机器学习小组知识点11:几何分布(Geometric Distribution )
2016-11-11 20:44
375 查看
适用环境:
每一个随机变量都是伯努利分布,即相互独立,发生的情况只有两种情况。几何分布描述的是指多次伯努利实验成功的概率。记成功的概率为p,失败的概率为1−p或者记为q。举例说明,求连续投掷一枚硬币,求第一次出现上面的概率分布,实际上就是一个几何分布。
概率分布函数:
f(x,p)=p(1−p)x−1其中,x代表成功的次数,取值为1,2,⋯⋯。
概率和方差:
平均值:1p方差:1−pp2
关于平均值和方差的证明涉及到无穷级数的求和,更多的请点击
与二项分布的关系:
x次试验中最后一次得到成功的分布 →几何分布在 n 次试验中得到 x 次成功的分布 →二项分布
相关文章推荐
- 机器学习小组知识点30:接受-拒绝采样(Acceptance-Rejection Sampling)
- 机器学习小组知识点12:超几何分布(Hyper-Geometric Distribution)
- 机器学习小组知识点7:伯努利分布(Bernouli Distribution)
- 机器学习小组知识点34:K-means聚类
- 机器学习小组知识点4&5:批量梯度下降法(BGD)和随机梯度下降法(SGD)的代码实现Matlab版
- 机器学习小组知识点40:岭回归(L2)和LASSO(L1)
- 机器学习小组知识点31:重要性采样(Importance Sampling )
- 机器学习小组知识点32:马尔科夫蒙特卡罗采样算法1:(Metropolis-Hasting )
- 机器学习小组知识点15:高斯分布/正态分布(Gaussian Distribution/Normal Distribution)
- 机器学习小组知识点33:马尔科夫蒙特卡罗采样算法2:(Gibbs )
- 机器学习小组知识点19:贝塔分布(Beta Distribution)
- 机器学习小组知识点29:离线等可能K采样(Offline Sampling)
- 机器学习小组知识点37:Canoy聚类
- 机器学习小组知识点13:泊松分布(Poisson Distribution)
- 机器学习小组知识点26:数据预处理之数据规约(Data Reduction)
- 机器学习小组知识点4:批量梯度下降法(BGD)
- 机器学习小组知识点8:二项式分布(Binomial distribution)
- 机器学习小组知识点14:均匀分布(Uniform Distribution)
- 机器学习小组知识点38:谱聚类(Spectral-KMeans)
- 机器学习小组知识点39:广义线性模型(Generalized Linear Model)