概率分布

假设x是一个随即变量,存在一个关于x的概率分布函数，x可以取任何值．同概率分布函数都得到一个概率值．随即变量分为三种类型：
１．离散随机变量：变量的取值在固定的列表中．
２．连续随机变量：连续变量的值可以是任意精度的数值．
３．混合型变量　：既有离散型变量又有连续型变量．

离散情况

xxx是离散的，xxx的分布为概率质量函数，当xxx的取值为kkk时的概率为P(x=k)P(x=k)P(x=k).概率质量函数可以完全描述随机变量xxx,假设xxx服从泊松分布：可表示为：x～Poi(λ)x～Poi(\lambda)x～Poi(λ)
　　　　　　　　　　　　
　　　　　　　　　　　　P(x=k)=λke−λk!,k=0,1,2,3.......P(x= k) = \dfrac{\lambda^ke^{-\lambda}}{k!},k=0,1,2,3.......P(x=k)=k!λke−λ,k=0,1,2,3.......

λ\lambdaλ : Poisson分布的强度，λ\lambdaλ增大，kkk取大值的概率会增加．反之，则减小．λ\lambdaλ的取值为任意正数．
kkk : 取值为任意非负整数．
Poisson分布的重要性质：它的期望等于它的参数，E[x∣λ]=λE[x|\lambda]=\lambdaE[x∣λ]=λ

import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt

# 随机变量
x = np.arange(20)
#　泊松分布
poi = stats.poisson
lambda_ = [1.5, 4.25]
colours = ["#348ABD", "#A60628"]
# lambda = 1.5
plt.bar(x, poi.pmf(x, lambda_[0]), color=colours[0],label="$\lambda = %.1f$" % lambda_[0], alpha=0.60,edgecolor=colours[0], lw="3")
# lambda = 4.25
plt.bar(x, poi.pmf(x, lambda_[1]), color=colours[1],label="$\lambda = %.1f$" % lambda_[1], alpha=0.60,edgecolor=colours[1], lw="3")
plt.xticks(x + 0.4, x)
plt.legend()
plt.ylabel("probability of $k$")
plt.xlabel("$k$")
plt.title("Probability mass function of a Poisson random variable; differing \
$\lambda$ values")

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aPO79eeh-1601974851376)(output_2_1.png)]

连续情况

在连续变量的情况下，概率分布函数被称为概率密度函数．举一个例子：指数密度．指数随机变量的密度函数如下式：

fx(x∣λ)=λe−λx,x>=0f_x(x|\lambda) = \lambda e^{-\lambda x}, x>=0fx(x∣λ)=λe−λx,x>=0

xxx : 指数随机变量可以取任意非负值，包括整数．
λ\lambdaλ: 取值大于等于０．
当随机变量xxx服从参数为λ\lambdaλ的指数分布时，记为x～Exp(λ)x～Exp(\lambda)x～Exp(λ)
指数型随机变量的期望值为λ\lambdaλ的逆：E[x∣λ]=1/λE[x|\lambda] = 1/\lambdaE[x∣λ]=1/λ

#　随即变量
x = np.linspace(0, 6, 150)
expo = stats.expon
lambda_ = [0.5, 1.0]
# lambda = 0.5
plt.plot(x, expo.pdf(x, scale=1.0/lambda_[0]), label="$\lambda = %.2f"%lambda_[0])
plt.fill_between(x, expo.pdf(x, scale=1.0/lambda_[0]), alpha=0.5)
# lambda = 1.0
plt.plot(x, expo.pdf(x, scale=1.0/lambda_[1]), label="$\lambda = %.2f"%lambda_[1])
plt.fill_between(x, expo.pdf(x, scale=1.0/lambda_[1]), alpha=0.5)plt.legend()
plt.ylabel("Probability density function at $z$")
plt.xlabel("$z$")
plt.ylim(0, 1.2)
plt.title("Probability density function of an exponential random variable,different $\lambda$")
plt.show()

