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
    mysql 5.6 修改端口_mysql5.6.24怎么修改端口号
    查看>>
    MySQL 8.0 恢复孤立文件每表ibd文件
    查看>>
    MySQL 8.0开始Group by不再排序
    查看>>
    mysql ansi nulls_SET ANSI_NULLS ON SET QUOTED_IDENTIFIER ON 什么意思
    查看>>
    multi swiper bug solution
    查看>>
    MySQL Binlog 日志监听与 Spring 集成实战
    查看>>
    MySQL binlog三种模式
    查看>>
    multi-angle cosine and sines
    查看>>
    Mysql Can't connect to MySQL server
    查看>>
    mysql case when 乱码_Mysql CASE WHEN 用法
    查看>>
    Multicast1
    查看>>
    MySQL Cluster 7.0.36 发布
    查看>>
    Multimodal Unsupervised Image-to-Image Translation多通道无监督图像翻译
    查看>>
    MySQL Cluster与MGR集群实战
    查看>>
    multipart/form-data与application/octet-stream的区别、application/x-www-form-urlencoded
    查看>>
    mysql cmake 报错,MySQL云服务器应用及cmake报错解决办法
    查看>>
    Multiple websites on single instance of IIS
    查看>>
    mysql CONCAT()函数拼接有NULL
    查看>>
    multiprocessing.Manager 嵌套共享对象不适用于队列
    查看>>
    multiprocessing.pool.map 和带有两个参数的函数
    查看>>