机器学习小组知识点16:指数分布(Exponential Distribution)
试用环境
指数分布是事件的时间间隔的概率。下面这些都属于指数分布。
婴儿出生的时间间隔
来电的时间间隔
奶粉销售的时间间隔
网站访问的时间间隔
推导
指数分布的公式可以从泊松分布推断出来。如果下一个婴儿要间隔时间 t ,就等同于 t 之内没有任何婴儿出生。
P(X>t)=P(N(t)=0)=\frac{(\lambda t)^0e^{-\lambda t}}{0!}=e^{-\lambda t}
反过来,事件在时间 t 之内发生的概率,就是1减去上面的值。即:
P(X\leq t)=1-P(X>t)=1-e^{-\lambda t}
累积分布函数
累积分布函数可以写成:
{\displaystyle F(x;\lambda )=\left\{{\begin{matrix}1-e^{-\lambda x}&,\;x\geq 0,\\0&,\;x
概率密度函数
一个指数分布的概率密度函数是:
{\displaystyle f(x;\lambda )=\left\{{\begin{matrix}\lambda e^{-\lambda x}&,\;x\geq 0,\\0&,\;x
推导比较简单,就是累计分布求导嘛。
记号
若随机变量X {\displaystyle X} 服从参数为λ {\displaystyle \lambda } 的指数分布,则记为 X∼Exp(λ){\displaystyle X\sim Exp(\lambda )} .
期望值和方差
随机变量XX (XX 的率参数是λλ) 的期望值是:
\mathbf{E}[X] = \frac{1}{\lambda}
有种直观的解释理解这个期望:如果你平均每个小时接到2次电话(泊松分布中均值为2次),那么你预期等待每一次电话的时间是半个小时。
X 的方差是:
{\displaystyle \mathbf {D} [X]={\frac {1}{\lambda ^{2}}}}
推倒过程,根据方差的定义,结合密度函数来求即可。
机器学习小组知识点16:指数分布(Exponential Distribution)相关推荐
- 机器学习小组知识点45:批量梯度下降法(BGD)和随机梯度下降法(SGD)的代码实现Matlab版1
原 机器学习小组知识点4&5:批量梯度下降法(BGD)和随机梯度下降法(SGD)的代码实现Matlab版 2016年10月19日 10:17:28 Eric2016_Lv 阅读数:3379 这 ...
- 【概率论】指数分布 Exponential Distribution
要先理解 泊松分布, 再过来看指数分布. 泊松分布是单位时间内独立事件发生次数的概率分布,指数分布是独立事件的时间间隔的概率分布.二者共享同一个参数 λλ\lambda, 因为指数分布描述的是两个独立 ...
- 机器学习小组知识点17:对数正态分布(Logarithmic Normal Distribution)
这块儿我是真的没听说过,所以直接抄了维基百科,维基万岁! 概率密度函数 在概率论与统计学中,对数正态分布是对数为正态分布的任意随机变量的概率分布.如果 X X 是正态分布的随机变量,则 exp(X)e ...
- 机器学习小组知识点14:均匀分布(Uniform Distribution)
定义[编辑] 一个均匀分布在区间[a,b]上的连续型随机变量 X {\displaystyle X} 可给出如下函数: 概率密度函数: f(x)=⎧⎩⎨1b−a0 for a≤x≤belsewhe ...
- 机器学习小组知识点7:伯努利分布(Bernouli Distribution)
适用环境:伯努利分布是较为简单的一种分布,应用于两种实验结果.要么成功,要么失败,一定程度上是二元的性质.这里,我们假设成功的概率为 p p,显然失败的概率就变成了1−p1-p. 概率公式可以表示为 ...
- 机器学习小组知识点31:重要性采样(Importance Sampling )
重要性采样的历史要追溯到20世纪40年代,感兴趣的同学可以查看相关的文献. 接下来我们要介绍另一个重要的proposal distribution q(x)q(x)使得他的支撑包含p(x)p(x)的支 ...
- 机器学习小组知识点36:FCM聚类
Reference: https://home.deib.polimi.it/matteucc/Clustering/tutorial_html/cmeans.html
- 机器学习小组知识点4:批量梯度下降法(BGD)
详情请点击资源页进行下载 http://download.csdn.net/detail/eric2016_lv/9657140 不用怕,免费! 致谢:感谢肖凯博士为本资源的整理和归纳,另外感谢上海交 ...
- 机器学习小组知识点1:均方误差(MSE)
均方误差单独扽概念是很简单的,这里只做介绍,更深一步的内容会在后面列出来. SSE(和方差.误差平方和):The sum of squares due to error MSE(均方差.方差):Mea ...
最新文章
- 为什么数据库连接池不采用 IO 多路复用?
- redis.conf 配置档详解
- JavaScript + Tampermonkey——易班优课YOOC课群在线测试自动答题解决方案(十七)复合型解决方案油猴脚本
- php 段落加上标签,php – 如何在段落中添加ReadMore
- 我们很需要“企业即时通讯”
- 炸锅了!阿里Ant Design前端框架的圣诞彩蛋事件
- java dispose方法_java-dispose方法
- Struts2 s:iterator 用法
- PIE SDK栅格生成等值线、面
- Java中的指针---Unsafe应用解析
- python 随机选择数字
- pdf用什么软件编辑最方便
- C++模板(函数模板/类模板)
- 如何使用Pixelmator Pro处理图片?mac pixelmator使用教程
- docker镜像加速,docker更换为国内镜像
- 外盘期货分仓软件(如智星系统,信管家)等功能
- 2021-04 提高转化-基础销量+基础销量+晒图买家秀+精心设计的问大家
- 3ds Max 2014以及低版本在高分辨率带DPI缩放设置的应用程序设置
- protobuf在C++和Python的使用
- 相干解调与非相干解调
热门文章
- android studio inspect code,Android Studio使用inspect code删除 unused import
- python 获取lazada菲律宾站地址库
- 日本自动外币兑换机公司ActPro在两年半时间内占据全球市场份额第一名
- 多商户商城系统功能拆解06讲-平台端商家入驻协议
- mybatis 支持的标签操作
- 编译文件时报错:错误: 编码GBK的不可映射字符
- 智能微型断路器与其他断路器的区别
- 链表操作——两数相加
- docker:flag provided but not defined:--network
- C语言 定义函数妇女 判定整数n,【详解】C语言:编写一个函数itob(int n,char s[], int b),将整数n转换为以b进制的数。保存到s中。...