理解 期望(均值/估计值)和方差
前言
开始会给出公式,后面结合正态分布的的期望和方差,来更具体的理解他们。
期望
首先,期望全名“数学期望”,又名均值或估计值,注意和平均值不是一个概念。这个后续再说。
说到期望,就得先说分布列。
X 表示不同种类的事件对应的数值,P表示每钟事件发现的概率 。
什么叫做事件对应的数值,这其实是我们自己下的一个定义,比如抛正面得1分。
再比如:
这里得到得分布列应该是:
那么有了分布列,就可以求期望了,或者说求均值/估计值。这里用EX表示期望:
哪有了分布列,求期望和非常简单的。(如上图:相乘再相加)。这里也看出了它与平均值的不同,平均值是将已经发生的情况进行统计,求平均。期望是已知概率的分布,估计一个最可能出现的值。
那为了,进一步理解期望,这里引入,上帝规则——正态分布:
这里我们就可以看到,期望EX和X轴是挂钩的,再正态分布中,当X等于期望时,此时对应的Y值最大,但是这里要注意,正态分布中,Y值并不是X对应的概率值,正态分布不是概率的曲线,而是概率的密度曲线,这里说下我的理解(不一定对):假设X是可以无限细分的,这个曲线是一个身高的正太分布,假设一个人的身高是1.60025499尽无限细分,另外一个人的身高是2.045648842无限细分。那这两个身高,谁的概率高?他们都无限接近0. 但是如果说的是一个范围,比如身高在1.65米左右的和身高在2.2米左右的,谁的概率高,那很显然是前者。
这里曲线的下方面积才是概率P。曲线下方总面积面积为1.
这个图形对应的是概率密度函数f(X),所以Y值对应的是累计分布函数F(X)的一阶导数,即F(X)的瞬时变化率。实际意义就是那个X对应的密度值。也就是概率累积最快的地方。
所以这里,我们发现Y值其实个很抽象的,就是我知道的X但是我得到一个Y,但是这个Y对于我来说意义不大,我之知道此时Y最大。所以往往我们是反过来看的!我们知道了最大的Y,然后看对应的X是多少,而X的含义是具体的。比如Y最大时X=1.6,那1.6就是期望就是均值。而样本确定的情况下,均值和平均值时相等的。
课参考参考:
均值与期望到底是不是一回事? - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/311896697说到这里,关于期望的部分就解释完了。
那什么时方差?
首先给出公式
从公式看,方差和期望还有概率时相关的,(期望本身和概率也是相关的)。方差描述的时一组数据(样本)的离散程度。
这里可以结合偏差,来对比理解下方差。
那通过化简公式,我们最终得到公式,其中D(x)表示方差:
化简过程如下:
这里我同样引入正态分布,进一步理解方差。
当西格玛确定下来之后,还有个一个3西格玛原则,可以看看:(这里其实还有个标准差的概念,就是这个西格玛,西格玛的平方就是方差)
这里都可以看出当方差越大时,在相同的区域内,面积越小,即概率越小,这说明数据越分散。
小结:
1 那在深度学习中,这种方差大模型可能需要更多的分类才能更好的界定。
2 方差和期望和概率是强相关的,每种事件对应的值都需要乘上概率P,在做其他计算。
参考资料:
【#11】【28天战胜高考数学】分布列 数学期望 方差 | 高中数学 | 高考数学_哔哩哔哩_bilibili
【概率·正态分布】这是个啥玩意儿?10分钟完全入门!_哔哩哔哩_bilibili
跟李沐学AI的个人空间_哔哩哔哩_bilibili
理解 期望(均值/估计值)和方差相关推荐
- 数学期望(均值)、方差、协方差、相关系数和矩
文章目录 1 前言 2 数学期望(均值).方差,矩.协方差和相关系数 2.1 数学期望(均值) 2.2 方差 2.3 协方差 2.4 相关系数 2.5 矩 1 前言 随机变量的分布函数完整地描述了随机 ...
