AI基础(一)期望和方差
2017-11-07 11:08
197 查看
数学期望是AI的基础,期望的定义:在概率论和统计学中,数学期望(mean)(或均值,亦简称期望)是试验中每次可能结果的概率乘以其结果的总和,是最基本的数学特征之一。它反映随机变量平均取值的大小。
方差:(variance)是在概率论和统计方差衡量
随机变量或一组数据时离散程度的度量。概率论中方差用来度量 随机变量和其
数学期望(即 均值)之间的偏离程度。
后期的深度学习都是围绕这两个核心概念在进行处理。
离散期望计算:
某游戏公司离散对100万个玩家进行调查,一个有游戏都不玩的10000个,玩有一个游戏的玩家有90万个,玩两个游戏的有60000个,玩3个游戏的的家庭有30000个。
则此玩家中任一个玩家不玩的数目是一个随机变量,记为X。它可取值0,1,2,3。
其中,X取0的概率为0.01,取1的概率为0.9,取2的概率为0.06,取3的概率为0.03。
则,它的数学期望
,即此100万玩家平均玩游戏1.11个。
连续型期望计算:
设连续性随机变量X的概率密度函数为f(x),若积分绝对收敛,则称积分的值
为随机变量的数学期望,记为E(X)。就是f(X)*x在区间内的积分(代替了离散的求和)
核心区别:离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数,就是离散型随机变量。比如掷硬币就是离散的。
同理:
离散型方差的计算式为:离散型方差的计算式为:
,其中
。
而将上式展开后可得:
连续型方差的计算式为:
,其中
方差:(variance)是在概率论和统计方差衡量
随机变量或一组数据时离散程度的度量。概率论中方差用来度量 随机变量和其
数学期望(即 均值)之间的偏离程度。
后期的深度学习都是围绕这两个核心概念在进行处理。
离散期望计算:
某游戏公司离散对100万个玩家进行调查,一个有游戏都不玩的10000个,玩有一个游戏的玩家有90万个,玩两个游戏的有60000个,玩3个游戏的的家庭有30000个。
则此玩家中任一个玩家不玩的数目是一个随机变量,记为X。它可取值0,1,2,3。
其中,X取0的概率为0.01,取1的概率为0.9,取2的概率为0.06,取3的概率为0.03。
则,它的数学期望
,即此100万玩家平均玩游戏1.11个。
连续型期望计算:
设连续性随机变量X的概率密度函数为f(x),若积分绝对收敛,则称积分的值
为随机变量的数学期望,记为E(X)。就是f(X)*x在区间内的积分(代替了离散的求和)
核心区别:离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数,就是离散型随机变量。比如掷硬币就是离散的。
同理:
离散型方差的计算式为:离散型方差的计算式为:
,其中
。
而将上式展开后可得:
连续型方差的计算式为:
,其中
相关文章推荐
- 统计学概念基础---数学期望,方差,标准差,协方差,自协方差,自相关
- 机器学习之数学基础——期望、方差、协方差、相关系数、矩、协方差矩阵
- 机器学习数学|概率论基础常见概型分布期望与方差
- 统计学概念基础---数学期望,方差,标准差,协方差
- 机器学习的数学基础(一)—— 期望、方差、协方差与相关系数
- 统计学概念基础---数学期望,方差,标准差,协方差
- 概率论 各种分布及其期望、方差、分布函数
- 学习笔记DL008:概率论,随机变量,概率分布,边缘概率,条件概率,期望、方差、协方差
- 数学期望与方差E(X) D(X)
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(4-1)-- 卷积神经网络基础
- MMORPG大型游戏设计与开发(服务器 AI 基础接口)
- 期望、方差、协方差及相关系数的基本运算
- 几何分布期望,方差推导
- AI数学基础(1)——贝叶斯公式
- 向AI转行——人工智能工程师必学的数学基础
- AI芯片到底是个神马 | 解读技术 | AI基础 | 算力必备
- 【AI_Python】Python基础
- AI基础部分视频及素材下载地址
- 我教宝宝学AI (二)基础知识
- 二项分布期望和方差