【机器学习 基本概念】泊松分布与指数分布
2017-04-01 20:59
519 查看
本文转载自:泊松分布和指数分布:10分钟教程
作者: 阮一峰
日期: 2015年6月10日
大学时,我一直觉得统计学很难,还差点挂科。
工作以后才发现,难的不是统计学,而是我们的教材写得不好。比起高等数学,统计概念其实容易理解多了。
我举一个例子,什么是泊松分布和指数分布?恐怕大多数人都说不清楚。
我可以在10分钟内,让你毫不费力地理解这两个概念。
日常生活中,大量事件是有固定频率的。
某医院平均每小时出生3个婴儿
某公司平均每10分钟接到1个电话
某超市平均每天销售4包xx牌奶粉
某网站平均每分钟有2次访问
它们的特点就是,我们可以预估这些事件的总数,但是没法知道具体的发生时间。已知平均每小时出生3个婴儿,请问下一个小时,会出生几个?
有可能一下子出生6个,也有可能一个都不出生。这是我们没法知道的。
泊松分布就是描述某段时间内,事件具体的发生概率。
上面就是泊松分布的公式。等号的左边,P 表示概率,N表示某种函数关系,t 表示时间,n 表示数量,1小时内出生3个婴儿的概率,就表示为 P(N(1) = 3) 。等号的右边,λ 表示事件的频率。
接下来两个小时,一个婴儿都不出生的概率是0.25%,基本不可能发生。
接下来一个小时,至少出生两个婴儿的概率是80%。
泊松分布的图形大概是下面的样子。
可以看到,在频率附近,事件的发生概率最高,然后向两边对称下降,即变得越大和越小都不太可能。每小时出生3个婴儿,这是最可能的结果,出生得越多或越少,就越不可能。
指数分布是事件的时间间隔的概率。下面这些都属于指数分布。
婴儿出生的时间间隔
来电的时间间隔
奶粉销售的时间间隔
网站访问的时间间隔
指数分布的公式可以从泊松分布推断出来。如果下一个婴儿要间隔时间 t ,就等同于 t 之内没有任何婴儿出生。
反过来,事件在时间 t 之内发生的概率,就是1减去上面的值。
接下来15分钟,会有婴儿出生的概率是52.76%。
接下来的15分钟到30分钟,会有婴儿出生的概率是24.92%。
指数分布的图形大概是下面的样子。
可以看到,随着间隔时间变长,事件的发生概率急剧下降,呈指数式衰减。想一想,如果每小时平均出生3个婴儿,上面已经算过了,下一个婴儿间隔2小时才出生的概率是0.25%,那么间隔3小时、间隔4小时的概率,是不是更接近于0?
一句话总结:泊松分布是单位时间内独立事件发生次数的概率分布,指数分布是独立事件的时间间隔的概率分布。
请注意是"独立事件",泊松分布和指数分布的前提是,事件之间不能有关联,否则就不能运用上面的公式。
[说明] 本文受到 nbviewer
文档的启发。
(正文完)
作者: 阮一峰
日期: 2015年6月10日
大学时,我一直觉得统计学很难,还差点挂科。
工作以后才发现,难的不是统计学,而是我们的教材写得不好。比起高等数学,统计概念其实容易理解多了。
我举一个例子,什么是泊松分布和指数分布?恐怕大多数人都说不清楚。
我可以在10分钟内,让你毫不费力地理解这两个概念。
一、泊松分布
日常生活中,大量事件是有固定频率的。某医院平均每小时出生3个婴儿
某公司平均每10分钟接到1个电话
某超市平均每天销售4包xx牌奶粉
某网站平均每分钟有2次访问
它们的特点就是,我们可以预估这些事件的总数,但是没法知道具体的发生时间。已知平均每小时出生3个婴儿,请问下一个小时,会出生几个?
有可能一下子出生6个,也有可能一个都不出生。这是我们没法知道的。
泊松分布就是描述某段时间内,事件具体的发生概率。
上面就是泊松分布的公式。等号的左边,P 表示概率,N表示某种函数关系,t 表示时间,n 表示数量,1小时内出生3个婴儿的概率,就表示为 P(N(1) = 3) 。等号的右边,λ 表示事件的频率。
接下来两个小时,一个婴儿都不出生的概率是0.25%,基本不可能发生。
接下来一个小时,至少出生两个婴儿的概率是80%。
泊松分布的图形大概是下面的样子。
可以看到,在频率附近,事件的发生概率最高,然后向两边对称下降,即变得越大和越小都不太可能。每小时出生3个婴儿,这是最可能的结果,出生得越多或越少,就越不可能。
二、指数分布
指数分布是事件的时间间隔的概率。下面这些都属于指数分布。婴儿出生的时间间隔
来电的时间间隔
奶粉销售的时间间隔
网站访问的时间间隔
指数分布的公式可以从泊松分布推断出来。如果下一个婴儿要间隔时间 t ,就等同于 t 之内没有任何婴儿出生。
反过来,事件在时间 t 之内发生的概率,就是1减去上面的值。
接下来15分钟,会有婴儿出生的概率是52.76%。
接下来的15分钟到30分钟,会有婴儿出生的概率是24.92%。
指数分布的图形大概是下面的样子。
可以看到,随着间隔时间变长,事件的发生概率急剧下降,呈指数式衰减。想一想,如果每小时平均出生3个婴儿,上面已经算过了,下一个婴儿间隔2小时才出生的概率是0.25%,那么间隔3小时、间隔4小时的概率,是不是更接近于0?
三、总结
一句话总结:泊松分布是单位时间内独立事件发生次数的概率分布,指数分布是独立事件的时间间隔的概率分布。
请注意是"独立事件",泊松分布和指数分布的前提是,事件之间不能有关联,否则就不能运用上面的公式。
[说明] 本文受到 nbviewer
文档的启发。
(正文完)
相关文章推荐
- 【机器学习 基本概念】泊松分布与泊松过程
- 【机器学习 基本概念】泊松分布与美国枪击案
- 十张图解释机器学习的基本概念
- 机器学习基本概念
- 分布式系统基本概念(一致性、数据分布、复制策略、分布式协议)
- 机器学习第一张基本概念理解
- 数据挖掘和机器学习的基本概念
- 【概率论系列学习】泊松分布和指数分布的关系
- 机器学习中贝叶斯判决、概率分布、样本等概念间的关系
- 006 二项分布、泊松分布、几何分布、指数分布、正态分布习题
- 三张图读懂机器学习:基本概念、五大流派与九种常见算法
- 三张图读懂机器学习:基本概念、五大流派与九种常见算法
- 【机器学习 基本概念】矩阵、向量求导法则
- 机器学习基础学习笔记1-基本概念
- 介绍机器学习基本概念(七张图)
- 指数基本概念及种类
- 【机器学习 基本概念】监督学习、无监督学习、半监督学习与强化学习
- 用十张图解释机器学习的基本概念
- 【分布计算环境学习笔记】1 基本概念和发展历史
- [转]泊松分布和指数分布:10分钟教程