数理统计(二)——切比雪夫不等式、大数定理、伯努利定理、中心极限定理
切比雪夫不等式
- 含义:设随机变量XXX的期望为μ" role="presentation">μμ\mu,方差为σ2σ2\sigma^2,对于任意正数εε\varepsilon,有:
P{|X−μ|≥ε}≤σ2ε2P{|X−μ|≥ε}≤σ2ε2
P\{|X-\mu|\ge \varepsilon\}\le \frac{\sigma^2}{\varepsilon^2}
- 切比雪夫不等式说明,X的方差越小,事件{|X−μ|≤ε}{|X−μ|≤ε}\{|X-\mu|\le \varepsilon\}的概率就越大。即:XXX的取值基本上集中在期望μ" role="presentation">μμ\mu附近。即方差越小,数据的震荡程度越小,数据分布越集中。
- 切比雪夫不等式的证明
大数定理
- 含义:设随机变量X1,X2,...,XnX1,X2,...,XnX_1,X_2,...,X_n互相独立,并且具有相同的期望μμ\mu和方差σ2σ2\sigma^2.作前n个随机变量的平均Yn=1n∑ni=1XiYn=1n∑i=1nXiY_n=\frac{1}{n}\sum_{i=1}^{n}X_i,则对于任意正数εε\varepsilon,有
limn→∞P|Yn−μ|<ε=1limn→∞P|Yn−μ|<ε=1
\lim_{n\rightarrow \infty}P{|Y_n-\mu|
- 意义:当n很大时,随机变量X1,X2,...,XnX1,X2,...,XnX_1,X_2,...,X_n的平均值YnYnY_n在概率意义下无限接近期望μμ\mu
- 任然有可能出现偏离,但是这种可能性很小,当n无限大时,这种可能性的概率为0
伯努利大数定理
- 含义:一次试验中事件AAA发生的概率为p" role="presentation">ppp;重复nnn次独立实验中,事件A发生了nA" role="presentation">nAnAn_A次,则p、n、nAp、n、nAp、n、n_A的关系满足:对于任意正数εε\varepsilon
limn→∞P(|nAn−p|<ε)=1limn→∞P(|nAn−p|<ε)=1
\lim_{n\rightarrow \infty}P(|\frac{n_A}{n}-p|
- 意义:该定理表明事件A发生的频率nAnnAn\frac{n_A}{n}以概率收敛于事件A的概率p。
- 用途:
- 正态分布的参数估计
- 朴素贝叶斯做垃圾邮件分类
- 隐马尔科夫模型有监督参数学习
中心极限定理
- 含义:设随机变量X1,X2,...,XnX1,X2,...,XnX_1,X_2,...,X_n互相独立,服从同一分布,并且具有相同的期望μμ\mu和方差σ2σ2\sigma^2,则随机变量
Yn=∑ni=1Xi−nμn‾√σYn=∑i=1nXi−nμnσ
Y_n=\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt{n}\sigma}的分布收敛到标准正态分布
容易得到:∑ni=1Xi∑i=1nXi\sum_{i=1}^{n}X_i收敛到正态分布N(nμ,nσ2)N(nμ,nσ2)N(n\mu,n\sigma^2) - 意义:实际问题中,很多随机现象可以看做许多因素的独立影响的综合反应,往往近似服从正态分布。如:
- 城市耗电量:大量用户的耗电量总和
- 测量误差:许多观察不到的、微小误差的总和
- 注意,是多个随机变量的和才可以,有些问题是乘性误差,则需要鉴别或者取对数后再使用
- 线性回归中,将使用该定理论证最小二乘法的合理性
数理统计(二)——切比雪夫不等式、大数定理、伯努利定理、中心极限定理相关推荐
- 伯努利兄弟:微积分学科的建立者
如果说牛顿和莱布尼茨是微积分的建筑设计师,那么正是雅各布·伯努利和约翰·伯努利所做的大量工作,才把微积分建立成今天我们所知的这门学科. 通常,一场科学革命不单是需要一位奠基的天才.它往往也需要一位组织 ...
