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

星标

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！

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

　　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

　　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

扩展模块中文教程

，

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

下载2：Python视觉实战项目52讲

　　在“

twdbm学视觉

Python视觉实战项目

，

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

下载3：OpenCV实战项目20讲

　　在“

twdbm学视觉

OpenCV实战项目20讲

，

20

OpenCV

　　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