目录第一章 损失分布第一节 随机变量的数字特征一、特征函数和矩母函数二、概率母函数和累积量母函数第二节 索赔次数的损失分布一、索赔次数的损失分布族二、零调整分布和零截断分布三、复合分布第三节 索赔额的损失分布一、常用的索赔额分布二、混合分布三、保险领域中的混合分
正态分布 笔记来源：Probability Density Function of the Normal Distribution 哪种函数的图像与正态分布PDF的图像更加接近？ 从函数的渐近线为x轴角度，排除到只剩下有理函数和指数函数基本符合 有理函数的图像虽然渐近线为x轴，但大体上图像与正态分布PDF的图像不太相似
1、统计量的概念 2 次序统计量 3抽样分布 4 正态分布 分布函数 密度函数 正态分布
使用ggplot2绘制频数分布直方图或密度分布曲线 直方图和曲线图是最常用的展示频数和频率分布的统计图形。频数（或频率）分布直方图（frequency distribution histogram）以直方图的形式展示一组定量数据中不同值出现的频数或频率。在直角坐标系中，横轴列为一个有序数列，按数据的最小值
转载自： https://blog.csdn.net/cc1949/article/details/78906044 概率论中的六种常用分布，即（0－1）分布、二项分布、泊松分布、均匀分布、指数分布和正态分布。
Normalizing Flows: An Introduction and Review of Current Methods (2020 TPAMI) Open problems and possible research directions 1. Inductive biases (归纳性偏差) 1.1 role of the base measure （基准测量的作用） 一般来说，normalizing flow的基本度量被认为是一个简单的分
1.相对熵,KL散度 \(真实分布p(x),近似分布q(x)对其建模,则分布p(x),q(x)之间的相对熵/KL散度为\) 注意KL\((p||q)\ne\)KL\((q||p)\),相对熵不是一个对称量 \(KL散度可以看做是两个分布p(x)和q(x)之间不相似程度的度量\) 2.KL散度的近似公式 \(对于p(x),可以用q(x|\theta)来近似这
在本文中，首先简要解释一下 混合密度网络 MDN （Mixture Density Network）是什么，然后将使用Python 代码构建 MDN 模型，最后使用构建好的模型进行多元回归并测试效果。 回归 “回归预测建模是逼近从输入变量 (X) 到连续输出变量 (y) 的映射函数 (f) [...] 回归问题需要预测具体的数值。
0-1分布 x只能取1或0，对应概率为p和1-p \[P(X=k)=p^k(1-p)^{1-k} \]有两种实验结果，实验只做一次 这是二项分布的一个特例 几何分布（Geometric distribution） P(A)=p，第k次首次发生，前k-1次未发生 \[P(X=k)=(1-p)^{k-1}p \]记作X~G(p) 二项分布（Binomial Distribution） P(A)=p，做了n次实验，
随机变量 定义：对样本空间，有一个实值函数X=X(w)，使每个实验结果关联一个特定的数，这种实验结果与数的对应关系形成随机变量。我们将实验结果所对应的数称为随机变量的取值。（简单的说每个实验结果用一个数来表示，这样在数学上比较方便） 对随机变量进行分类有：离散型随机变量、非离散型随
原文链接：http://tecdat.cn/?p=25086 原文出处：拓端数据部落公众号 今年的收益是否真的与典型年份的预期不同？差异实际上与典型年份的预期不同吗？这些都是容易回答的问题。我们可以使用均值相等或方差相等的测试。但是下面这个问题呢。 今年的收益概况与一般年份的预期情况是否不
【生信】统计学基础知识 本文图片来源网络或学术论文，文字部分来源网络与学术论文，仅供学习使用。 本文参考统计学知识大梳理_lovenankai的专栏-CSDN博客 目录 【生信】统计学基础知识 1、首先建立思维模式 2、如何处理“一维”数据 小结——对于“一维”数据进行统计学方法分析
原文链接：http://tecdat.cn/?p=24925 原文出处：拓端数据部落公众号 Kolmogorov-Smirnov是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max| f(x)- g(x)|，当实际观测值D>D(n,α)则拒绝H0，否则则接受H0假
