![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
概率论
文章平均质量分 83
NockinOnHeavensDoor
blog已不用~谢谢关注~
展开
-
贝叶斯定理、例子
Bayes’ Theorem事件的发生都是有因果的(这里的因果不是必然关系,他们之间的联系是用概率刻画的),原因(或者因素)是xxx, 结果(或者影响)是yyy,贝叶斯定理告诉一个事实,如果知道因素xxx已经触发的条件下,产生影响yyy的概率是Pr(y|x)Pr(y|x)P_r(y \vert x),那我们可以得到产生影响yyy 的条件下,因素xxx 被触发的概率Pr(x|y)Pr(x|y)...原创 2018-05-17 06:48:45 · 1663 阅读 · 0 评论 -
统计估计(statistical estimation)
统计估计(statistical estimation)即到手的数据概率分布是未知的, 我们只能从样本集合里估计数据潜在的概率分布(underlying propability distribution).基础估计(estimator)μ^μ^\hat\mu:从样本得到的定量估计,比如期望的estimator定义是: μ^=1n∑i=1Nxi(1)(1)μ^=1n∑i=1Nxi...原创 2018-05-18 07:50:14 · 2134 阅读 · 0 评论 -
多元高斯分布的MLE、贝叶斯条件概率和线性判别分析LDA的生成方法总结
Gaussian model给出 ddd 维随机向量(pattern) xxx ,即随机变量 {x1,x2,...,xn}{x1,x2,...,xn}\{x_1,x_2,...,x_n\} 其高斯分布表示: q(x;μ,Σ)=1(2π)d2det(Σ)12exp(12(x−μ)TΣ−1(x−μ))(1)(1)q(x;μ,Σ)=1(2π)d2det(Σ)12exp(12(x−μ)TΣ−1(x...原创 2018-06-02 19:41:10 · 3090 阅读 · 0 评论 -
多元正态分布的性质和定理
多元高斯分布向量随机变量X=[X1...Xn]TX=[X1...Xn]TX= [X_1 ... X_n]^T服从多元高斯分布,均值为μ∈Rnμ∈Rn\mu \in R^n(这里μμ\mu是一个n维向量),协方差矩阵为Σ∈S++nΣ∈S++n\Sigma \in {S_{++}}^n ,(S++nS++n{S_{++}}^n 是对称的正定矩阵),概率密度函数: p(x;μ,Σ)=1(2π)n...原创 2018-04-11 22:38:56 · 9025 阅读 · 0 评论 -
matlab画一个一维高斯分布和似然估计
n=5;m=0;s=1;x=s*randn(n,1)+m;mh=mean(x);sh = std(x,1);X=linspace(-4,4,100);Y=exp(-(X-m).^2./(2*s^2))/(2*pi*s);Yh=exp(-(X-mh).^2./(2*sh^2))/(2*pi*sh);figure(1);clf;hold on;plot(X,Y,'r-',X,Yh,'b--',...原创 2018-06-01 21:13:17 · 2938 阅读 · 0 评论 -
jacobian行列式以及生成相同协方差的数据和不同协方差的数据的函数
jacobian设随机变量xxx 服从正态分布N=(μ,σ2)N=(μ,σ2)N=(\mu,\sigma^2),概率密度函数为f(x)f(x)f(x),则xxx的仿射变换(affine transformation): r=ax+b(1)(1)r=ax+br = ax + b \tag{1} 随机变量rrr服从分布N(aμ+b,a2σ2)N(aμ+b,a2σ2)N(a\mu +b,a^2\...原创 2018-06-02 10:20:01 · 550 阅读 · 0 评论 -
熵 、贝叶斯定义—— 2018-07-02 07:29:09
Date Unknown Interpretations Source 2018-05-16 09:14:18 2018年5月17日18:42:15 Bayesian inference下解释DKL(P∥Q)DKL(P‖Q)D_{KL}(P\Vert Q) DKL(P∥Q)DKL(P‖Q)D_{KL}(P\Vert Q) is a measure...原创 2018-07-02 07:32:10 · 298 阅读 · 0 评论 -
贝叶斯推断
贝叶斯推断贝叶斯模型观点:参数模型q(x;θ)q(x;θ)q(x;\theta) 中的参数 θθ\theta 是被确定的变量(deterministic variable)。贝叶斯预测分布训练样本是 D={xi}ni=1D={xi}i=1n\mathcal D= \{x_i\}_{i=1}^n ,p(θ|D)p(θ|D)p(\theta \vert \mathcal D) 是给定训...原创 2018-07-09 20:25:20 · 364 阅读 · 0 评论