常見的概率分佈
分佈 |
公式 |
期望 |
方差 |
二項分佈 |
f(X=k)=k!(n−k!)n!pk(1−p)n−k |
np |
np(1-p) |
高斯分佈 |
f(X)=2π1exp(−2σ2(x−μ)2) |
μ |
σ2 |
泊松分佈 |
P(X=k)=k=0∑∞k!λke−λ |
λ |
λ |
均勻分佈 |
P(X)=a+b1 |
2a+b |
12(b−a)2 |
指數分佈 |
f(x)={λe−λ0,x≥0,x≤0 |
λ |
λ |
Beta分佈
beta分佈可以看做是觀察一系列的二項分佈的分佈,我們可以用實際檢驗的分佈數據來進行分佈的統計,從這個分佈中我們可以計算出所有概率出現的可能性大小,所以也叫做概率的概率分佈。
其分佈的概率密度公式爲:
f(p;α,β)=∫01μα−1(1−μ)β−1dμpα−1(1−p)β−1=Γ(α)Γ(β)Γ(α+β)xα−1(1−x)β−1
從第一個等式的積分項可以看出其是對二項分佈各種概率的積分。
指數族分佈
對於一些分佈我們可以將其轉化爲指數族分佈的形式進行表示。
指數族分佈的表達式(η爲一個參數)
P(x;η)=h(x)eηT(x)−A(η)
其中h(x)爲底層觀測值
T(x)爲充分統計量
A(η)爲對數規則化
協方差
協方差表示的是兩個隨機變量是否具有相同方向變化趨勢的變量。
協方差的公式爲:
cov(X,Y)=E(XY)−E(X)E(Y)
協方差與獨立之間有兩個關係:
協方差爲0表示這兩個變量不相關,即兩個變量的線性獨立,但是無法推出兩個變量獨立。
而兩個變量獨立可以推出兩個變量協方差爲0
協方差矩陣
當存在多個變量時,協方差矩陣表示兩兩變量之間的協方差組成的矩陣,協方差矩陣爲對稱矩陣。
切比雪夫不等式
切比雪夫不等式表示在已知期望以及方差後,變量落在各個區間內的概率
P{∣x−μ∣≥ε}≤ε2σ2
X變量的方差越小,事件{∣x−μ∣<ε}發生的概率越小。
大數定律
針對與隨機變量X1,X2,…Xn互相獨立,且具有相同期望和方差。
n→∞lim{∣Yn−μ∣<ε}=1
中心極限定理
X1,X2,…Xn互相獨立且具有相同的期望則其可以收斂到標準正態分佈。
Yn=nσi=1∑nXi−nμ
最大似然估計
利用已知信息反推出最有可能導致樣本結果出現的模型參數值。