上文讲了离散型随机变量的分布，我们从最简单的离散型分布伯努利分布讲起，伯努利分布很简单，但是在现实生活中使用的很频繁。很多从事体力工作的人，在生活中也是经常自觉地“发现”伯努利分布，它很容易理解。 1.为什么要先从伯努利分布来学？ 2.在生活中什么样的事情可能服从伯努利分布
1.背景 一般机器学习完成后会生成正确率等指标，ROC也是常用的指标 \(假设有一随机变量X,离散值,有n中取值，同时有两类分布对应X\) \(1.真实分布-从样本中,概率为p=(p_1,p_2,....,p_n)\) \(2.假设分布-学习得到,概率为q=(q_1,q_2,....,q_n)\) \(问题,若现在已知X=某个值,那么请问这个
线性规划 在一组线性约束条件的限制下，求一线性目标函数的最大或最小值。 整数规划 在线性规划模型中，变量限制为整数。 0-1规划 约束条件相互排斥 若有 m 个相互排斥的约束条件 \(a_{i1}x_1+\dots+a_{in}x_n\leq b_i,i=1,2,\dots,m\) 需使这 m 个条件只有一个起作用 ，引入 m 个0-1
原文链接：http://tecdat.cn/?p=24535 原文出处：拓端数据部落公众号 最近，copula 在仿真模型中变得流行起来。Copulas 是描述变量之间依赖关系的函数，并提供了一种创建分布以对相关多元数据建模的方法。使用 copula，数据分析师可以通过指定边缘单变量分布并选择特定的 copula 来提供变量
概率论：研究如何定量描述随机现象的发生可能性及其规律 数理统计：通过样本来对总体进行估计或者检验某个假设是否成立 对于随机现象的规律总结 概率：随机事件发生的可能性 概率模型 离散型：二项分布（多次放回重复试验，成功次数的分布概率）、泊松分布、几何分布（独立重复试验，首次成功
一.什么是熵Ⅰ.信息量首先考虑一个离散的随机变量x,当我们观察到这个变量的一个具体值的时候,我们接收到多少信息呢? 我们暂时把信息看做在学习x的值时候的”惊讶程度”(这样非常便于理解且有意义).当我们知道一件必然会发生的事情发生了,比如往下掉的苹果.我们并不惊讶,因为反正
variability被称作变异性或者可变性，它描述了数据点彼此之间以及距分布中心的距离。 可变性有时也称为扩散或者分散。因为它告诉你点是倾向于聚集在中心周围还是更广泛地分散。 低变异性是理想的，因为这意味着可以根据样本数据更好地预测有关总体的信息。高可变性意味着值的一致性较
Wiki定义：贝叶斯误差（bayes error rate)是指在现有特征集上，任意可以基于特征输入进行随机输出的分类器所能达到最小误差。也可以叫做最小误差。 先直接回答题主的疑问：“书上说是从预先知道的分布预测而出现的c误差，既然已经预先知道分布了，那么为什么还有误差呢？” 回答：分布是真实
伯努利分布（Bernoulli Distribution） 在一次试验中，事件\(A\)出现的概率为\(\mu\)，不出现的概率为1 − \(\mu\)。若用变量X 表示事件A出现的次数，则\(X\) 的取值为\(0\)和\(1\)，其相应的分布为 \(p(x)=\mu^x(1-\mu)^{1-x}\) 二项分布（Binomial Distribution） 在n次伯努利分布中，若以变量X
本来试图用pad记笔记的, 结果pad上的markdown编辑器要么太烂，要么收费，于是乎还是背着大电脑出发吧。 动机:把书读薄, 便于之后查阅. 不至于像微积分一样学完即忘. 事实上从考试的角度来说, 花时间整理笔记远没有仅保持短期记忆而把时间花在刷题上来得有效. 但我们不仅是应试机器 ri
探究变量之间的关系是数据挖掘中的一个基本分析内容，对于常规的离散型或者连续型变量，有很多的方法可以用于挖掘其中的关系，比如线性回归，逻辑回归等等。然而有一类数据非常的特殊，用回归分析等常用手段出处理这类数据并不合适，这类数据就是生存数据。 常规数据在表示时，只需要一个
1、交叉熵的来源 一条信息的信息量大小和它的不确定性有很大的关系，一句话如果需要很多外部信息才能确定，我们就称这句话的信息量比较大。比如你听到“云南西双版纳下雪了”，那你需要去看天气预报、问当地人等等查证（因为云南西双版纳从没下过雪）。相反，如果和你说“人一天要吃三顿饭”，
