迭代期望和方差（iterated expectation,variance)

最新推荐文章于 2023-07-03 16:10:39 发布
最新推荐文章于 2023-07-03 16:10:39 发布
阅读量8.7k 收藏 1
点赞数
分类专栏： 学习笔记 概率论
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/weixin_43055882/article/details/88807202
版权
本文探讨了迭代期望和方差的概念。期望作为概率论中的重要概念，而方差则可以分解为条件内的方差和条件间的方差，类比于统计学中的样本内和样本间方差。通过一个独立随机商店和花钱的例题进行了解释。
摘要由CSDN通过智能技术生成

1.期望在这里插入图片描述
2.方差：可看成是Yconditional universal内X的方差和conditional universal间X的方差两部分组成（类似于样本内和样本间的方差，或者种内和种间的方差（参看统计学F分布））。
在这里插入图片描述

例题：独立随机商店，独立随机花钱

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
相关课程链接：https://www.bilibili.com/video/av6182731/?p=44

Marina-ju
关注
专栏目录
方差迭代公式推导
～勿据散客～的博客
06-24 539
原文是：https://blog.csdn.net/weixin_44479136/article/details/90510374 但里面有些公式写错了，看着别扭…… 为了方便查看，顺便加强理解记忆，自己再推一遍均值： En＝1n∑i=1nxi(1) E_n＝\frac{1}{n}\sum_{i=1}^nx_i \tag{1} En​＝n1​i=1∑n​xi​(1) 令 F(n)＝∑i=1n(xi−En)2=∑i=1nxi2−nEn2(2) \begin{aligned} F(n)＝&\sum_{i
Lecture 12: Iterated Expectations； Sum of a Random Number of Random Variables
weixin_41102519的博客
12-22 386
前言：本节课讲了条件期望以及他的应用， 任意数量的独立随机变量的加和以及它的期望和方差。 E[X∣Y=y]=∑xxpX∣Y(x∣y) E[X|Y = y] = \sum_x xp_{X|Y}(x|y) E[X∣Y=y]=x∑​xpX∣Y​(x∣y) 这个式子是学期望那节课中，给定一个条件Y = y时，x的分布和x的值构成的期望。在这里y 是一个固定的值，就是说已经知道第一节长度是y。在上面那个截断棍子的例子中，有E[X∣Y=y]=y2E[X|Y = y] = \frac{y}{2}E[X∣Y=y]=2y
迭代期望定律
u012348692的博客
11-22 2万+
转自：https://www.jianshu.com/p/e26d340b9c63 1.条件期望 1.1期望 离散随机变量期望 连续随机变量期望 对比平均值和期望 平时常见的多是平均数的概念，平均数和期望两者既有联系也有区别，也容易弄混。 平均数是统计学概念，主体是特征样本。 期望是概率论概念，主体是随机变量。 平均数和期望可以通过大数定理联系起来： 掷骰子 用掷单...
迭代期望定律（重期望）证明
weixin_51093217的博客
04-11 3533
迭代方差方法
xianxjm的博客
01-07 667
public class Accumulator { private： double m; double s; int N; public： void addDateValue(double x) { N++; s=s+1.0*(N-1)/N*(x-m)*(x-m); m=m+(x-m)/N; } double mean() .
迭代递推计算均值、方差的无偏估计（含C++实现）
MamiyaHasaki的博客
05-15 2020
文章目录前言数学推导C++代码实现 前言 对于一个序列而言，求均值和方差根据定义式是不难的，其时空复杂度均为 O(N)\mathcal{O}\left(N\right)O(N) 。但有的时候，我们的样本是一个一个给的，此时新来了一个样本，我们总不可能把原来的样本都捞出来再算一次均值、方差吧，那样时空复杂度都是 O(N)\mathcal{O}\left(N\right)O(N) 了。因此，我们需要一个递推的方式，假设我们已知前 nnn 个样本的均值和方差 μ^n,σ^n2\hat{\mu}_n, \hat{\
