期望E与高斯分布的期望

已于 2023-03-14 21:35:00 修改
阅读量1.7k 收藏 2
点赞数 1
分类专栏： 数学 SLAM 文章标签： 算法
于 2022-11-19 12:42:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shyjhyp11/article/details/127934847
版权
SLAM 同时被 2 个专栏收录
225 篇文章 134 订阅 ¥29.90 ¥99.00
订阅专栏 超级会员免费看
数学
36 篇文章 9 订阅
订阅专栏
本文介绍了期望的定义与性质，包括期望的运算性质和方差、标准差的定义。深入探讨了一元高斯分布，强调其期望等于均值，并给出高斯分布的概率密度函数。同时，讨论了二维随机向量的期望和方差，为理解随机变量的统计特性提供了基础。
摘要由CSDN通过智能技术生成

目录

1. 期望定义

2. 期望性质

2.1 用期望定义方差 / 标准差

方差定义

标准差定义 

方差的表示——离散型：

方差的表示——连续型：

方差的性质

3. (一元)高斯分布定义

4. (一元)高斯分布的性质

5. 二维随机向量的数学期望E与方差σ

参考

1. 期望定义

2. 期望性质

其中，第2条性质： E(EX) = EX：对变量X的期望再求期望，等于X的期望；同理，对X^2 的期望再求期望，依然还是X的期望。

对于第4条性质，注意条件是X,Y 相互独立，若不独立则不成立：比如 E(XX) \neq E(X)E(X), 即

了解本专栏 订阅专栏 解锁全文 超级会员免费看
惊鸿一博
关注
专栏目录
订阅专栏
机器学习笔记之高斯分布(三)——从几何角度观察多维高斯分布
静静的学习就好
08-15 1836
本节继续介绍高斯分布，从几何角度观察多维高斯分布
高斯分布期望的推导
一只驽马的博客
09-19 3万+
高斯分布期望的推导 高斯分布方差的推导
高斯分布的积分期望E(X)方差V(X)的理论推导
chaosir的专栏
06-20 2万+
高斯分布的积分期望E(X)方差V(X)的理论推导) 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 这里是引用 [ fg ] [ ] [ ] [ ] List item ...
高斯分布（正态分布）
最新发布
xhm01291212的博客
07-27 381
(1)高斯分布又名正态分布，在点云中的解释应为，在从某点邻近搜索的一块区域内，所有点的分布应该符合如下图的分布规律(2)实现高斯分布的公式为（公式不重要，不用记）其中【二者为主要变量】均值：u越小，图像整体向左偏移，u越大，图像整体向右偏移。方差对高斯分布的影响：σ越大，数据分布越分散，σ越小，数据分布越集中。（在图形上显示为σ越大，曲线越扁平，σ越小，曲线越瘦高）
数学概念——E 期望（经典问题）
weixin_30475039的博客
08-18 901
E -期望（经典问题） Time Limit:1000MSMemory Limit:32768KB64bit IO Format:%lld & %llu SubmitStatus Description Given a dice withnsides, you have to find the expected number...
高斯分布归一化、期望、二阶矩、方差推导证明
qq_37549266的博客
07-15 1万+
目录 写在前面的唠叨： 归一化推导证明： 期望（一阶矩）推导证明： 二阶矩推导证明： 方差推导证明： 写在前面的唠叨： 最近这段时间一直在研究深度学习之类的东西，虽然如今对几种常见的神经网络都有了很好的了解，用起来也比较顺手，但是越学也越觉得瓶颈越来越明显了，最大的问题觉得还是数学基础不行，学习那些常见的模型已经把线性代数的知识捡的差不多了，而到了想自己设计模型的时候，才忽然发...
X服从一维高斯分布，求X^2的期望（转）
pussy_foot
09-29 1万+
转自http://www.zybang.com/question/77726942ce47c1cbf97cf781c85f1971.html其中，求极限时用到了洛必达法则，即在一定条件下通过分子分母分别求导再求极限来确定未定式值的方法。
机器学习笔记之高斯分布(五)推断任务之边缘概率分布与条件概率分布
静静的学习就好
11-21 1388
上一节介绍了高斯分布概率模型相关的推断问题，并详细介绍了给定联合概率分布求解条件概率分布。本节将继续介绍推断任务——基于随机变量之间存在线性关系的条件下，求解条件概率与边缘概率。
python混合高斯分布_python 高斯混合模型
weixin_39614675的博客
12-20 2611
