深度学习中常见分布-正态分布和伽玛分布

正态分布Normal distribution)又名高斯分布Gaussian distribution),是一个在数学物理工程领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。

随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布,记为:

XN(μ,σ2),

则其概率密度函数

《深度学习中常见分布-正态分布和伽玛分布》

 

正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。因其曲线呈钟形,因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布(见右图中绿色曲线)。

《深度学习中常见分布-正态分布和伽玛分布》

 

 

概率密度函数

正态分布概率密度函数均值为μ 方差为σ2 (或标准差σ)是高斯函数的一个实例:

《深度学习中常见分布-正态分布和伽玛分布》

 

(请看指数函数以及π.)

如果一个随机变量X服从这个分布,我们写作 X ~ N(μ,σ2). 如果μ = 0并且σ = 1,这个分布被称为标准正态分布,这个分布能够简化为

《深度学习中常见分布-正态分布和伽玛分布》

 

右边是给出了不同参数的正态分布的函数图。

正态分布中一些值得注意的量:

  • 密度函数关于平均值对称
  • 平均值是它的众数(statistical mode)以及中位数(median)
  • 函数曲线下68.268949%的面积在平均值左右的一个标准差范围内
  • 95.449974%的面积在平均值左右两个标准差2σ的范围内
  • 99.730020%的面积在平均值左右三个标准差3σ的范围内
  • 99.993666%的面积在平均值左右四个标准差4σ的范围内
  • 反曲点(inflection point)在离平均值的距离为标准差之处

 

 

伽玛分布

 

 

伽玛分布(Gamma Distribution)是统计学的一种连续概率函数。Gamma分布中的参数α称为形状参数(shape parameter)β称为尺度参数(scale parameter)

《深度学习中常见分布-正态分布和伽玛分布》

 

Gamma的可加性

 

两个独立随机变量X和Y,且X~Ga(a,γ),Y~Ga(b,γ),则Z = X+Y ~ Ga(a+b,γ)。注意X和Y的尺度参数必须一样。
数学表达式 若随机变量X具有概率密度 其中α>0,β>0,则称随机变量X服从参数α,β的伽马分布,记作G(α,β).  
Gamma分布的特殊形式 当形状参数α=1时,伽马分布就是参数为γ的指数分布,X~Exp(γ) 当α=n/2,β=1/2时,伽马分布就是自由度为n的卡方分布,X^2(n)

 

“无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。”

 

 

 

 

    原文作者:千寻~
    原文地址: https://blog.csdn.net/u011630575/article/details/77944102
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