机器学习预备知识之概率论(下)

标签：机器学习   期望   方差   高斯分布   泊松分布   

期望值和方差

随机变量的期望值E(X)，也称为平均数或者均值，使用下面的公式计算，这两个公式分别用于计算离散随机变量和连续随机变量的期望值：

使用上面的公式计算指示器变量（取值要么为1要么为0的随机变量）可得：

下面是与期望有关的两个重要定理，第一个是期望的线性性质：

无论随机变量是否相互独立，期望的线性性质都成立。而第二个定义只有在随机变量相互独立时才成立：

期望其它重要的性质还有：如果C是常数则E(C)=C，E(CX)=CE(X)。

方差用于衡量一个分布的离散程度，使用下面的公式计算方差：

通常使用 表示方差，使用 表示标准差，标准差和方差的关系为： 

在已知随机变量X的期望时，可以通过下面的公式快速的计算X的方差：

上述推导过程利用了期望的线性性质以及如果C是常数则E(C)=C，E(CX)=CE(X)（此处C为E(X)）。方差不是随机变量的线性函数，比如：

如果随机变量X和Y相互独立，那么有下面的关系：

两个随机变量的协方差定义如下，协方差表示两个随机变量的相关程度：

伯努利、泊松和高斯分布

伯努利分布是最基本的分布之一，服从伯努利分布的随机变量X只能取两个值0和1，通常使用p表示X取值为1的概率，即p=P(X=1)，q为X取值为0的概率，即q= P(X=0)=1-p。由于X只能取值0和1，因此常用语表示试验是否成功。由定义可知伯努利的分布为：

还可以将上面公式概括为：。伯努利分布的期望和方差分别为p和p(1-p)，计算过程如下：

泊松分布是处理事件发生的非常有用的分布，适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等。

期望和方差都为λ，计算过程如下：

在上述的推导过程中用到了一个重要的公式： 。

高斯分布也称为正态分布，是最常使用的分布之一，比如可以在试验次数非常大时用于近似的表示二项式分布，或者在平均发生率很高时近似表示泊松分布，还与大数定理有关。高斯分布由两个参数决定：期望μ和方差σ²，其公式如下：

下图为高斯分布的示例图，从该图中可以得知：期望决定正态曲线的中心位置，方差决定正态曲线的陡峭或扁平程度。方差越小，曲线越陡峭；方差越大，曲线越扁平。

在机器学习中经常会处理多变量的高斯分布，k维多变量的高斯分布可以使用参数(μ,Σ)表示，其中μ为期望值的k维向量，Σ为kxk协方差矩阵，其中Σ_ii=Var(X_i)，Σ_ij= Cov(X _i,X _j)。多变量高斯分布的概率密度函数为：

机器学习预备知识之概率论(下)

标签：机器学习   期望   方差   高斯分布   泊松分布   

原文地址：http://blog.csdn.net/skywalker_only/article/details/41620959