常见的几种概率分布,概率论的各种分布 点击上面的“twdbm学视觉”,选择添加“星标”或“置顶” 重磅干货,第一时间送达。本文转自:视觉算法 要知道常见的概率分布,这是概率统计的基石。这是昨天推送的从概率统计到深度学习,四大技术路线图谱,都在这里!文章中的第一张技术路线图,如下图。图的左侧是本文要总结的所有常见概率分布。 1 均匀分布 1)离散随机变量的均匀分布:假设x有k个值:x1,x2,xk和均匀分布的概率密度函数xk是: 2)连续随机变量的均匀分布:假设x均匀分布在[a,b]上,其概率密度函数为: 2伯努利分布 伯努利分布:参数为[0,1],假设随机变量X {0,1},则概率分布函数为: 期望: 差异: 3二项分布 假设实验只有两种结果:成功的概率为,失败的概率为1-。二项分布描述了:在独立和重复实验中成功的概率x倍。 概率密度函数: 期望值: 差异: 4 高斯分布 在许多应用中,正态分布是一个合理的选择。如果随机变量的取值范围是一个实数,其概率分布未知,通常假设它服从正态分布。支持这一选择有两个原因: 建模任务的真实分布通常接近正态分布。极限定理表明几个独立的随机变量之和近似为正态分布。 在所有可能的方差相同的概率分布中,正态分布的熵最大(即不确定性最大)。 典型的一维正态分布的概率密度函数为: 5 复杂的世界分布 概率密度函数: 期望: 差异: 6 泊松分布 假设一个事件在单位时间(或单位面积)内的平均次为,泊松分布描述了一个事件在单位时间(或单位面积)内的具体次数为k的概率。 概率密度函数: 期望: 差异: 7 指数分布 如果事件服从泊松分布,事件前后两次发生的时间间隔服从指数分布。由于时间间隔是浮点数,所以指数分布是连续的。 概率密度函数:(t是时间间隔) 期望: 差异: 8 伽马分布 如果事件服从泊松分布,则事件第I次发生与第I次发生之间的时间间隔为伽玛分布。因为时间间隔是浮点数,所以伽玛分布是连续的。 概率密度函数: , t是时间间隔,k是形状参数,是尺度参数。 期望方差是: 9 xhdsb分布 Xhdsb分布是定义在(0,1)之间的连续概率分布。 如果随机变量x服从xhdsb分布,其概率密度函数为: 纪念 期望是: 差异是: 10 csdxf分布 Csdxf分布:假设所有的概率都集中在一点上,对应的概率密度函数为: 其中(。)是csdxf函数,其属性为: csdxf分布的一个典型用途是定义连续随机变量的经验分布函数。假设数据集中有样本。 定义一个经验分布函数: 就是给每个样本一个概率质量: 对于离散型随机变量的经验分布,经验分布函数是多项式分布,简单地等于训练集中的经验频率。 经验分配的两个功能: 通过查看训练集样本的经验分布,可以指定训练集样本的分布(确保采样后的分布不失真)。 经验分布是最大化训练数据可能性的概率密度函数。 11 多项式分布与聪明的牛排分布 多项式分布的质量密度函数; rrdqc分布的概率密度函数: 如您所见,多项式分布与smart steak分布的概率密度函数非常相似,唯一的区别在于前面的归一化项: 多项式分布是针对离散的随机变量,通过求和得到概率。 智能牛排分布是针对连续的随机变量,通过积分得到概率。 下载1:OpenCV-Contrib扩展模块中文版教程 在“twdbm学视觉”微信官方账号后台,回复:扩展模块中文教程,下载全网首个中文版OpenCV扩展模块教程,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等20多个章节。 下载2:Python视觉实战项目52讲 在“twdbm学视觉”微信官方账号后台,回复:Python视觉实战项目,下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别在内的31个视觉实用项目,帮助快校计算机视觉。 下载3:OpenCV实战项目20讲 在“twdbm学视觉”微信官方账号后台,回复:OpenCV实战项目20讲,,可以基于20下载20个OpenCV,实现OpenCV的高级学习。 交换组 欢迎加入读者微信官方账号,与同行交流。目前有SLAM、3D视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群。(以后会逐步细分)。请扫描以下微信号,加群。备注:“昵称学校/公司的研究方向”,例如:“rydxz上海交大视觉SLAM”。请按格式备注,否则不能通过。添加成功后,会根据研究方向邀请你进入相关微信群。实战项目在群里发广告,不然就请你出群。谢谢理解~