99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁精彩閱讀為什么數(shù)據(jù)科學(xué)家都鐘情于最常見的正態(tài)分布
為什么數(shù)據(jù)科學(xué)家都鐘情于最常見的正態(tài)分布
2018-07-19
收藏

為什么數(shù)據(jù)科學(xué)家都鐘情于最常見的正態(tài)分布

對于深度學(xué)習(xí)機(jī)器學(xué)習(xí)工程師們來說,正態(tài)分布是世界上所有概率模型中最重要的一個。即使你沒有參與過任何人工智能項目,也一定遇到過高斯模型,今天就讓我們來看看高斯過程為什么這么受歡迎。

高斯分布(Gaussian distribution),也稱正態(tài)分布,最早由A.棣莫弗在求二項分布的漸近公式中得到。C.F.高斯在研究測量誤差時從另一個角度導(dǎo)出了它。P.S.拉普拉斯和高斯研究了它的性質(zhì)。是一個在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要的概率分布,在統(tǒng)計學(xué)的許多方面有著重大的影響力。

正態(tài)曲線呈鐘型,兩頭低,中間高,左右對稱因其曲線呈鐘形,因此人們又經(jīng)常稱之為鐘形曲線。

若隨機(jī)變量X服從一個數(shù)學(xué)期望為μ、方差為σ^2的正態(tài)分布,記為N(μ,σ^2)。其概率密度函數(shù)為正態(tài)分布的期望值μ決定了其位置,其標(biāo)準(zhǔn)差σ決定了分布的幅度。當(dāng)μ = 0,σ = 1時的正態(tài)分布是標(biāo)準(zhǔn)正態(tài)分布。

高斯概率分布的數(shù)學(xué)表達(dá)式

在自然現(xiàn)象中隨處可見

  所有模型都是錯的,但有些是有用的

  —George Box

正在擴(kuò)散的粒子的位置可以用正態(tài)分布來描述

正態(tài)分布有極其廣泛的實(shí)際背景,生產(chǎn)與科學(xué)實(shí)驗(yàn)中很多隨機(jī)變量的概率分布都可以近似地用正態(tài)分布來描述。例如,在生產(chǎn)條件不變的情況下,產(chǎn)品的強(qiáng)力、抗壓強(qiáng)度、口徑、長度等指標(biāo);同一種生物體的身長、體重等指標(biāo);同一種種子的重量;測量同一物體的誤差;彈著點(diǎn)沿某一方向的偏差;某個地區(qū)的年降水量;以及理想氣體分子的速度分量,等等。

一般來說,如果一個量是由許多微小的獨(dú)立隨機(jī)因素影響的結(jié)果,那么就可以認(rèn)為這個量具有正態(tài)分布。從理論上看,正態(tài)分布具有很多良好的性質(zhì),許多概率分布可以用它來近似;還有一些常用的概率分布是由它直接導(dǎo)出的,例如對數(shù)正態(tài)分布、t分布、F分布等。

數(shù)學(xué)原因:中心極限定理

二維空間上進(jìn)行200萬步的隨機(jī)游走之后得到的圖案

中心極限定理的內(nèi)容為:大量獨(dú)立隨機(jī)變量的和經(jīng)過適當(dāng)標(biāo)準(zhǔn)化之后趨近于正態(tài)分布,與這些變量原本的分布無關(guān)。比如,隨機(jī)游走的總距離就趨近于正態(tài)分布。下面我們介紹三種形式的中心極限定理:

獨(dú)立同分布的中心極限定理

設(shè)隨機(jī)變量X1,X2,......Xn,......獨(dú)立同分布,并且具有有限的數(shù)學(xué)期望和方差:E(Xi)=μ,D(Xi)=σ^2 (i=1,2....),則對任意x,分布函數(shù)為

滿足

該定理說明,當(dāng)n很大時,隨機(jī)變量

近似地服從標(biāo)準(zhǔn)正態(tài)分布N(0,1)。因此,當(dāng)n很大時,

近似地服從正態(tài)分布N(nμ,nσ^2).該定理是中心極限定理最簡單又最常用的一種形式,在實(shí)際工作中,只要n足夠大,便可以把獨(dú)立同分布的隨機(jī)變量之和當(dāng)作正態(tài)變量。這種方法在數(shù)理統(tǒng)計中用得很普遍,當(dāng)處理大樣本時,它是重要工具。

棣莫佛-拉普拉斯定理

設(shè)隨機(jī)變量X(n=1,2,...,)服從參數(shù)為n,p(0<p<1)的二項分布,則對于任意有限區(qū)間(a,b)有

該定理表明,正態(tài)分布是二項分布的極限分布,當(dāng)數(shù)充分大時,我們可以利用上式來計算二項分布的概率。

不同分布的中心極限定理

設(shè)隨機(jī)變量X1,X2,......Xn,......獨(dú)立同分布,它們的概率密度分別為fxk(x),并有E(Xk)=μk,D(Xk)= σk^2,(k=1,2......)

若對任意正數(shù)τ,有:

對任意x,隨機(jī)變量Yn的分布函數(shù)Fn(x),滿足:

該定理說明:所研究的隨機(jī)變量如果是有大量獨(dú)立的而且均勻的隨機(jī)變量相加而成,那么它的分布將近似于正態(tài)分布。

萬變不離其宗

與其他很多分布不同,正態(tài)分布進(jìn)行適當(dāng)?shù)淖儞Q之后,仍是正態(tài)分布。

兩個正態(tài)分布之積仍是正態(tài)分布

兩個獨(dú)立的服從正態(tài)分布的隨機(jī)變量之和服從正態(tài)分布

對一個正態(tài)分布進(jìn)行高斯卷積還是正態(tài)分布

正態(tài)分布經(jīng)過傅立葉變換之后仍是正態(tài)分布

簡潔

奧卡姆剃刀強(qiáng)調(diào)一個哲學(xué)原則:在其他條件都相同下,最簡單的解就是最好的解。

對于任何一個用正態(tài)分布擬合的隨機(jī)分布,都可能存在一個多參數(shù),更復(fù)雜,更準(zhǔn)確的解法。但是我們?nèi)匀粫A向于選用正態(tài)分布,因?yàn)樗跀?shù)學(xué)上很簡潔。

它的均值(mean)、中值(median)和眾數(shù)(mode)都相同

只需要用兩個參數(shù)就可以確定整個分布

圖形特性:

集中性:正態(tài)曲線的高峰位于正中央,即均數(shù)所在的位置。

對稱性:正態(tài)曲線以均數(shù)為中心,左右對稱,曲線兩端永遠(yuǎn)不與橫軸相交。

均勻變動性:正態(tài)曲線由均數(shù)所在處開始,分別向左右兩側(cè)逐漸均勻下降。

  曲線與橫軸間的面積總等于1,相當(dāng)于概率密度函數(shù)的函數(shù)從正無窮到負(fù)無窮積分的概率為1。即頻率的總和為100%。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼,搜微信號:CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個參數(shù)驗(yàn)證碼對象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }