【概率论】5-2:伯努利和二项分布(The Bernoulli and Binomial Distributions)
title: 【概率论】5-2:伯努利和二项分布(The Bernoulli and Binomial Distributions)
categories:
- Mathematic
- Probability
keywords:
- Bernoulli Distributions
- Binomial Distributions
toc: true
date: 2018-03-27 21:15:22
Abstract: 本文介绍Bernoulli Distribution (伯努利分布)和Binomial Distribution(二项分布)
Keywords: Bernoulli Distributions,Binomial Distributions
开篇废话
吐血更,一天三篇,虽然上一篇只能算一段,但是确实应该加快总结的步伐了,给后面的新内容腾出足够的时间
一杯敬自由,一杯敬死亡
在本章的开始,我们从离散分布下手,看看每个分布有这什么样的特点,然后用我们的工具分析研究其内在的性质,当然要从最简单的开始,逐步构建出我们要研究的有代表性的这些分布,第一个被处理的就是伯努利分布(bernoulli Distribution)
随机变量 XXX 只有两个取值,0或者1,并且取1的概率固定是ppp 那么我们就说 XXX 有一个参数为 ppp 的伯努利分布。如果我们只知道试验输出对应的随机变量只有两个结果,非此即彼,那么这个随机变量的分布就是伯努利族中的一个随机变量。
如果随机变量 X1,X2,…,XnX_1,X_2,\dots,X_nX1,X2,…,Xn 有相同的伯努利分布,他们的和就是其中为1的随机变量的个数,这个个数也是随机的,其对应的分布为二项分布。
The Bernoulli Distributions
上来先来个例子:
临床试验,对于某种治疗,我们简单的把结果划分成两种,一种有效,一种无效,我们用随机变量来表示这两个结果,X=1X=1X=1 表示治疗有效 X=0X=0X=0 表示治疗无效,那么我们要做的是得到这个概率就是 Pr(X=1)=pPr(X=1)=pPr(X=1)=p 的值就是我们关心的结果。ppp 的取值范围在 [0,1][0,1][0,1] 对应于不同的 ppp 我们就有了伯努利分布族。
Definition Bernoulli Distribution.A random variable X has the Bernoulli distribution with parameter ppp ( 0≤p≤10\leq p\leq 10≤p≤1 )if X can take only the values 0 and 1 and the probabilities are
Pr(X=1)=p
Pr(X=1)=p
Pr(X=1)=p
and
Pr(X=0)=1−p
Pr(X=0)=1-p
Pr(X=0)=1−p
其概率函数可以被写成:
f(x∣p)={px(1−p)1−x for x=0,10otherwise
f(x|p)=
\begin{cases}
p^x(1-p)^{1-x}&\text{ for }x=0,1\\
0&\text{otherwise}
\end{cases}
f(x∣p)={px(1−p)1−x0 for x=0,1otherwise
p.f.的表示方法可以看出伯努利分布是依赖于参数 ppp 的,所以 ppp 可以看成一个条件,那么我们后面所有类似的分布都可以将其p.f.或者p.d.f.写成这种形式。
c.d.f.(似乎我们学c.d.f的时候已经讲过了)可以被写成:
F(x∣p)={0 for x<01−p for 0<x<11 for x≥1
F(x|p)=
\begin{cases}
0&\text{ for }x<0 \\
1-p&\text{ for }0 < x < 1 \\
1&\text{ for }x\geq 1
\end{cases}
F(x∣p)=⎩⎪⎨⎪⎧01−p1 for x<0 for 0<x<1 for x≥1
Expectation
当我们研究完其p.f.和c.d.f.以后就研究研究他的期望吧,也没啥可研究的了,随机变量 XXX 有参数为 ppp 的伯努利分布,那么其期望:
E(X)=p×1+0×(1−p)=p
E(X)=p\times1 + 0\times(1-p)=p
E(X)=p×1+0×(1−p)=p
然后我们研究一下随机变量 X2X^2X2 的概率分布
E(X2)=p×12+(1−p)×02=p
E(X^2)=p\times1^2 + (1-p)\times0^2=p
E(X2)=p×12+(1−p)×02=p
Variance
期望完了当然是方差了,同样是随机变量 XXX 有参数为 ppp 的伯努利分布,那么其方差:
Var(X)=E[(X−E(X))2]=(1−p)2p+(−p)2(1−p)=p(1−p)(1−p+p)=p(1−p)
Var(X)=E[(X-E(X))^2]=(1-p)^2p+(-p)^2(1-p)=p(1-p)(1-p+p)=p(1-p)
Var(X)=E[(X−E(X))2]=(1−p)2p+(−p)2(1−p)=p(1−p)(1−p+p)=p(1−p)
或者通过更简单的公式:
Var(X)=E[X2]−E2[X]=p−p2=p(1−p)
Var(X)=E[X^2]-E^2[X]=p-p^2=p(1-p)
Var(X)=E[X2]−E2[X]=p−p2=p(1−p)
结果一致。
m.g.f.