数学期望&方差 expectation&variance
dxtql的博客
11-16 3489
离散型随机变量 基本概念 Def 数学期望 数学期望其实就是加权平均数。 P(X=Xk)=Pk,如果∑k=1nxkP(Xk)收敛，则E(X)=∑k=1nxkP(Xk)为X的数学期望。P(X = X_k) = P_k, 如果\sum_{k=1}^{n}x_kP(X_k)收敛，则E(X) = \sum_{k=1}^{n}x_kP(X_k)为X的数学期望。P(X=Xk​)=Pk​,如果k=1∑n​xk​P(Xk​)收敛，则E(X)=k=1∑n​xk​P(Xk​)为X的数学期望。 函数的期望 令Y=g(X)，E(X
期望 方差 协方差 协方差矩阵 (Expectation Variance Covariance)
Daniel_djf的专栏
12-24 1万+
在学习机器学习的算法时经常会碰到随机变量的数字特征，所以在这里做一个简单的总结。 1、         期望(Expectation) 离散： 其中，f(x)为随机变量x的概率函数，事实上期望就是随机变量的平均数。    连续： 连续情况和离散的类似，只是把求和换成了积分。   求解关于自变量函数的期望的公式如下，其实自变量x的期望是r(x)=x的一个特例。 离散
几何分布的期望和方差公式推导_数学期望、方差、协方差
weixin_39539807的博客
11-22 7120
概论：一维随机变量期望与方差二维随机变量期望与方差协方差1.一维随机变量期望与方差：公式：离散型：E(X)=∑i=1->nXiPiY=g(x)E(Y)=∑i=1->ng(x)Pi连续型：E(X)=∫-∞->+∞xf(x)dxY=g(x)E(Y)=∫-∞->+∞g(x)f(x)dx方差：D(x)=E(x²)-E²(x)标准差：根号下的方差常用分布的数学期望和方差：0~1分布 ...
期望和方差的性质
一个搬运知识的笨小孩
02-15 4798
1.期望和方差的性质 1.1 性质一 当只有一个随机变量XXX，利用期望的定义来计算E[a1g1(X)+a2g2(X)]E[a_1g_1(X)+a_2g_2(X)]E[a1​g1​(X)+a2​g2​(X)] 期望的定义 当有两个不同的随机变量X=X1+X2X=X_1+X_2X=X1​+X2​ 1.2 性质二 如果gi(Xi)=cg_i(X_i)=cgi​(Xi​)=c，那么E[gi(Xi)]=cE[g_i(X_i)]=cE[gi​(Xi​)]=c 1.3 性质三 先给出方差的定义 1.4
计量经济学入门02
weixin_45714022的博客
03-20 1313
迭代期望定律 对于条件期望的运算，有以下重要的“迭代期望定律”（Law of iterated expectation） E(Y)=Ex[E(Y|x)] 上式表明，无条件期望E(Y)等于，对于给定X=x情况下Y的条件期望E(Y|x)再对X求期望。
条件期望和条件方差
热门推荐
qq_43221336的博客
12-25 3万+
1. 条件期望 1.1 定义 设XXX和YYY是离散随机变量，则XXX在给定事件Y=y{\displaystyle Y=y}Y=y条件时的条件期望是xxx的在YYY的值域的函数E⁡(X∣Y=y)=∑x∈Xx P⁡(X=x∣Y=y)=∑x∈Xx P⁡(X=x,Y=y)P⁡(Y=y)\operatorname {E}(X|Y=y)=\sum _{{x\in {\mathcal {X}}}}x\ \operatorname {P}(X=x|Y=y)=\sum _{{x\in {\mathca
关于条件方差的一个性质
天天向上的专栏
12-29 5175
今天看到关于条件方差的一条性质，记录下来： Var(Y)=E(Var(Y∣X))+Var(E(Y∣X)) \text{Var} (Y) = \text{E}(\text{Var}(Y|X))+\text{Var}(\text{E}(Y|X)) Var(Y)=E(Var(Y∣X))+Var(E(Y∣X)) 而条件均值的性质为： E(Y)=E(E(Y∣X)) \text{E}(Y)=\text{E}(\text{E}(Y|X)) E(Y)=E(E(Y∣X)) ...
复杂特征数——条件数学期望与条件方差
qq_35912930的博客
04-23 3215
定义
通俗理解条件概率、条件期望、条件方差
m0_59015819的博客
07-03 3873
举例理解条件期望、条件方差。条件期望等于部分条件期望的期望。条件方差=组间方差+组内方差
MLE课程笔记
jasonasuka的博客
02-22 656
