多種概率分佈總結
一. 離散概率分佈
1. 兩點分佈(伯努利分佈、0-1分佈)
- 兩點分佈也稱爲0-1分佈、伯努利分佈,隨機變量只取0或1,如一次拋硬幣實驗的正反面。概率質量函數:
- 期望、方差
- 交叉熵損失函數的樣本假設是兩點分佈
2. 二項分佈
- 二項分佈是進行n次獨立實驗,每次實驗都是一次兩點分佈,隨機變量X表示n次實驗成功次數。概率質量函數:
- 期望、方差
3. 幾何分佈
- 幾何分佈也是進行多次獨立兩點實驗,隨機變量X表示第一次成功所進行實驗的次數。概率質量函數:
- 期望、方差
4. 負二項分佈
- 負二項分佈是幾何分佈的一般形式,隨機變量X表示直到成功r次所進行實驗的次數。概率質量函數:
- 期望、方差
5. 超幾何分佈
- 隨機變量X表示(在N個物品中有指定物品M個)不放回抽取n次,抽中指定物品的個數。概率質量函數:
- 期望、方差
6. 泊松分佈
- 泊松分佈適合於描述單位時間內隨機事件發生次數的概率分佈。概率質量函數:
參數λ是單位時間(或單位面積)內隨機事件的平均發生率。
- 期望、方差
- 在二項分佈的伯努利試驗中,如果試驗次數n很大,二項分佈的概率p很小,且乘積λ= np比較適中,則事件出現的次數的概率可以用泊松分佈來逼近。https://zh.wikipedia.org/wiki/泊松分佈
- λ大概等於20時,泊松分佈基本可以近似爲正態分佈進行處理
二. 連續概率分佈
1. 均勻分佈(矩形分佈)
- 均勻分佈是對稱概率分佈,在相同長度間隔的分佈概率是等可能的。概率密度函數:
均勻分佈由兩個參數a和b定義,它們是數軸上的最小值和最大值。
- 期望、方差
2. 正態分佈(高斯分佈)
- 如果一個指標並非受到某一個因素的決定作用,而是受到綜合因素的影響,那麼這個指標分佈呈正態分佈。概率密度函數:
- 期望、方差
- 最小二乘法假設(y - θx)誤差項符合正態分佈
- MSE損失函數的樣本假設是正態分佈
- L2正則假設參數θ符合正態分佈
3. 指數分佈
- 指數分佈用來表示獨立隨機事件發生的時間間隔,比如旅客進入機場的時間間隔、打進客服中心電話的時間間隔等等。概率密度函數:
其中λ > 0是分佈的一個參數,常被稱爲率參數。即每單位時間發生該事件的次數。
- 期望、方差
4. Gamma分佈
- Gamma分佈用來表示n個獨立隨機事件都發生的時間間隔。概率密度函數:
α爲隨機事件發生次數,λ爲單位時間事件發生的次數,β=1/λ。
- 期望、方差
5. Beta分佈
- Beta分佈是概率的概率,它給出了概率出現的可能性大小。概率密度函數:
其中λ > 0是分佈的一個參數,常被稱爲率參數。即每單位時間發生該事件的次數。α爲事件發生的次數,β爲不發生的次數。
- 期望、方差
- Thompson sampling使用Beta分佈預估“臂”的可能性
6. 拉普拉斯分佈
- 拉普拉斯分佈可以看作是兩個不同位置的指數分佈背靠背拼接在一起。概率密度函數:
- 期望、方差
- L1正則假設參數θ符合Laplace分佈