我们说过除了p.d.f./p.f.和c.d.f.,m.g.f.也是非常重要的分布标书工具,所以伯努利分布自然也有m.g.f.
ψ(t)=E[etX]=p(et×1)+(1−p)(et×0) for −∞<t<∞
\begin {aligned}
\psi(t)=E[e^{tX}]=p(e^{t\times 1})+(1-p)(e^{t\times 0}) &\text{ for } -\infty<t<\infty
\end {aligned}
ψ(t)=E[etX]=p(et×1)+(1−p)(et×0) for −∞<t<∞
这个写起来应该没啥难度,注意好 XXX 就行,然后就是期望对应的概率值。
Bernoulli Trials/Process
说到序列我就想起了数学分析,Tao的分析我们已经开始更新了,但是我想把概率基础部分先写完,然后一边研究数理统计一边写分析的博客,想到分析的原因是我看到了序列
如果一个序列不论是否有限,每一个元素都是独立同分布的(i.i.d.)的伯努利随机变量,那么我们就叫他们伯努利序列或者伯努利过程。
Definition Bernoulli Trails/Process.If the random variables in a finite or infinite sequence X1,X2,…X_1,X_2,\dotsX1,X2,… and i.i.d.,and if each random variable XiX_iXi has the Bernoulli distribution with parameter p,then it is said that X1,X2,…X_1,X_2,\dotsX1,X2,… are Bernoulli trials with parameter ppp .An infinite sequence of Bernoulli trials is also called a Bernoulli Process.
伯努利过程的例子最简单的就是连续丢同一枚硬币,组成的结果正反,就组成了伯努利过程。
The Binomial Distributions
举个例子,这个例子和上面伯努利过程有关,连续生产一批零件,每个零件有一定的合格率,,所有零件组成的序列是一个伯努利过程,那么么我们想知道这些随机变量的和满足怎么样的分布。
Definition Binomial Distribution.A random variable XXX has the binomial distribution with parameters nnn and ppp if XXX has a discrete distribution for which the p.f. is as follow:
f(x∣n,p)={(nx)px(1−p)n−x for x=0,1,…0otherwise
f(x|n,p)=
\begin{cases}
\begin{pmatrix}n\\x\end{pmatrix} p^x(1-p)^{n-x }&\text{ for }x=0,1,\dots\\
0&\text{otherwise}
\end{cases}
f(x∣n,p)=⎩⎨⎧(nx)px(1−p)n−x0 for x=0,1,…otherwise
in this distribution ,nnn must be a positive integer, and ppp must lie in the interval 0≤p≤10\leq p\leq 10≤p≤1
本文节选自地址:https://www.face2ai.com/Math-Probability-5-2-the-Bernoulli-and-Binomial-Distributions转载请标明出处
【概率论】5-2:伯努利和二项分布(The Bernoulli and Binomial Distributions)的更多相关文章
- 概率图模型(PGM)学习笔记(四)-贝叶斯网络-伯努利贝叶斯-多项式贝叶斯
之前忘记强调了一个重要差别:条件概率链式法则和贝叶斯网络链式法则的差别 条件概率链式法则 贝叶斯网络链式法则,如图1 图1 乍一看非常easy认为贝叶斯网络链式法则不就是大家曾经学的链式法则么,事实上 ...
- 概率图形模型(PGM)学习笔记(四)-贝叶斯网络-伯努利贝叶斯-贝叶斯多项式
之前忘记强调重要的差异:链式法则的条件概率和贝叶斯网络的链式法则之间的差异 条件概率链式法则 P\left({D,I,G,S,L} \right) = P\left( D \right)P\left( ...
- 估计量|估计值|矩估计|最大似然估计|无偏性|无偏化|有效性|置信区间|枢轴量|似然函数|伯努利大数定理|t分布|单侧置信区间|抽样函数|
第二章 置信区间估计 估计量和估计值的写法? 估计值希腊字母上边有一个hat 点估计中矩估计的原理? 用样本矩来估计总体矩,用样本矩的连续函数来估计总体矩的连续函数,这种估计法称为矩估计法.Eg:如果 ...
