概率论几种易混淆的形式

  1. 正态分布标准型

x − μ σ \frac{x - \mu}{\sigma} σx−μ

  1. 大数定律形式

P { X ≤ ∑ i = 1 n x i − n μ n σ 2 } = ∫ − ∞ X 1 2 π e − x 2 2 d x P\{X \le \frac{\sum_{i= 1}^{n}x_i -n\mu}{\sqrt{n\sigma^2}} \} = \int _{-\infty}^{X}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx P{X≤nσ2 ∑i=1nxi−nμ}=∫−∞X2π 1e−2x2dx

即:

P { X ≤ x ˉ − μ σ n } = ∫ − ∞ X 1 2 π e − x 2 2 d x P\{X \le \frac{\bar x -\mu}{\frac{\sigma}{\sqrt{n}}} \} = \int _{-\infty}^{X}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx P{X≤n σxˉ−μ}=∫−∞X2π 1e−2x2dx

  1. 关于 χ 2 \chi^2 χ2的定理

( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1) σ2(n−1)S2∼χ2(n−1)

  1. x ˉ − μ S / n ∼ t 2 ( n − 1 ) \frac{\bar x - \mu}{S/\sqrt{n}} \sim t^2(n-1) S/n xˉ−μ∼t2(n−1)
相关推荐
CS创新实验室1 天前
《机器学习数学基础》补充资料:连续正态分布随机变量的熵
人工智能·机器学习·概率论·机器学习数学基础
CS创新实验室5 天前
《机器学习数学基础》补充资料:矩阵运算技巧和矩阵指数
机器学习·矩阵·概率论·机器学习数学基础
阿正的梦工坊9 天前
Cramér-Rao界:参数估计精度的“理论底线”
机器学习·概率论
阿正的梦工坊9 天前
正态分布的奇妙性质:为什么奇数阶中心矩(odd central moments)为零?
线性代数·机器学习·概率论
阿正的梦工坊9 天前
Fisher信息矩阵(Fisher Information Matrix,简称FIM)
人工智能·机器学习·矩阵·概率论
@心都10 天前
机器学习数学基础:32.斯皮尔曼等级相关
人工智能·机器学习·概率论
nuise_13 天前
朴素贝叶斯法
人工智能·机器学习·概率论
亲持红叶14 天前
最优化方法-牛顿法
人工智能·线性代数·机器学习·概率论
梦醒沉醉16 天前
机器学习的数学基础(三)——概率与信息论
概率论·信息论
wyg_03111318 天前
用大模型学大模型03-数学基础 概率论 条件概率 全概率公式 贝叶斯定理
人工智能·概率论