![](https://img-blog.csdnimg.cn/def3dc5a87034732a66e7066e476e97d.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
概率与数理统计
文章平均质量分 64
笔记大部分来源于《The Probability Liftsaver》
Uncertainty!!
生存/生活--商品和服务--货币--物欲--价值观--人生观--世界观
展开
-
参数估计和假设检验的区别与联系
简要了解参数估计和假设检验的区别与联系原创 2023-06-11 14:12:17 · 3044 阅读 · 1 评论 -
单正态总体和双正态总体的假设检验
简要了解单正态总体和双正态总体的假设检验原创 2023-06-11 14:11:28 · 1793 阅读 · 0 评论 -
参数估计(点估计和区间估计)
简要了解参数估计原创 2023-06-10 17:43:50 · 1541 阅读 · 0 评论 -
正态总体下常见的抽样分布
简要了解单个和两个正太总体下的抽样分布及其推导过程原创 2023-06-07 18:50:14 · 4998 阅读 · 0 评论 -
三大抽样分布
简单了解三大抽样分布:卡方分布、t分布、F分布原创 2023-06-07 15:36:07 · 1235 阅读 · 0 评论 -
常见的样本统计量及其数字特征
简要了解常见统计量及其数字特征推导原创 2023-06-06 21:19:34 · 966 阅读 · 0 评论 -
min(X,Y)和max(X,Y)的表达式
简单了解最大值函数分布和最小值函数分布的表达式原创 2023-06-04 15:48:07 · 1070 阅读 · 0 评论 -
几何分布和负二项分布的关系
简要了解几何分布和负二项分布的关系原创 2023-06-03 11:05:00 · 1944 阅读 · 0 评论 -
常见分布的期望和方差推导
手写推导常见分布的期望和方差原创 2023-06-01 16:09:16 · 547 阅读 · 0 评论 -
图解max{X,Y}和min{X,Y}并求相关概率
简要理解max{X,Y}和min{X,Y}并求相关概率原创 2023-05-31 17:27:25 · 2696 阅读 · 0 评论 -
联合分布、边缘分布、条件分布各函数之间的关系
联合分布、边缘分布、条件分布各函数之间的关系原创 2023-05-21 20:28:49 · 2234 阅读 · 0 评论 -
泊松分布和指数分布的关系
简要理解泊松分布和指数分布的关心原创 2023-05-19 00:02:11 · 819 阅读 · 0 评论 -
为什么分布函数的概率分布为均匀分布?
从图像角度理解为什么分布函数的概率分布为均匀分布原创 2023-05-18 17:41:31 · 2149 阅读 · 2 评论 -
分布函数有什么意义?
简要理解分布函数的意义和作用原创 2023-05-14 19:14:29 · 722 阅读 · 2 评论 -
概率分布到底有什么用?
简要介绍概率分布的作用、为什么非要确定一个分布、怎么确定一个分布?原创 2022-12-29 15:17:15 · 1474 阅读 · 0 评论 -
总体分布、样本分布、抽样分布的区别
简述总体分布、样本分布、抽样分布的区别原创 2022-12-28 17:26:55 · 2575 阅读 · 0 评论 -
随机变量的相关性与独立性
简要介绍随机变量的相关性与独立性的关系原创 2022-10-20 18:54:01 · 2197 阅读 · 0 评论 -
图解联合概率密度、边缘概率密度、条件概率密度之间的关系
简要图解联合概率密度、边缘概率密度、条件概率密度之间的关系原创 2022-10-12 12:46:01 · 21678 阅读 · 16 评论 -
随机变量的变量替换公式推导
图解变量替换的公式推导原创 2022-10-10 11:22:03 · 1320 阅读 · 0 评论 -
区分概率与似然
简要区分概率与似然原创 2022-10-08 17:48:03 · 471 阅读 · 0 评论 -
全概率公式和逆概率公式(贝叶斯公式)
简要理解全概率公式和贝叶斯公式原创 2022-10-08 17:16:06 · 4573 阅读 · 0 评论 -
如何处理连续值的概率问题?(概率密度)
如何处理连续值的概率问题?(概率密度)笔记来源于:3blue1brown由抛硬币实验引出连续值问题中遇到的悖论综上悖论如下如何避免悖论,从而正确处理连续值的概率问题?把关注点放在某个范围内的值上,而不是放在离散值上注意:下图中我们用高度表示概率大小此时纵坐标为概率注意:下图中我们用面积表示概率大小此时纵坐标为概率密度缩窄区间宽度(本质在取极限),以便了解更为详细的分布情况最终得到概率密度函数为什么我们要用面积代表概率,而不用高度代表概率?高度表示概率,为更准确了解分原创 2022-04-28 13:02:21 · 352 阅读 · 0 评论 -
假设检验(Hypothesis Testing)
