机器学习小组知识点10：多项式分布（Mutibinomial distribution）

全栈程序员-站长 • 2022年8月31日下午7:00 • 未分类 • 阅读 0

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

介绍

把二项分布公式再推广，就得到了多项分布。二项分布的典型例子是扔硬币，硬币正面朝上概率为 $p$ , 重复扔 $n$ 次硬币， $k$ 次为正面的概率即为一个二项分布概率。（严格定义见二项分布中伯努利实验定义）

把二项扩展为多项就得到了多项分布。比如扔骰子，不同于扔硬币，骰子有6个面对应6个不同的点数，这样单次每个点数朝上的概率都是 $\frac{1}{6}$ （对应 $p_1$ 至 $p_6$ ，它们的值不一定都是 $\frac{1}{6}$ ，只要和为1且互斥即可，比如一个形状不规则的骰子）,重复扔 $n$ 次，如果问有 $x$ 次都是点数6朝上的概率就是： $C_n^x*p_6^x*(1-p_6)^{n-x}$

更一般性的问题会问：“点数1~6的出现次数分别为( $x_1,x_2,x_3,x_4,x_5,x_6$ )时的概率是多少？其中 $\sum_i^6x_i= n$ ”。这就是一个多项式分布问题。这时只需用上边公式思想累乘约减就会得到下面图1的概率公式。

某随机实验如果有 $k$ 个可能结局 $X_1,X_2,\cdots,X_k$ ，它们的概率分布分别是 $p_1，p_2,\cdots,p_k$ ，那么在N次采样的总结果中， $X_1$ 出现 $n_1$ 次， $X_2$ 出现 $n_2$ 次 $\cdots$ $X_k$ 出现 $n_k$ 次的这种事件的出现概率 $P$ 有下面公式：
${\begin{aligned}f(x_{1},\ldots ,x_{k};n,p_{1},\ldots ,p_{k})&{}=\Pr(X_{1}=x_{1}{\text{ and }}\dots {\text{ and }}X_{k}=x_{k})\\&{}={\begin{cases}{\displaystyle {n! \over x_{1}!\cdots x_{k}!}p_{1}^{x_{1}}\cdots p_{k}^{x_{k}}},\quad &{\text{when }}\sum _{i=1}^{k}x_{i}=n\\\\0&{\text{otherwise,}}\end{cases}}\end{aligned}}$
这就是多项分布的概率公式。把它称为多项式分布显然是因为它是一种特殊的多项式展开式的通项。
注意:显然二项分布是多项分布的边缘分布

期望和方差

期望: 设 $r$ 维随机变量（ $x_1,x_2,\cdots,x_r$ ）服从多项分布，则数学期望是

E (x 1, x 2, \dots, x n) = (n p 1, n p 2, \dots, n p r)

$E(x_1,x_2,\cdots,x_n)=(np_1,np_2,\cdots,np_r)$

方差： $Var(x_i)=np_i(1-p)_i，i=1,2,\cdots,r$

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/183710.html原文链接：https://javaforall.net

机器学习小组知识点10：多项式分布（Mutibinomial distribution）

介绍

期望和方差

期望: 设 r r维随机变量（ x1,x2,⋯,xr x_1,x_2,\cdots,x_r）服从多项分布，则数学期望是

方差： Var(xi)=npi(1−p)i，i=1,2,⋯,r Var(x_i)=np_i(1-p)_i，i=1,2,\cdots,r

相关推荐

kubernetes简介

Deep Learning（深度学习）学习笔记整理系列之（五）

ebpf技术_EBM技术

LAN8720A网络模块的使用问题

全网最全Linux 运行jar包的几种方式[通俗易懂]

java二维数组行列互换_java 二维数组行列互换[通俗易懂]

发表回复

期望: 设 $r$ 维随机变量（ $x_1,x_2,\cdots,x_r$ ）服从多项分布，则数学期望是

方差： $Var(x_i)=np_i(1-p)_i，i=1,2,\cdots,r$