- 【sklearn朴素贝叶斯算法】高斯分布/多项式/伯努利贝叶斯算法以及代码实例
朴素贝叶斯 朴素贝叶斯方法是一组基于贝叶斯定理的监督学习算法,其"朴素"假设是:给定类别变量的每一对特征之间条件独立.贝叶斯定理描述了如下关系: 给定类别变量\(y\)以及属性值向 ...
- 吴裕雄 python 机器学习——伯努利贝叶斯BernoulliNB模型
import numpy as np import matplotlib.pyplot as plt from sklearn import datasets,naive_bayes from skl ...
- 贝努利概率 matlab
参考:http://zhidao.baidu.com/link?url=3XZm35XpFf_kbADwDHEERtgFMKqHftiS5SyTCWcBtlF7B7zeNgoNqIzXxpJsHtBI ...
- Other-Website-Contents.md
title: 本站目录 categories: Other sticky: 10 toc: true keywords: 机器学习基础 深度学习基础 人工智能数学知识 机器学习入门 date: 999 ...
- (main)贝叶斯统计 | 贝叶斯定理 | 贝叶斯推断 | 贝叶斯线性回归 | Bayes' Theorem
2019年08月31日更新 看了一篇发在NM上的文章才又明白了贝叶斯方法的重要性和普适性,结合目前最火的DL,会有意想不到的结果. 目前一些最直觉性的理解: 概率的核心就是可能性空间一定,三体世界不会 ...
- 灰度图像--图像分割 阈值处理之OTSU阈值
学习DIP第55天 转载请标明本文出处:***http://blog.csdn.net/tonyshengtan ***,出于尊重文章作者的劳动,转载请标明出处!文章代码已托管,欢迎共同开发:http ...
随机推荐
- ALV报表——表头实现
ABAP实现ALV表头的DEMO: 运行效果: 代码: *********************************************************************** ...
- mysql全面整理(用于复习、查阅)--正在更新
Mysql学习 1. 关键字与函数名称全部大写 2. 数据库名称.表名称.字段名称全部小写 3. SQL语句必须以分号结尾 一.数据库基本操作 1. 创建.查看数据库 CREATE {DATABASE ...
- SqlServer中Index Seek的匹配规则(一)
我们知道在SqlServer中,索引对查询语句的优化起着巨大的作用,一般来说在执行计划中出现了Index Seek的步骤,我们就认为索引命中了.但是Index Seek中有两个部分是值得我们注意的,我 ...
- CTR预估-GBDT与LR实现
1.来源 本质上 GBDT+LR 是一种具有 stacking 思想的二分类器模型,所以可以用来解决二分类问题.这个方法出自于 Facebook 2014 年的论文 Practical Lessons ...
- [JZOJ5280]膜法师题解--思维+前缀和
[JZOJ5280]膜法师题解--思维+前缀和 题目链接 暴 力 过 于
- POJ1222、POJ3279、POJ1753--Flip
POJ1222-EXTENDED LIGHTS OUT POJ3279-Fliptile POJ1753-Flip Game 为什么将着三个题放一起讲呢?因为只要搞明白了其中一点,就可以一次3ac了- ...
- 1+x证书学习日志——css 基本选择符
##css选择符 1:类型选择符 直接用标签名称当作选择符 特点:选中所有同类元素 2:id名称 ...
- jquery sortable的拖动方法示例详解1
转自:https://www.jb51.net/article/45803.htm 所有的事件回调函数都有两个参数:event和ui,浏览器自有event对象,和经过封装的ui对象 ui.helper ...
- TLS之殇如何把我逼上绝望
1.协议的形式化分析,前提是弄清楚协议结构和协议参与者之间的会话交互,以及会话之间使用的加解密算法,签名算法,认证算法,等牵扯的算法.之后便是将要分析的协议部分进行抽象化,具体抽象涉及协议参与者(发起 ...
- 详解Linux磁盘管理与文件系统
磁盘基础 硬盘结构 物理结构 盘片:硬盘有多个盘片,每盘片 2 面. 磁头:每面一个磁头. 数据结构 扇区:磁盘上的每个磁道被等分为若干个弧段,这些弧段便是硬盘的扇区. 硬盘的第一个扇区,叫做引导扇区 ...