1.假设检验我们给出关于某问题的一个假设,收集与这个问题相关的数据,看看这些数据是否支持我们的观点(1)原假设与备择假设以某饭店服务时间为例,某店声称每个订单平均时间 μ=45\mu=45μ=45s,有一天你又去了这个店,在 20 个订单样本中,你发现平均服务时间是 48 秒,标准差是 8 秒. 鉴于这些数据你相信这个店的说法吗?原假设:H0:μ≤45H_0:\mu \leq 45H0:μ≤45备择假设:Ha:μ>45H_a:\mu \gt 45Ha:μ>451.1 Z检验.原创 2022-03-03 15:45:29 · 9540 阅读 · 12 评论 -
二项分布的极大似然估计
二项分布的极大似然估计笔记来源:Maximum Likelihood for the Binomial Distribution, Clearly Explained!!!P(x∣n,p)P(x|n,p)P(x∣n,p)计算二项分布的极大似然估计L(p∣n,x)L(p|n,x)L(p∣n,x)原创 2022-02-28 18:17:06 · 12202 阅读 · 0 评论 -
指数分布的极大似然估计
指数分布的极大似然估计笔记来源:Maximum Likelihood for the Exponential Distribution, Clearly Explained!!!参数λ\lambdaλ为速率,与事件发生有频率成正比指数分布的极大似然的目标是在所给测量数据的基础上找到最优λ\lambdaλ例子:...原创 2022-02-28 16:43:27 · 7158 阅读 · 0 评论 -
正态分布的极大似然估计
1. 正态分布的极大似然估计笔记来源:Maximum Likelihood For the Normal Distribution, step-by-step!!!1.1 正态分布的参数对其形状的影响1.1.1 μ值对正态分布的影响1.1.2 σ值对正态分布的影响1.2 极大似然估计极大似然估计提供了一种给定观察数据来评估模型参数的方法【引用自:一文搞懂极大似然估计】P(所求 | 已知)、L(所求 | 已知)概率是已知模型和参数,推数据 P(x∣μ,σ)P(x|\mu,\sigma)P(原创 2022-02-28 15:39:35 · 23529 阅读 · 4 评论 -
极大似然估计(Maximum Likelihood Estimation)
1.极大似然估计笔记来源:Maximum Likelihood,clearly explained!!在日常对话中,我们说的“概率”和“似然”其实是一回事,但在统计领域中,“似然”指的是我们下面要描述的情况,即尝试为所给测量值的分布找到最优均值和最优标准差我们想要为这些样本数据找到最适合的分布,以便容易进行一些后续处理数据的工作,这个分布可应用到每一个同类型实验中在此例中,我们认为老鼠的体重可能符合正态分布正态分布意味着:1.大多数测量值(老鼠体重)接近样本均值2.我们希望测量值大致关于原创 2022-02-28 09:26:10 · 643 阅读 · 0 评论 -
随机变量的标准化
1.随机变量的标准化如何对一个随机变量做出调整, 从而使其均值为 0 且方差为 1.我们首先寻找一个均值为 0 且方差为 σ2 的随机变量 Y . 显然, Y = X − µ, 但 Y 的概率密度函数是什么?例子:...原创 2022-02-27 21:32:06 · 4873 阅读 · 0 评论 -
中心极限定理(Central Limit Theorem)
中心极限定理笔记来源:The Central Limit Theorem, Clearly Explained!!!中心极限定理包括两部分:1.被考察的量2.这个量会趋向于什么.(标准正态分布)原创 2022-02-27 21:31:02 · 4057 阅读 · 0 评论 -
矩母函数(Moment Generating Function)
矩母函数如果能求出一个随机变量的矩母函数,那么我们就可以通过求导来轻松地找到任意一个矩,而矩可以让我们了解分布的函数图像形状(类似于泰勒级数近似函数图像)所有的矩并不总是可以唯一确定概率分布复分析中拉普拉斯公式和傅里叶反演公式,用来确定什么时候可以用矩唯一地确定概率密度函数回顾矩矩母函数各个常见分布的矩母函数和特征函数截图来源:Moment Generating Function矩母函数的性质性质一:通过泰勒级数展开证明性质一直接对 tkt^ktk 求导证明性质一原创 2022-02-27 15:49:16 · 32248 阅读 · 6 评论 -
马尔可夫不等式、切比雪夫不等式
1.马尔可夫不等式(Markov’s inequality)在概率论中,马尔可夫不等式给出了随机变量的非负函数大于或等于某个正常数 ϵ\epsilonϵ 的概率的上限下图来自:Markov inequality下图为任一分布的概率密度函数图像图片来自:Mathematical Foundations of Computer Networking: Probabilityaaa越大,阴影部分的面积越小,即概率越小使用马尔可夫不等式的条件:随机变量 XXX 为非负的,且均值是有限的下图中的原创 2022-02-26 16:58:08 · 7399 阅读 · 2 评论 -
卡方分布(Chi-Square Distribution)
