连续型随机变量 | 学习笔记

简介: 快速学习连续型随机变量

开发者学堂课程【人工智能必备基础:概率论与数理统计:连续型随机变量】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/545/detail/7420


连续型随机变量

内容介绍

一、理解概率函数和概率分布

二、概率密度函数

 

一、理解概率函数和概率分布

1.概率密度:对于连续型随机变量 X ,我们不能给出其取每一个值的概率也就是画不出那个分布表,这里我们选择使用密度来表示其概率分布

2.假设有一组零件,由于各种因素的影响,其长度是各不相同的

image.png

其最小值为 128,最大值为 155,所以取到这个区间任意的值是不确定的

例如在 60-120kg 中,取到 61.368 的概率为 0

 

二、概率密度函数

离散型的已经知道怎样处理,按照这个思路先简单分组

image.png

以 4 为单位构造 7 个区间

任意一个实际数据就会落进一个区间

落入以后,该区间的频数会加 1

绘制频率分布直方图

image.png

组的个数越少,越接近折线

组的个数越多,越接近曲线

这样看起来有点粗糙,当我们把样本数据增加,分组数同时也增加,这样的轮廓变得越来越细致,接近于一条曲线

密度:一个物体,我们如果问其中一个点的质量是多少?这该怎么求?由于这个点实在太小了,那么质量就为 0 了,但是其中的一大块是由很多个点组成的,这是我们就可以根据密度来求质量了

X 为连续随机变量,X 在任意区间(a,b】上的概率可以表示为:

image.png

其中 f(x)就叫做 X 的概率密度函数,也可以简单叫做密度

image.png

概率密度函数用数学公式表示就是一个积分,也可以把概率形象的说成面积

image.png

图(a)是连续型随机变量的分布函数,图(b)是其概率密度函数图像

相关文章
|
机器学习/深度学习 算法
24 正态分布和最大熵
24 正态分布和最大熵
96 0
|
资源调度 数据处理
第8章 概率统计——8.1 产生随机变量
第8章 概率统计——8.1 产生随机变量
概率论笔记(二)概率分布
概率论笔记(二)概率分布
101 0
|
人工智能 开发者
似然函数 | 学习笔记
快速学习似然函数
似然函数 | 学习笔记
|
人工智能 开发者
皮尔森相关系数 | 学习笔记
快速学习皮尔森相关系数
皮尔森相关系数 | 学习笔记
|
机器学习/深度学习 算法 开发者
自变量选择(2)| 学习笔记
快速学习自变量选择(2)。
自变量选择(2)| 学习笔记
|
机器学习/深度学习 算法 开发者
自变量选择(3) | 学习笔记
快速学习自变量选择(3)。
自变量选择(3)  | 学习笔记
|
机器学习/深度学习 算法 开发者
自变量选择1| 学习笔记
快速学习自变量选择1。
自变量选择1| 学习笔记
|
人工智能 开发者
条件概率 | 学习笔记
快速学习条件概率
条件概率 | 学习笔记