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. 最简单 无返回值 无参数 sql server存储过程

    CREATE proc Upadte_stateas update Table_1 set [state]=2 where id in (select id from Table_1 where st ...

  2. 数据结构与算法(周测9-B树与B+树)

    由于博主太菜,题目集还不完整,有待更新. 判断题 1.m阶B树的根结点最多有m棵子树.      T      F 2.In a B+ tree, leaves and nonleaf nodes h ...

  3. 把时间戳转换为 datatime 格式

    使用time timeStamp = 1381419600 timeArray = time.localtime(timeStamp) otherStyleTime = time.strftime(& ...

  4. IOS - UDID IDFA IDFV MAC keychain

    在开发过程中,我们经常会被要求获取每个设备的唯一标示,以便后台做相应的处理.我们来看看有哪些方法来获取设备的唯一标示,然后再分析下这些方法的利弊. 具体可以分为如下几种: UDID IDFA IDFV ...

  5. Part_four:redis主从复制

    redis主从复制 1.redis主从同步 Redis集群中的数据库复制是通过主从同步来实现的 主节点(Master)把数据分发从节点(slave) 主从同步的好处在于高可用,Redis节点有冗余设计 ...

  6. JS解析xml字符串,并把xml展示在HTML页面上

    首先,要写一个方法,把xml字符串转化成dom对象 //将字符串转化成dom对象;string转换为xml function stringToXml(xmlString) { var xmlDoc; ...

  7. springMVC + mybatis 下出现JDBC Connection *** will not be managed by Spring错误

    仔细查看配置中是否有如下类似的配置 execution(* com.ciguo.service.*.*(..)) <aop:config> <aop:pointcut id=&quo ...

  8. 【cookie的使用】&【Session】

    明确一点:        cookie由服务器创建Cookie cookie=new Cookie("haha","xixi") 通过HtttpServletR ...

  9. SAP NOTE 1999997 - FAQ: SAP HANA Memory

    Symptom You have questions related to the SAP HANA memory. You experience a high memory utilization ...

  10. 用PL/SQL工具连接Oracle数据库的时报错:ORA-12638: 身份证明检索失败的解决方法

    本地客户端用PLSQL Developer连接远程数据库时提示: ORA-12638: 身份证明检索失败!!! 解决方法一: 此目录下F:\myorcl\product\11.2.0\client_1 ...