行压力测试学习。压力测试主要目的是测试负载均衡的实现效果。 安装Jmeter这里就不做阐述了，上网下载个最新版就可以了，因为Jmeter是由JAVA语言开发的，所以安装之前先把java环境配置好…