- 伯努利大数定理(揭示了频率和概率的关系)
在概率的公理化体系中, 定义了概率, 而且, 在这个定义中, 概率和可能行(频率)没有任何毛关系.那概率怎么就经常和生活中的可能性(频率)就扯上了关系呢? 概率的公理化定义可没揭示这个原理. 揭示概率 ...
- sklearn模块之朴素贝叶斯:(二)伯努利模型的实现
多元Bernoulli模型的朴素贝叶斯分类器适用于离散数据.与MultinomialNB不同之处为: MultinomialNB使用出现次数(频数) BernoulliNB设计用于二进制/布尔特征 ...
- matlab模拟伯努利实验,matlab仿真随机数的发生
概率论和数理统计实验(matlab中实现) 一.伯努利漫衍 R=binornd(N,P); //N,P为二次漫衍的俩个参数,返回遵守参数为N,P的二项漫衍的随机数,且N,P,R的形式相同. R=bin ...
- 概率论大作业C语言验证伯努利大数定律以及相对应的强大数定律、棣莫弗-拉普拉斯中心极限定理
验证伯努利大数定律以及相对应的强大数定律.棣莫弗-拉普拉斯中心极限定理 代码如下: //编程环境:Xcode //编程语言:C语言 #include <stdio.h> #include ...
- 伯努利、辛钦大数定律、中心极限定理
大数定律 一个随机变量序列X1.X2...Xn...X_{1}.X_{2}...X_{n}...X1.X2...Xn...,a为常数,若对任意正数ε\varepsilonε有limn→∞P{∣ ...
- thinkcmf5调用指定分类的二级_python机器学习API介绍11: 伯努利贝叶斯分类器
BernoulliNB是伯努利贝叶斯分类器,它是假设模型的条件概率分布满足对应的二次项分布,其原型为: class sklearn.naive_bayes.BernoulliNB(alpha=1.0, ...
- 【概率论基础进阶】随机事件和概率-古典概型与伯努利概型
文章目录 一.古典概型 二.几何概型 三.伯努利概型 一.古典概型 定义:当试验结果为有限nnn个样本点,且每个样本点的发生具有相等的可能性,如果事件AAA由nAn_{A}nA个样本点组成,则事件A ...
- 概率论:古典概型与伯努利概型
古典概型不要在意伯努利就是二项分布伯努利其实就是建模型 出的题什么模型都没告诉你的叫你自己建立模型 一般情况都是伯努利正态分布模型,指数分布模型题上都会直接告诉你的 比如某随机变量服从正态分布 什么话 ...
最新文章
- R语言构建文本分类模型:文本数据预处理、构建词袋模型(bag of words)、构建xgboost文本分类模型、基于自定义函数构建xgboost文本分类模型
- 可控制转速CSS3旋转风车特效
- 《JavaScript忍者秘籍》——导读
- MySQL复习资料——用于突击考试总结
- 深入理解Magento-第十章-数据操作数据收集器
- CTF工具-gdb简介
- Python实现霍夫曼树
- easyui控件事件监听委托给jquery事件监听,keyup取最新值问题
- WinAPI-01GetModuleHandle
- 宽带ADSL安装过程的18个问答
- Java Tricks —— 不小于一个数的最小2的幂次方
- C++基础教程之注释
- 凭证反过账 金蝶k3_金蝶K3总账凭证过账等处理方式
- 数据包络分析--综合的双目标数据包络分析模型
- android 固件 修改工具箱,固件工具箱(ROM Toolbox)
- Springboot入门到精通(超详细文档)
- python 图灵机器人_图灵机器人 python 试玩
- 2022年9月电子学会Python等级考试试卷(二级)答案解析
- 在今年最火的教育赛道上,「后来者」瓜瓜龙如何破局?
- GPS接收机(四)--基于STM32和GU620的GPS接收机搭建