✍️
mathematics_basic_for_ML
  • README
  • README
    • Summary
    • Geometry
      • EulerAngle
      • Gimbal lock
      • Quaternion
      • RiemannianManifolds
      • RotationMatrix
      • SphericalHarmonics
    • Information
      • Divergence
      • 信息熵 entropy
    • LinearAlgebra
      • 2D仿射变换(2D Affine Transformation)
      • 2DTransformation
      • 3D变换(3D Transformation)
      • ComplexTransformation
      • Conjugate
      • Hessian
      • IllConditioning
      • 逆变换(Inverse transform)
      • SVD
      • det
      • eigendecomposition
      • 矩阵
      • norm
      • orthogonal
      • special_matrix
      • trace
      • vector
    • Mathematics
      • Complex
      • ExponentialDecay
      • average
      • calculus
      • convex
      • derivative
      • 距离
      • function
      • space
      • Formula
        • euler
        • jensen
        • taylor
        • trigonometric
    • Numbers
      • 几何级数
      • SpecialNumbers
    • NumericalComputation
      • ConstrainedOptimization
      • GradientDescent
      • Newton
      • Nominal
      • ODE_SDE
      • Preprocessing
    • Probability
      • bayes
      • distribution
      • expectation_variance
      • 贝叶斯公式
      • functions
      • likelihood
      • mixture_distribution
      • 一些术语
      • probability_distribution
Powered by GitBook
On this page
  • 离散型变量的分布
  • Bernoulli 分布
  • Multinoulli 分布
  • 连续型变量的分布
  • Logistic分布
  • 正态分布(高斯分布)
  • 卡方分布
  • 指数分布
  • Laplace分布
  • Dirac分布

Was this helpful?

  1. README
  2. Probability

distribution

PreviousbayesNextexpectation_variance

Last updated 2 years ago

Was this helpful?

离散型变量的分布

Bernoulli 分布

单个二值随机变量的分布

P(X=1)=ϕP(X=0)=1−ϕP(X=a)=ϕa(a−ϕ)(1−a)E[x]=ϕVar(x)=ϕ(1−ϕ)\begin{aligned} P(X=1) = \phi \\ P(X=0) = 1 - \phi \\ P(X=a) = \phi^a(a-\phi)^{(1-a)} \\ E[x] = \phi \\ Var(x) = \phi(1-\phi) \end{aligned}P(X=1)=ϕP(X=0)=1−ϕP(X=a)=ϕa(a−ϕ)(1−a)E[x]=ϕVar(x)=ϕ(1−ϕ)​

Multinoulli 分布

具有k个不同状态的单个离散型随机变量的分布。 分布由向量p∈[0,1]k−1p \in [0,1]^{k-1}p∈[0,1]k−1参数化

P(x=i)=pi,i<kP(x=k)=1−∑ipi\begin{aligned} P(x = i) = p_i, i < k \\ P(x = k) = 1 - \sum_{i}p_i \end{aligned}P(x=i)=pi​,i<kP(x=k)=1−i∑​pi​​

通常不计算方差和期望。

连续型变量的分布

Logistic分布

定义:Logistic分布 设X是连续随机变量,X服从逻辑分布是指X具有下列函数和密度函数: 分布函数:

正态分布(高斯分布)

当对数据缺乏先验知识时,正态分布是默认的比较好的选择。

多维正态分布

各向同性(isotropic)高斯分布:

卡方分布

若n个相互独立的随机变量ξ₁,ξ₂,...,ξn ,均服从标准正态分布(也称独立同分布于标准正态分布),则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为卡方分布(chi-square distribution)。

指数分布

Laplace分布

Dirac分布

广义函数:依据积分性质定义的数学对象

F(x)=P(X≤x)=11+e−(x−μ)/γF(x) = P(X \le x) = \frac{1}{1+e^{-(x-\mu)/\gamma}}F(x)=P(X≤x)=1+e−(x−μ)/γ1​

密度函数:

f(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2f(x) = F^{'}(x) = \frac{e^{-(x-\mu)/\gamma}}{\gamma(1+e^{-(x-\mu)/\gamma})^2}f(x)=F′(x)=γ(1+e−(x−μ)/γ)2e−(x−μ)/γ​

其中:μ\muμ为位置参数,γ\gammaγ是形状参数

N(x;μ,σ2)=−12πσ2exp(−12σ2(x−μ)2)\mathcal N(x; \mu,\sigma^2) = \sqrt{-\frac {1}{2\pi\sigma^2}}exp(-\frac {1}{2\sigma^2}(x-\mu)^2)N(x;μ,σ2)=−2πσ21​​exp(−2σ21​(x−μ)2)

标准正态分布:μ=0,σ=1\mu=0, \sigma=1μ=0,σ=1

N(x;μ,Σ2)=−1(2π)n∣Σ∣2exp(−12(x−μ)Σ(x−μ)T)\mathcal N(x; \mu,\Sigma^2) = \sqrt{-\frac {1}{(2\pi)^n|\Sigma|^2}}exp(-\frac {1}{2}(x-\mu)\Sigma (x-\mu)^T)N(x;μ,Σ2)=−(2π)n∣Σ∣21​​exp(−21​(x−μ)Σ(x−μ)T)

公式中x,μx, \mux,μ都是向量,Σ\SigmaΣ是对称半正定矩阵

Σ=标量×I\Sigma = \text{标量} \times IΣ=标量×I
p(x;λ)={λexp⁡(−λ),if x≥00,if x≤0p(x;\lambda)= \begin {cases} \lambda \exp(-\lambda), && \text{if } x \ge 0 \\ 0, && \text{if } x \le 0 \end{cases}p(x;λ)={λexp(−λ),0,​​if x≥0if x≤0​
Laplace(x;μ,r)=12rexp⁡(−∣x−μ∣r)\text{Laplace}(x;\mu, r) = \frac{1}{2r}\exp(-\frac{|x-\mu|}{r})Laplace(x;μ,r)=2r1​exp(−r∣x−μ∣​)
p(x)=δ(x−μ)={>0,x=μ=0,x≠μ∫p(x)=1\begin{aligned} p(x) = \delta(x-\mu) = \begin {cases} \gt 0, & x = \mu \\ = 0, & x \neq \mu \end {cases} \\ \int p(x) = 1 \end{aligned}p(x)=δ(x−μ)={>0,=0,​x=μx=μ​∫p(x)=1​

意义:只有在定义连续型随机变量的经验公布时,δ(x)\delta(x)δ(x)才有意义