博客
关于我
采样计算与期望
阅读量:192 次
发布时间:2019-02-28

本文共 799 字,大约阅读时间需要 2 分钟。

连续型随机变量的期望

连续型随机变量的期望是概率密度函数和其自变量的线性组合。其定义如下:

$$ p(x) p(x) $$为随机变量 ( X ) 的概率密度函数。

期望的计算公式为:$$ E[X] = \int x p(x) dx $$

该公式表明,期望值是对所有可能值与其概率密度的乘积进行积分的结果。


离散型随机变量的期望

对于离散型随机变量,其期望的计算公式为:$$ E[X] = \sum_{i} x_i p_i $$

其中,( x_i ) 是离散型随机变量 ( X ) 的第 ( i ) 个取值,( p_i ) 是对应的概率。


采样与期望估计

在实际应用中,直接计算积分可能存在困难。为了解决这一问题,可以采用蒙特卡洛方法进行估计。

具体步骤如下:

  • 从概率密度函数 ( p(x) ) 中随机采样若干点 ( x_0, x_1, \dots, x_n )。
  • 计算这些点的加权平均值:$$ E[X] \approx \frac{1}{n+1} \sum_{i=0}^{n} x_i $$
  • 该方法利用了概率密度函数 ( p(x) ) 的性质,确保每个样本点被选中的概率与其概率密度成比例。


    KL散度的期望形式

    KL散度(Kullback-Leibler divergence)也可以通过期望形式表示:$$ KL(p(x) \parallel q(x)) = \int p(x) \ln \frac{p(x)}{q(x)} dx $$

    其中,( p(x) ) 和 ( q(x) ) 分别为两个概率密度函数。

    利用蒙特卡洛方法,可以估计KL散度:$$ KL(p(x) \parallel q(x)) \approx \frac{1}{n} \sum_{i=1}^{n} \ln \frac{p(x_i)}{q(x_i)} $$

    这种方法在机器学习和信息论中有广泛应用,用于衡量两个概率分布之间的差异。

    转载地址:http://iwrn.baihongyu.com/

    你可能感兴趣的文章
    MS UC 2013-0-Prepare Tool
    查看>>
    msbuild发布web应用程序
    查看>>
    MSB与LSB
    查看>>
    MSCRM调用外部JS文件
    查看>>
    MSCRM调用外部JS文件
    查看>>
    MSEdgeDriver (Chromium) 不适用于版本 >= 79.0.313 (Canary)
    查看>>
    MsEdgeTTS开源项目使用教程
    查看>>
    msf
    查看>>
    MSSQL数据库查询优化(一)
    查看>>
    MSSQL日期格式转换函数(使用CONVERT)
    查看>>
    MSTP多生成树协议(第二课)
    查看>>
    MSTP是什么?有哪些专有名词?
    查看>>
    Mstsc 远程桌面链接 And 网络映射
    查看>>
    Myeclipse常用快捷键
    查看>>
    MyEclipse用(JDBC)连接SQL出现的问题~
    查看>>
    myeclipse的新建severlet不见解决方法
    查看>>
    MyEclipse设置当前行背景颜色、选中单词前景色、背景色
    查看>>
    myeclipse配置springmvc教程
    查看>>
    MyEclipse配置SVN
    查看>>
    MTCNN 人脸检测
    查看>>