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(x−E(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
|
11月前
|
机器学习/深度学习 算法 关系型数据库
🎮 强化学习
强化学习(RL)是一种通过智能体与环境交互,基于试错和延迟奖励学习最优策略的机器学习方法。核心要素包括状态、动作、奖励、策略与价值函数。常用算法有Q-learning、策略梯度、PPO、DPO等,广泛应用于游戏、机器人及大模型对齐人类偏好(如RLHF)。其关键挑战在于平衡探索与利用、偏差与方差,并提升样本效率与训练稳定性。
|
7月前
|
存储 Linux 数据安全/隐私保护
自建私人云盘|OpenList 保姆级部署,吊打各大网盘
OpenList是开源网盘聚合工具,支持阿里云盘、百度网盘、夸克等数十种存储服务。一键Docker部署,统一管理多网盘文件,视频直链播放不耗服务器带宽,隐私安全有保障。(239字)
|
8月前
|
Java 测试技术 数据库
Java 全链路测试体系:单元测试、集成测试与 TDD 从原理到落地
本文系统讲解Java测试体系,涵盖测试金字塔模型、单元测试(FIRST原则、JUnit5/Mockito/AssertJ实战)、集成测试(TestContainers真实环境)、TDD红-绿-重构实践,以及覆盖率认知、CI/CD集成等落地准则,助力开发者构建高质可维护代码。
839 1
|
8月前
|
存储 NoSQL Java
扛住百万级 QPS:高并发架构核心三板斧全解
本文系统阐述高并发架构三大核心支柱:流量削峰(前端拦截、网关限流、应用缓冲、分布式限流)、异步化(本地CompletableFuture与RocketMQ分布式解耦)及水平扩展(无状态化、服务注册发现、读写分离与分库分表),并以秒杀系统为例实战整合,兼顾避坑指南与概念辨析。
830 3
|
7月前
|
数据采集 人工智能 自然语言处理
新手必备 OpenClaw 实用技能配置与使用教程(包含最新版安装包)
OpenClaw 2.6.2(小龙虾)主打Skill技能扩展,无需编程即可用自然语言驱动AI完成办公自动化:文件整理、Office/PDF处理、网页采集、系统维护、内容生成等15类高频任务。新手推荐5个必开技能,一键执行多步操作,大幅提升效率。轻量安全,即装即用。
|
7月前
|
数据采集 人工智能 自然语言处理
AI与就业革命——替代、创造与技能重构
“AI会取代我的工作吗?”这或许是过去三年被问及最多的问题。
1638 0
|
10月前
|
人工智能 中间件 API
【架构最佳实践】大模型落地的隐形英雄:为何企业级应用必须引入“AI调度官”?
本文提出“AI调度官”架构,作为连接业务与模型的智能中间件,在阿里云环境下实现模型路由、流量分发与成本优化。通过意图识别、动态调度与熔断降级,平衡智能与成本,助力企业构建高性价比的生成式AI应用。
606 3
|
Web App开发 JavaScript
技术经验解读:【原创开源项目】EPUBBuilder一款在线的epub电子书编辑工具
技术经验解读:【原创开源项目】EPUBBuilder一款在线的epub电子书编辑工具
1355 0