深度學習中常見分佈-正態分佈和伽瑪分佈
阿新 • • 發佈:2018-12-27
正態分佈(Normal distribution)又名高斯分佈(Gaussian distribution),是一個在數學、物理及工程等領域都非常重要的概率分佈,在統計學的許多方面有著重大的影響力。
若隨機變數X服從一個數學期望為μ、標準方差為σ2的高斯分佈,記為:
- X∼N(μ,σ2),
正態分佈的期望值μ決定了其位置,其標準差σ決定了分佈的幅度。因其曲線呈鐘形,因此人們又經常稱之為鐘形曲線。我們通常所說的標準正態分佈是μ = 0,σ = 1的正態分佈(見右圖中綠色曲線)。
概率密度函式
正態分佈的概率密度函式均值為μ 方差為σ2 (或標準差σ)是高斯函式的一個例項:
- 。
(請看指數函式以及π.)
如果一個隨機變數X服從這個分佈,我們寫作 X ~ N(μ,σ2). 如果μ = 0並且σ = 1,這個分佈被稱為標準正態分佈,這個分佈能夠簡化為
- 。
右邊是給出了不同引數的正態分佈的函式圖。
正態分佈中一些值得注意的量:
- 密度函式關於平均值對稱
- 平均值是它的眾數(statistical mode)以及中位數(median)
- 函式曲線下68.268949%的面積在平均值左右的一個標準差範圍內
- 95.449974%的面積在平均值左右兩個標準差2σ的範圍內
- 99.730020%的面積在平均值左右三個標準差3σ的範圍內
- 99.993666%的面積在平均值左右四個標準差4σ的範圍內
- 反曲點
伽瑪分佈
伽瑪分佈(Gamma Distribution)是統計學的一種連續概率函式。Gamma分佈中的引數α稱為形狀引數(shape parameter),β稱為尺度引數(scale parameter)。
實驗定義與概念
假設隨機變數X為 等到第α件事發生所需之等候時間, 密度函式為 特徵函式為
Gamma的可加性 兩個獨立隨機變數X和Y,且X~Ga(a,γ),Y~Ga(b,γ),則Z = X+Y ~ Ga(a+b,γ)。注意X和Y的尺度引數必須一樣。 數學表示式 若隨機變數X具有概率密度 其中α>0,β>0,則稱隨機變數X服從引數α,β的伽馬分佈,記作G(α,β).