title: 【概率论】5-9:多项式分布(The Multinomial Distributions)

categories:

- Mathematic

- Probability

keywords:

- The Multinomial Distributions

toc: true

date: 2018-04-04 22:17:23



Abstract: 本文介绍多项式分布的相关知识

Keywords: The Multinomial Distributions

开篇废话

生病的时候才会体会到人生的短暂和生命的含义,你可以选择自己的生活,也可以选择自己的快乐,一切都是正确的。

本文开始介绍多于一个变量的分布,其实分布我们已经学了不少了后面再讲一个双变量的正态分布本章就算结束了,主要学的就是如何使用前面学到的工具来对新的随机变量的性质进行分析。今天我们来分析多项式分布。

多项式是二项分布的一个扩展。

Definition and Derivation of Multinomial Distribution

二项分布中的两个变量扩展成多个变量,就能得到我们我们今天要介绍的多项式分布,而且遵守和二项式分布一样的放回的采样方式(with replacement),在计数方法中我们也学过多项式系数这个知识,与我们今天要说的多项式分布是紧密相关的,比如我们举个例子:

人类的血型可以分为 A,B,o,AB 四种类型,每种类型都有相应的比例(这个比例是从所有人的类型中统计计算出来的)现在才去放回式的抽样,假设我们抽取了若干个样本,得到随机变量的向量为: x⃗=(XA,XB,Xo,XAB)\vec{x}=(X_A,X_B,X_o,X_{AB})x=(XA​,XB​,Xo​,XAB​) 对应的概率为 p⃗=(pA,pB,po,pAB)\vec{p}=(p_A,p_B,p_o,p_{AB})p​=(pA​,pB​,po​,pAB​) 那么我们可以根据多项式系数的相关知识得到其分布:

f(x⃗∣4,p⃗)=Pr(XA=x1,XB=x2,Xo=x3,XAB=x4)={(nx1x2x3x4)pAx1pBx2pox3pABx4if x1+x2+x3+x4=n0otherwise
f(\vec{x}|4,\vec{p})=Pr(X_A=x_1,X_B=x_2,X_o=x_3,X_{AB}=x_4)\\
=\begin{cases}
\begin{pmatrix}
&n&\\
x_1&x_2&x_3&x_4
\end{pmatrix}p_A^{x_1}p_B^{x_2}p_o^{x_3}p_{AB}^{x_4}&\text{if } x_1+x_2+x_3+x_4=n\\
0&\text{otherwise}
\end{cases}
f(x∣4,p​)=Pr(XA​=x1​,XB​=x2​,Xo​=x3​,XAB​=x4​)=⎩⎨⎧​(x1​​nx2​​x3​​x4​​)pAx1​​pBx2​​pox3​​pABx4​​0​if x1​+x2​+x3​+x4​=notherwise​

这就是多项式系数的扩展,称为多项式分布的的样子,对应于多个随机变量,随机变量的个数为固定值。可以写成一下形式:

(5.9.1)f(x⃗∣n,p⃗)={(nx1…xk)p1x1…pkxkif x1+⋯+xk=n0otherwise
f(\vec{x}|n,\vec{p})=
\begin{cases}
\begin{pmatrix}
&n&\\
x_1&\dots&x_k
\end{pmatrix}p_1^{x_1}\dots p_{k}^{x_k}&\text{if } x_1+\dots+x_k=n\\
0&\text{otherwise}
\end{cases}\tag{5.9.1}
f(x∣n,p​)=⎩⎨⎧​(x1​​n…​xk​​)p1x1​​…pkxk​​0​if x1​+⋯+xk​=notherwise​(5.9.1)

Definition Multinomial Distributions.A discrete random vector X⃗=(X1,…,Xk)\vec{X}=(X_1,\dots,X_k)X=(X1​,…,Xk​) whose p.f. is given Eq(5.9.1) has the multinomial distribution with parameters nnn and p⃗=(p1,…,pk)\vec{p}=(p_1,\dots,p_k)p​=(p1​,…,pk​) .

这个定义看起来没什么,而且上面的例子也给出了多项式分布的一般用法,接下来我们就说说多项式分布和二项分布的关系。

Relation between the Multinomial and Binomial Distributions

Theorem Suppose that the random vector X⃗=(X1,X2)\vec{X}=(X_1,X_2)X=(X1​,X2​) has the multinomial distribution with parameters nnn and p⃗=(p1,p2)\vec{p}=(p_1,p_2)p​=(p1​,p2​) .Then X1X_1X1​ has the binomial distribution with parameters nnn and p1p_1p1​ ,and X2=n−X1X_2=n-X_1X2​=n−X1​

完整原文地址:https://www.face2ai.com/Math-Probability-5-9-Multinomial-Distribution转载请标明出处

【概率论】5-9:多项式分布(The Multinomial Distributions)的更多相关文章

  1. 【概率论】5-7:Gama分布(The Gamma Distributions Part I)

    title: [概率论]5-7:Gama分布(The Gamma Distributions Part I) categories: - Mathematic - Probability keywor ...