- 信号是受噪声Nt干扰的余弦波Xt = Acoswt + φ + Nt,试求它的自相关函数。假设φ是在[0, 2Π]上均匀分布的随机变量,Nt是均值为0方差为σ2的白噪声,且 Nt 与 φ 互不相关。
信号是受噪声Nt干扰的余弦波Xt = Acoswt + φ + Nt,试求它的自相关函数.假设φ是在[0, 2Π]上均匀分布的随机变量,Nt是均值为0方差为σ2的白噪声,且 Nt 与 φ 互不相关. ...
- OpenCV——计算图像均值和标准方差
图像的均值表示图像整体的亮暗程度,图像的均值越大图像整体越亮.标准方差表示图像中明暗变化的对比程度,标准差越大表示图像中明暗变化越明显. 计算图像均值 计算图像每个通道的均值 Scalar mean( ...
- 深度理解期望、方差偏差与方差偏差分解
前言 我们经常用偏差-方差分解形式来度量机器学习模型泛化能力的内容.本文将从数学基础来解释其演进过程.我们先从数学期望开始. 1.数学期望 概率论是描述现实世界的一个重要学科.我们从现实世界了解数学规 ...
- 带你深入理解期望、方差、协方差的含义
基本概念 先梳理一下概率论中的几个基本概念. 事件 事件指某种情况的"陈述",通俗来讲,事件就是一些case,比如A事件定义为,掷出骰子为偶数点=(2,4,6),这个case包含了 ...
- 通俗理解误差、偏差、方差以及它们和过拟合、欠拟合之间的关系.
文章目录 0. 引言 1. 误差.偏差和方差的数学定义 2. 偏差与方差的直观理解 3. 偏差.方差与欠拟合.过拟合的关系 4. 欠拟合.欠拟合的产生原因及解决方案 0. 引言 作为一名算法工程师,在 ...
- 【Python数据预处理】 归一化(按列减均值,除方差),标准化(按列缩放到指定范围),正则化(范数)
参考文章:https://www.cnblogs.com/chaosimple/p/4153167.html 一.标准化(Z-Score),或者去除均值和方差缩放 公式为:(X-mean)/std ...
- Opencv实现hwc到chw(归一化、减均值、除方差)重磅封装版
文章目录 1. hwc 和 chw 的内存排布区别: 2. 预处理参数封装 3. 归一化.减均值除方差.hwc2chw的opencv实现封装: 4. 整合2.3的封装:可以直接拷贝走使用,强烈推荐完整 ...
- pytorch 图像预处理之减去均值,除以方差
在使用 torchvision.transforms进行数据处理时我们经常进行的操作是: transforms.Normalize((0.485,0.456,0.406), (0.229,0.224, ...
最新文章
- 32拟合分析_SigmaPlot14.5:指导用户逐步完成图形创建和数据分析过程
- Nginx+Firebug 让浏览器告诉你负载均衡将请求分到了哪台服务器
- LiveVideoStack线上交流分享 (十六) —— 爱奇艺剧场直播云端混流方案
- linux 启动程序 绑定id,linux如何根据进程ID查找启动程序的路径
- Python(4)--Pycharm安装、使用小技巧
- linux php c 扩展,linux php添加扩展库
- 交流磁路matlab,严格地说,交流磁路计算应该用磁滞回线。
- 将java.util.Date转换为java.time.LocalDate
- adb.exe可能被其他程序关闭_如何开启或关闭MacBook
- DMA(direct memory access)直接内存访问
- 讲座资源:ASP.NET AJAX 体验
- 水晶报表中的主从表结构
- 零基础入门渗透测试教程
- 如何将mp4视频格式转换成mov视频
- html5qq空间代码作业,免费QQ空间背景代码大全(高手整理)
- 互联网公司加班狠?盘点阿里、华为的凌晨四点
- 计算机网络学习记录——模块一 网络互联基础
- 特征放缩(Feature scaling)
- Android-通讯录
- 用c语言录入3组学生数据编程,学生信息管理系统C语言编程
热门文章
- 基于java制作一个飞机小游戏(学习心得)
- 32位和64位的应用软件区别是什么
- NexisDAO:让 Nervos DAO 的资产流动起来
- 自从有了宝宝........
- Outlook2016如何配置Exchange邮箱
- @Size、@Length、@Max、@Min注解的含义和区别
- C++10-2-STL:猫狗收容所
- 罗马数字加法实现Roman Calculator
- bugfree搭建-windows系统
- 手机彩码:二维码发展新趋势