1.卡方分布在统计学中, 很多假设检验的检验统计量在原假设下服从卡方分布. 这种检验统计量服从卡方分布的假设检验适用于分类数据.Γ(v2)\Gamma(\frac{v}{2})Γ(2v)为伽马函数检验此PDF的积分值是否为1?自由度(DoF)的正式定义为统计学中可以自由变化的数值个数. 如果有 N 个观测值,那么自由度通常是 N − 1 或 N.1.1 卡方分布与标准正态分布的关系服从标准正态分布的随机变量服从自由度为1的卡方分布1.2 计算自由度为 k = 1 的卡方分布的原创 2022-02-25 21:29:48 · 48069 阅读 · 2 评论 -
伽马函数、贝塔函数
伽马函数1.1 伽马函数方程1.2 伽马函数方程与阶乘函数的关系1.3 余割等式计算 Γ(12)\Gamma(\frac{1}{2})Γ(21)利用余割等式计算 Γ(12)\Gamma(\frac{1}{2})Γ(21)Γ(12)Γ(1−12)=πsin(π12)=π Γ(12)=π\Gamma(\frac{1}{2})\Gamma(1-\frac{1}{2})=\frac{\pi}{\text{sin}(\pi\frac{1}{2})}=\pi\\~\\\Gam原创 2022-02-24 21:42:07 · 10651 阅读 · 0 评论 -
正态分布(一种连续分布)
正态分布笔记来源:Probability Density Function of the Normal Distribution哪种函数的图像与正态分布PDF的图像更加接近?从函数的渐近线为x轴角度,排除到只剩下有理函数和指数函数基本符合有理函数的图像虽然渐近线为x轴,但大体上图像与正态分布PDF的图像不太相似笔记来源:Normal Distribution计算均值计算方差...原创 2022-02-23 22:57:21 · 238 阅读 · 0 评论 -
指数分布(一种连续分布)、爱尔朗分布
1.指数分布两种定义:1. 1λe−x/λ\frac{1}{\lambda}e^{-x/\lambda}λ1e−x/λ2. λe−λx\lambda e^{-\lambda x}λe−λx1.1 指数分布的第一种定义1.1.1 概率密度函数(PDF)第一种指数分布的概率密度函数定义:1.1.2 均值和方差计算均值和方差例子:1.1.3 爱尔朗分布服从指数分布的随机变量之和服从爱尔朗分布例子:n=2n=2n=2,通过卷积公式计算两个随机变量之和的PDF当 nnn原创 2022-02-23 15:13:30 · 46501 阅读 · 4 评论 -
连续均匀分布
连续均匀分布该分布描述了一个实验,其中存在位于特定界限之间的任意结果根据均值μ\muμ和方差σ2\sigma^2σ2,概率密度函数也可以写为:累积分布函数为:根据均值μ\muμ和方差σ2\sigma^2σ2,累积分布函数也可以写为:例子:使用累积分布函数使用累积分布函数计算均值和方差均值为:计算方差的两种方式:E[(X−μX)2]E[(X-\mu_X)^2]E[(X−μX)2]E[X2]−E[X]2E[X^2]-E[X]^2E[X2]−E[X]2这里我们原创 2022-02-22 22:56:58 · 993 阅读 · 0 评论 -
变量替换(从一个随机变量过渡到另一个随机变量)
变量替换利用简单随机变量来理解复杂随机变量的方式有两种:1.卷积(随机变量之和)2.变量替换(随机变量的过渡)随机变量的概率密度函数(PDF)之间存在的一种非常好的依赖关系【研究工具:变量替换公式】当只有一个变量时,实际上就是链式法则当设计多个变量时,情况变得复杂我们暂时只讨论单变量例子:...原创 2022-02-22 21:47:25 · 2513 阅读 · 0 评论 -
离散均匀分布
离散均匀分布n 个值中的每一个具有相等的概率 1/ n截图来源:Discrete Uniform Distribution例子:投掷一个骰子6个值中每个值出现的概率为 1/61/61/6投掷两个骰子出现的两值之和,结果分布不再均匀,因为并非所有和的概率都相等例子:德国坦克问题...原创 2022-02-20 23:16:02 · 5133 阅读 · 0 评论 -
泊松分布(一种离散分布)
泊松分布泊松分布适合于描述单位时间内随机事件发生的次数截图来源:泊松分布适用情况:截图来源:poisson distribution计算均值和方差μX=λ\mu_X=\lambdaμX=λ1=∑n=0∞λne−λn!1=\sum_{n=0}^{\infty}\frac{\lambda^ne^{-\lambda}}{n!}1=n=0∑∞n!λne−λ两端同乘 λ2ddλ\lambda^2\frac{d}{d\lambda}λ2dλd后整理求得E[X2]E[X^2原创 2022-02-20 17:01:05 · 1372 阅读 · 0 评论 -
如何理解卷积(Convolution)?
1.如何理解卷积?笔记来源:【小动画】彻底理解卷积【超形象】卷的由来,小元老师1.1 角度一(概率统计)概率中的卷积提供了一种得到随机变量之和的概率密度函数方式,卷积是一种运算,概率中用∗\ast∗来表示以两个随机变量为例两个相互独立的随机变量XXX和随机变量YYY的概率密度函数通过卷积得到随机变量之和X+YX+YX+Y的概率密度函数假设第一行为某人数学考试的可能得分、第二行为某人英语考试的可能得分【假设满分20】获得每个分数的概率为 1/201/201/20,此人两科总分为35分的概率是原创 2022-02-18 00:15:10 · 6376 阅读 · 10 评论