高斯混合模型高斯混合模型(Gaussian Mixed Model)是使用多个(多元)高斯分布函数实现数据分类对目的。在介绍高斯混合模型之前，我们需要了解以下几个概念：一元高斯分布函数协方差矩阵多元高斯分布函数一元高斯分布高斯分布也叫正态分布，是一种非常常见对连续概率分布。若随机变量 X 服从参数 $\mu$ 和 $\delta$ 的正态分布，记为：其中参数 $\mu$ 是其数学期望，$\delt...
期望E，方差D，协方差Cov，主成分分析PCA
人工智能视觉分析算法学习实践和经验分享。
08-13 2518
期望E，方差D，协方差Cov，主成分分析PCA，应用于图像分类识别1、期望方差的理解2、协方差与协方差矩阵3、数据降维的需求背景4、PCA就是从解决特征之间的相关性入手，剔除冗余特征PCA的细节 1、期望方差的理解 关于此主题，网上可以搜到很多，我写下来的目的是让自己理解透彻一些。同时，也发现自己学生时代学习的数学知识，仅仅停留在单纯的计算上，几乎没有联系实际，更不用说在具体问题上去利用数学规律来解决实际问题了。这是此文章的初衷！ 首先，期望衡量的是一组变量X取值分布的平均值，记作：E[X]，反应不同数据集
认识高斯分布
ACdreamer
12-02 1万+
今天，我要介绍我们早就知道的一种分布，它叫做高斯分布。高斯分布在概率论中算是比较核心的一种分布了，而在机器学习中，高斯分布也随处可见，比如单高斯模型，高斯混合模型，高斯过程等等，它们都是基于高斯分布的。作为理解连续性随机变量的基础和深入理解在机器学习中的广泛应用，高斯分布是十分有必要学习的。   高斯分布又叫做正态分布，高斯分布概率密度函数的函数形式是由德国著名的天才数学家、统计学家、物理学家
常见概率分布-5-高斯分布（Gaussian distribution）
悦学共鸣，温柔以待，汇聚光芒，共同成长
04-22 2443
高斯分布是一个连续概率分布，它的概率密度函数以对称的钟形曲线（即著名的“正态曲线”）为特征。
零均值高斯分布变量的幂的数学期望以及噪声图像块的匹配误差的方差
生活就像海洋
08-26 6886
现实中我们经常会遇到服从高斯分布的随机变量以及该变量的幂，因为 D(X)=E(X2)−[E(X)2],(1.1) D(X) = E({X^2}) - [E{(X)^2}], \tag{1.1}D(X)=E(X2)−[E(X)2],(1.1) 所以，求解该变量的幂的数学期望对我们求解该变量的幂的方差十分有帮助。但是，显式地给出所有符合高斯分布的变量的幂的数学期望并不是一件易事，这里我们主要讨论均值为零的高斯分布。一方面均值为零可以避免多项式中低阶项的出现，简化了后续的运算，同时概率密度函数关于y轴对称，这样
ZJUT 地下迷宫 （高斯求期望）
weixin_33842304的博客
12-06 100
http://cpp.zjut.edu.cn/ShowProblem.aspx?ShowID=1423 设dp[i]表示在i点时到达终点要走的期望步数，那么dp[i] = ∑1/m*dp[j] + 1，j是与i相连的点，m是与i相邻的点数。建立方程组求解。重要的一点是先推断DK到达不了的点。须要bfs预处理一下进行离散化，再建立方程组。 } ...
高斯分布（正态分布）详解
qq_37346140的博客
08-23 3万+
高斯分布的概念详解以及通俗易懂解释、实际应用等。
概率统计-方差与正态分布（高斯分布）
热门推荐
Hello_Ray的博客
08-05 4万+
在统计中，方差真正的使用是先算样本方差∑i=0n(xi−μ)x2+1\frac{{\sum_{i=0}^n}{(x_i - \mu )}} {x^2+1}x2+1∑i=0n​(xi​−μ)​
数学查漏补缺之高斯分布
Trony的博客
06-15 689
1、简介 正态分布又称为高斯分布，正态分布的曲线呈钟型，两头低，中间高。若随机变量X服从一个数学期望，方差为的正态分布记为。其概率密度函数为正态分布的期望值决定了其位置，其标准差决定了分布的幅度。当,时的正态分布是标准正态分布。 2、数学期望和方差的求法 数学期望：数学期望（或均值）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小 离散型：如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机..
关于高斯消元求期望的个人理解
Enmity_Dark
07-29 1369
看了一天的高斯消元求期望。 但是貌似因为自己的概率论学的很差，所以总结了一套自己独特的
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

惊鸿一博

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值