机器学习数学笔记|期望方差协方差矩阵

本博客为七月在线邹博老师机器学习数学课程学习笔记 为七月在线打 call!!课程传送门[1]

简单概率计算

Example1

• 我们的思路是,若 A 先到达则假设 A 是一条长 1cm 的线段.B 出现的概率是一个点,我们只需要让 B 这个点落在 A 这条线段上即可.同理,若 B 先到达,则假设 B 是一条长 2cm 的线段,A 出现的概率是一个点,我们需要让 A 落在 B 这条线段上即可.

Example2

事件的独立性

期望与方差

期望的性质

• 若 X 和 Y 相互独立,即 P(AB)=P(A)P(B):

反之不成立,事实上,若 E(XY)=E(X)E(Y)只能说明 X 和 Y不相关.

Example1

• 从 1,2, 3,...98,99,2015 这 100 个数中任意选择若干个数(可能为 0 个数)求异或,试求异或的期望值.
  1. 关于异或问题的计算,首先要将其转化为二进制数的形式.
  2. 其次把握异或的计算法则,异或加法不进位,并且两位取 0,不同取 1.两两计算,两数相加之和与第三个数进行计算.
  3. 此题中由于最后一个数最大,所以我们把其作为标准.将其作为第一个加数以二进制展开.

方差

• 定义:

• 无条件成立性质:

• X 和 Y 独立:

• 方差的平方根称为标准差.

协方差

• 定义:

• 性质:

协方差和独立/不相关

• X 和 Y 独立时,E(X,Y)=E(X)E(Y)而 Cov(X,Y)=E(XY)-E(X)E(Y),从而当 X 和 Y 独立时,Cov(X,Y)=0
• 但 X 和 Y 独立这个前提太强,我们定义:若 Cov(X,Y)=0.则称 X 和 Y 不相关.
• 协方差是两个随机变量具有相同方向变化趋势的度量
• 若 Cov(X,Y)大于 0,它们的变化趋势相同
• 若 Cov(X,Y)小于 0,它们的变化趋势相反
• 若 Cov(X,Y)等于 0,称 X 和 Y 不相关

协方差的上界

再谈独立与不相关

• 因为上述定理的保证,使得"不相关"事实上即"线性独立"
  • 即:若 X 与 Y 不相关,说明 X 和 Y 之间没有线性关系(但是有可能存在其他函数关系),不能保证 X 和 Y 相互独立.
  • 但是 X 和 Y 独立一定是不相关
• 但是对于二维正态随机变量,X 与 Y 不相关等价于 X 与 Y 相互独立.

Pearson 相关系数

协方差矩阵

• 当我们讨论两个事件时,我们称事件为 X,Y,其中对于 X 事件有很多种情况,我们可以用向量的方式表示一个事件 X 的不同情况.
• 我们原先讨论的是 X,Y 两个事件的协方差情况,如果对于 n 个事件,我们怎样计算不同事件之间的协方差?--这里引入协方差矩阵的概念.

参考资料

[1]

课程传送门: http://www.julyedu.com/video/play/38