程序员的数学【概率论】(二)

简介: 本文其实值属于:程序员的数学【AIoT阶段二】 的一部分内容,本篇把这部分内容单独截取出来,方便大家的观看,本文介绍 概率论

六、数学期望与方差

6.1 期望

🚩这个在学概率论的时候同学们都是学过的,这是核心概念之一。什么是数学期望,从均值开始看起:

20.png

21.png

这里的1/n可以看作是每个样本x的权重,或者叫概率,如果把它替换称概率pi就得到了我们的数学期望。

说白了,对于离散型的随机变量而言,数学期望就是概率意义的平均值。

对于连续型的随机变量,把它推广一下变成定积分,求一个广义积分就是数学期望。

22.png

import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate
def f(x, sigma, u):# 概率密度
    return 1 / (np.sqrt(2 * np.pi) * sigma) * np.exp(-(x - u) ** 2 / (2 * sigma ** 2))
x = np.linspace(-10, 10, 300) 
y = f(x, 2, -5) # 标准差是2,平均值是2.5
plt.plot(x, y)
# 计算数学期望函数
def E(x, sigma, u):
    return x * f(x, sigma, u)
print('不定积分计算正太分布数学期望:',
      np.round(integrate.quad(E, -100, 100, args = (2, -5))[0], 1))

23.png

6.2 方差

🚩方差反应的数据的波动程度的,就是它和均值,我们的数学期望偏离程度的平均。这里每个数据减去期望的平方,不平方的话正负抵消掉了,然后再乘以P概率值24.png

离散性随机变量:

# 离散型随机变量
import numpy as np
X = np.random.randint(-10, 10, size = 20)
display(X)
print('Numpy库提供的函数计算方差:%0.2f' % (np.var(X)))
# X.mean为期望
var = ((X - X.mean()) ** 2).sum() / 20
print('根据公式计算的方差为:%0.2f' % (var))

image.png

连续型随机变量:

# 连续型随机变量的方差
import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate
def f(x, sigma, u): # 概率密度函数
    return 1 / (np.sqrt(2 * np.pi) * sigma) * np.exp(-(x - u) ** 2 / (2 * sigma ** 2))
x = np.linspace(-10, 10, 300)
y = f(x, 2, 2.5) # 标准差是2,均值(期望)是2.5
plt.plot(x, y)
# 计算数学方差函数
def D(x, sigma, u):
    return (x - 2.5) ** 2 * f(x, sigma, u)
print('不定积分计算正太分布方差是:',
      np.round(integrate.quad(D, -5, 10, args = (2, 2.5))[0], 1))
# 标准差的平方,就是方差

25.png

6.3 重要公式26.png

上式中的(xE(x))2化简如下。利用数学期望的线性性质:

27.png

这是求方差时非常常用的一个公式!

七、随机向量

🚩线性代数中,我们把标量 x 推广到向量,就是它有多个分量。


同样我们把单个随机变量可以推广到随机向量,就是它有多个分量,这样就有了随机向量的概念了,这是很自然的延申。


离散型的随机向量向量 X 取某一个具体的值为向量 X i  ,然后取每一个向量值的概率都大于等于 0 ,所有的概率加起来要等于 1 ,符合这两个约束条件就可以了。


28.png

29.png

连续型的随机向量,它是用 0  和概率密度函数来描述的,n  重积分等于 1,相当于体积等于 1。

30.png

下面是二维的随机向量:

31.png

八、随机变量独立性

🚩两个随机变量如果相互独立的话,它们的联合概率密度函数等于它们的分别的概率密度函数乘积推广到多个随机变量相互独立

32.png

这和随机事件的形式上是统一的,f(x)换成符号p(x)就可以了。





目录
相关文章
|
数据可视化 数据挖掘 开发者
import有什么用,python中怎么使用import
import有什么用,python中怎么使用import
960 1
|
存储 文字识别 分布式计算
阿里云视觉系统使用技巧
【10月更文挑战第3天】阿里云视觉系统基于强大的计算能力和人工智能技术,为用户提供了多种图像处理与分析的解决方案。无论是图像识别、目标检测,还是视频分析,阿里云视觉系统都能帮助开发者和企业实现自动化、高效化的图像处理任务。本文将分享一些阿里云视觉系统的实用技巧,帮助你更好地使用这款强大的工具。
197 3
|
8月前
|
存储 移动开发 算法
【狂热算法篇】解锁数据潜能:探秘前沿 LIS 算法
【狂热算法篇】解锁数据潜能:探秘前沿 LIS 算法
|
11月前
|
UED
<大厂实战经验> Flutter&鸿蒙next 中使用 initState 和 mounted 处理异步请求的详细解析
在 Flutter 开发中,处理异步请求是常见需求。本文详细介绍了如何在 `initState` 中触发异步请求,并使用 `mounted` 属性确保在适当时机更新 UI。通过示例代码,展示了如何安全地进行异步操作和处理异常,避免在组件卸载后更新 UI 的问题。希望本文能帮助你更好地理解和应用 Flutter 中的异步处理。
292 5
|
Kubernetes Cloud Native Docker
云原生时代的容器化实践:Docker与Kubernetes入门
【9月更文挑战第30天】在云计算的浪潮中,云原生技术正以前所未有的速度重塑着软件开发和运维领域。本文将通过深入浅出的方式,带你了解云原生的核心组件——Docker容器和Kubernetes集群,并探索它们如何助力现代应用的构建、部署和管理。从Docker的基本命令到Kubernetes的资源调度,我们将一起开启云原生技术的奇妙之旅。
|
架构师 云计算
FinOps从业者认证(FinOps Certified Practitioner)
本课程涵盖FinOps基础知识、框架、核心角色及专业术语,并介绍云计算与FOCUS倡议入门。适合财务、采购、产品等部门专业人士,及ITAM、ITFM等领域的合作角色。课程包含互动培训模块、12个月材料访问权限及认证考试。通过考试后,可获FinOps认证证书及数字徽章,有效期24个月。考试由50道选择题组成,需达到75%得分。
|
安全 网络安全 数据安全/隐私保护
HTTP与HTTPS协议区别及应用场景
在互联网高速发展的今天,HTTP与HTTPS作为数据传输的基石,作用至关重要。HTTP允许客户端与服务器间传输超文本文档,但其数据传输过程未加密,存在安全隐患;HTTPS则在此基础上加入了SSL/TLS协议,实现了数据加密传输,增强了安全性,广泛应用于电子商务、网上银行、政府网站及社交媒体平台等涉及敏感信息传输的领域,有效保护了用户隐私和数据安全。随着网络安全意识提升,HTTPS正逐渐成为主流。
|
canal 消息中间件 关系型数据库
微服务轮子项目(36) -Canal数据库日志解析消费
微服务轮子项目(36) -Canal数据库日志解析消费
265 0
|
机器学习/深度学习 人工智能 物联网
AI智造系统
6月更文挑战第23天
函数栈帧的创建和销毁
👩‍💻博客主页:[风起 风落](https://blog.csdn.net/qq_62939852?spm=1001.2101.3001.5343)的博客主页 ✨欢迎关注🖱点赞🎀收藏⭐留言✒ 👕参考网站:牛客网 🎨你的收入跟你的不可替代成正比 🀄如果觉得博主的文章还不错的话,请三连支持一下博主哦 💬给大家介绍一个求职刷题收割offer的地方👉[点击进入网站 ](https://www.nowcoder.com/link/pc_csdncpt_fqfl_c)
161 0
函数栈帧的创建和销毁