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
    multivariate_normal TypeError: ufunc ‘add‘ output (typecode ‘O‘) could not be coerced to provided……
    查看>>
    MySQL DBA 数据库优化策略
    查看>>
    multi_index_container
    查看>>
    mutiplemap 总结
    查看>>
    MySQL Error Handling in Stored Procedures---转载
    查看>>
    MVC 区域功能
    查看>>
    MySQL FEDERATED 提示
    查看>>
    mysql generic安装_MySQL 5.6 Generic Binary安装与配置_MySQL
    查看>>
    Mysql group by
    查看>>
    MySQL I 有福啦,窗口函数大大提高了取数的效率!
    查看>>
    mysql id自动增长 初始值 Mysql重置auto_increment初始值
    查看>>
    MySQL in 太多过慢的 3 种解决方案
    查看>>
    Mysql Innodb 锁机制
    查看>>
    MySQL InnoDB中意向锁的作用及原理探
    查看>>
    MySQL InnoDB事务隔离级别与锁机制深入解析
    查看>>
    Mysql InnoDB存储引擎 —— 数据页
    查看>>
    Mysql InnoDB存储引擎中的checkpoint技术
    查看>>
    Mysql InnoDB存储引擎中缓冲池Buffer Pool、Redo Log、Bin Log、Undo Log、Channge Buffer
    查看>>
    MySQL InnoDB引擎的锁机制详解
    查看>>
    Mysql INNODB引擎行锁的3种算法 Record Lock Next-Key Lock Grap Lock
    查看>>