  2. 【概率论】5-8:Beta分布(The Beta Distributions)

    title: [概率论]5-8:Beta分布(The Beta Distributions) categories: - Mathematic - Probability keywords: - Th ...

  3. 【概率论】5-7:Gama分布(The Gamma Distributions Part II)

    title: [概率论]5-7:Gama分布(The Gamma Distributions Part II) categories: - Mathematic - Probability keywo ...

  4. 【概率论】3-7:多变量分布(Multivariate Distributions Part II)

    title: [概率论]3-7:多变量分布(Multivariate Distributions Part II) categories: Mathematic Probability keyword ...

  5. 【概率论】3-7:多变量分布(Multivariate Distributions Part I)

    title: [概率论]3-7:多变量分布(Multivariate Distributions Part I) categories: Mathematic Probability keywords ...

  6. (转)Gamma分布,Beta分布,Multinomial多项式分布,Dirichlet狄利克雷分布

    1. Gamma函数 首先我们可以看一下Gamma函数的定义: Gamma的重要性质包括下面几条: 1. 递推公式: 2. 对于正整数n, 有 因此可以说Gamma函数是阶乘的推广. 3.  4.  ...

  7. 帕累托分布(Pareto distributions)、马太效应

    什么是帕累托分布 帕累托分布是以意大利经济学家维弗雷多·帕雷托命名的. 是从大量真实世界的现象中发现的幂次定律分布.这个分布在经济学以外,也被称为布拉德福分布. 帕累托因对意大利20%的人口拥有80% ...

  8. NLP点滴——文本相似度

    [TOC] 前言 在自然语言处理过程中,经常会涉及到如何度量两个文本之间的相似性,我们都知道文本是一种高维的语义空间,如何对其进行抽象分解,从而能够站在数学角度去量化其相似性.而有了文本之间相似性的度 ...

  9. Python实现12种概率分布(附代码)

    今天给大家带来的这篇文章是关于机器学习的,机器学习有其独特的数学基础,我们用微积分来处理变化无限小的函数,并计算它们的变化:我们使用线性代数来处理计算过程:我们还用概率论与统计学建模不确定性. 在这其 ...

随机推荐

  1. golang ---获取IP Address

    package main import ( "fmt" "log" "os/exec" "regexp" ) func ...

  2. java之hibernate之双向的多对一关联映射

    这篇讲解 双向的多对一关联映射 1.表结构和多对一时,一致 2.类结构 Book.java public class Book implements Serializable{ private int ...

  3. wbSocket

    <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <m ...

  4. 5_PHP数组_3_数组处理函数及其应用_2_数组统计函数

    以下为学习孔祥盛主编的<PHP编程基础与实例教程>(第二版)所做的笔记. 一.数组统计函数 数组统计函数是指统计数组各元素的值,并对这些值进行简单分析. 1. count() 函数 该函数 ...

  5. 【洛谷 P3224】 [HNOI2012]永无乡(Splay,启发式合并)

    题目链接 启发式合并就是暴力合并把小的合并到大的里,一个一个插进去. 并查集维护连通性,同时保证并查集的根就是所在Splay的根,这样能省去很多操作. #include <cstdio> ...

  6. iOS - Target-Action机制创建自己的UI控件需要了解的知识

    我们在开发应用的时候,经常会用到各种各样的控件,诸如按钮(UIButton).滑块(UISlider).分页控件(UIPageControl)等.这些控件用来与用户进行交互,响应用户的操作.我们查看这 ...

  7. vue中v-if和v-for指令最好不要同时使用

    建议不要在与v-for相同的元素上使用v-if.因为v-for指令的优先级高于v-if当它们处于同一节点.v-for 的优先级比 v-if 更高,这意味着 v-if 将分别重复运行于每个 v-for  ...

  8. ActiveMQ Queue vs Topic vs VirtualTopic

    之前写过一篇文章讨论VirtualTopic,但觉得不够透彻,这里再根据实验结果进行一次横向对比破除模糊和选择困难症. 文章中核心对比要素是:消息副本和负载均衡 Queue的特点和优势 ActiveM ...

  9. Redis 学习-Redis 的其他功能

    一.慢查询 找到 系统中瓶颈的命令 1. 客户端请求的生命周期: ①. 慢查询通常发生在第三阶段. ②. 客户端超时不一定是慢查询,但慢查询是客户端超时的一个可能因素. 2. 相关配置 慢查询命令会存 ...

  10. ssh远程登录连接慢的解决方法

    近期在搭建自动化集群服务,写脚本ssh批量分发公钥至其它服务器时比较缓慢,便在度娘上寻找解决方法如下: 方法一: 以ssh -v 调试模式远程登录: [root@bqh-nfs- ceshi]# ss ...