机器学习笔记Random Variables 随机变量Discrete Random Variables 离散随机变量Bernoulli distribution伯努利（二项）分布Categorical distribution 类别分布Continuous Random Variables 连续随机变量Gaussian variable 高斯变量MATLAB 代码Expectation期望![在这里插入图片描述](https://img-blog.csdnimg.cn/20210218122131794.
【随机优化】李雅普诺夫优化在通信与排队系统中的应用（第一章）-绪论
Treasure Ashes
02-19 1万+
【参考书目】Stochastic Network Optimization with Application to Communication and Queueing Systems 【作者】（美）Michael J.Neely---University of Southern California 【出版社】MORGAN&CLAYPOOL PUBLISHERS 目录 相关...
EM算法及其应用
GavinZhou的博客
06-02 5125
EM算法简介首先上一段EM算法的wiki定义: expectation–maximization (EM) algorithm is an iterative method to find maximum likelihood（MLE） or maximum a posteriori (MAP) estimates of parameters in statistical models
C语言根据期望和方差生成随机数
最新发布
09-11
在C语言中，生成具有特定期望（均值）和方差的随机数通常需要先生成具有特定分布的随机数，然后根据期望和方差进行调整。对于正态分布的随机数，可以通过Box-Muller变换或其他方法生成服从标准正态分布（均值为0，方差为1）的随机数，然后将这些随机数转换为具有任意期望和方差的正态分布随机数。 以下是生成具有特定期望（mean）和方差（variance）的正态分布随机数的步骤： 1. 首先，生成两个独立的、服从标准正态分布N(0,1)的随机数U1和U2。这可以通过Box-Muller变换实现，该变换需要从均匀分布U(0,1)生成两个独立的随机数。 2. 接着，计算标准正态分布的随机数Z，通过公式： Z = sqrt(-2 * log(U1)) * cos(2 * PI * U2) 3. 然后，将标准正态分布的随机数Z转换为具有期望mean和方差variance的正态分布随机数X，使用公式： X = mean + sqrt(variance) * Z 在C语言中实现这一过程，可以使用标准库函数rand()生成均匀分布的随机数，并通过适当的数学运算来得到最终结果。以下是示例代码： ```c #include <stdio.h> #include <stdlib.h> #include <math.h> #include <time.h> double generateNormalRandom(double mean, double variance) { const double PI = 3.14159265358979323846; double u1 = (double)rand() / RAND_MAX; // U(0,1) double u2 = (double)rand() / RAND_MAX; // U(0,1) double z = sqrt(-2.0 * log(u1)) * cos(2.0 * PI * u2); return mean + sqrt(variance) * z; } int main() { srand((unsigned)time(NULL)); // 初始化随机数种子 double mean = 100.0; // 希望的均值 double variance = 15.0; // 希望的方差 // 生成随机数 double normalRandom = generateNormalRandom(mean, variance); printf("Generated normal random number: %f\n", normalRandom); return 0; } ``` 需要注意的是，这个方法仅适用于生成正态分布的随机数。如果需要生成其他分布的随机数，则需要采用不同的方法。
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
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