**注意！**概率密度函数在某一点的值并不等于它在这一点的概率．

参数 λ\lambdaλ

参数λ\lambdaλ可以理解为统计的动机，在现实世界中我们并不能直观的感受到参数λ\lambdaλ的存在．如果要确定参数λ\lambdaλ，就要深入到整个事件的背景当中去．这个问题很难，因为并不存在xxx到参数λ\lambdaλ的一一对应关系．贝叶斯推断围绕参数λ\lambdaλ的估计，是通过一个概率分布来描述参数λ\lambdaλ的可能取值．

贝叶斯概率推断：概率分布相关推荐

《数据科学家养成手册》--第十一章算法学2---（非监督，监督贝叶斯概率以及损失函数）
11.8 机器学习-----自动归纳数据挖掘是随着商务智能发展起来的一种相对比较新的一种算法学科. 只知道自己想学习的是数据挖掘和大数据,但是真的说出个所以然自己真的办不到.现在说是一种算法学科,忽 ...
期望方差和贝叶斯概率
期望(expectation)就是平均权重,用E(f)表示,连续型的期望如下: 给出有限的 N 个点期望可以如下表示: 当 N趋向于无穷大的时候上式会非常准确,上式在抽样方法里面会广泛使用. 多个变量 ...
概率论的学习整理5：贝叶斯（bayes）法则和贝叶斯概率
1 贝叶斯(bayes)概率的思考过程我觉得,bayes公式需要先理解条件概率,全概率公式才行纯从bayes公式的角度,其实是从条件概率P(B | A) 开始,推导到联合概率P(AB) / P( ...
有关贝叶斯概率和贝叶斯网络和贝叶斯因果网络的自习笔记
回校一周了,前段时间忙活着组会讨论班的事儿,然后安装了一个Ubuntu的双系统,暂时不想码代码先把一直好奇的贝叶斯网络了解下. 贝叶斯概率首先是贝叶斯概率.贝叶斯作为泥腿子颠覆了前人"事件 ...
贝叶斯概率与频率派概率
频率派概率从自然的角度出发,试图直接为事件本身建模,通俗点就是如果事件A独立试验中频率趋于极限p那么p就是该事件的概率.与概率直接与事件发生的频率相联系,被称为频率派概率. 贝叶斯概率就是想构建一套比 ...
机器学习之概率图模型（贝叶斯概率，隐马尔科夫模型）
一.贝叶斯公式在学习概率图模型之前先要了解贝叶斯公式: 由公式(1),(2)可得: 这便是贝叶斯公式,其中条件概率P(A/B)称为后验概率,概率P(A),P(B)称为先验概率,条件概率P(B/A), ...
频率概率与贝叶斯概率
概率论最初的发展是为了分析事件发生的频率.我们可以很容易地看出概率论,对于像在扑克牌游戏中抽出一手特定的牌这种事件的研究中,是如何使用的.这类事件往往是可以重复的.当我们说一个结果发生的概率为 ppp ...
易被忽视的贝叶斯概率
易被忽视的贝叶斯概率 @(概率论) 全概率是对事件进行划分,求的是总概率.贝叶斯是已知某事件发生,求是其中一件的概率.在前面我们列举过一个例子,讲村庄被偷的概率就是全概率,已知被偷,那么计算是哪个小偷 ...
概率论基础 —— 2. 条件概率、全概率、贝叶斯概率公式
文章目录条件概率全概率贝叶斯概率条件概率条件概率是一种比较特殊的概率体系,和我们前面提到过的基本概率(交事件)有所不同.它最大的特点在于事件发生时有一定的限制前提,通常一般是说在事件A发生后 ...
【简述与推导】似然函数，最大似然估计，条件概率，全概率，贝叶斯概率
目录 1. 似然(likehood)与最大似然估计 2. 条件概率(conditional probability),全概率(total probability),和贝叶斯概率(Bayes proba ...

贝叶斯概率推断：概率分布

概率分布

离散情况

连续情况

参数 λ\lambdaλ

贝叶斯概率推断：概率分布相关推荐

最新文章

热门文章