用deepseek学大模子03-数学底子 概率论 随机变量 概率分布

deepseek.com:什么是概率，什么是随机变量？深度学习中常用概率的分布有哪些？
1. 什么是概率？

概率是形貌变乱发生的大概性的数值，范围在 0 到 1 之间：

  

• 0：变乱不大概发生。  
  
• 1：变乱一定发生。  
  
• 0.5：变乱有一半的大概性发生。
  

概率用于量化不确定性，是呆板学习和深度学习的焦点概念之一。
<hr> 2. 什么是随机变量？

随机变量是将随机变乱的效果映射到数值的函数，分为两种范例：

  

• 离散随机变量：取有限或可数无穷个值（如掷骰子的效果）。  
  
• 连续随机变量：取无穷不可数的值（如某地域的温度）。
  

随机变量通常用大写字母体现（如XXX），其详细取值用小写字母体现（如xxx）。
<hr> 3. 深度学习中常用的概率分布

深度学习中使用多种概率分布来形貌数据和模子的随机性，以下是一些常见的分布：
（1）离散分布

  

• 伯努利分布（Bernoulli Distribution）：
  
     
  
  • 形貌二值随机变量（如抛硬币）。   
    
  • 参数：ppp（变乱发生的概率）。   
    
  • 公式：P(X=1)=pP(X=1) = pP(X=1)=p，P(X=0)=1−pP(X=0) = 1-pP(X=0)=1−p。   
    
     
  
• 二项分布（Binomial Distribution）：
  
     
  
  • 形貌nnn次独立伯努利试验中乐成的次数。   
    
  • 参数：nnn（试验次数），ppp（每次乐成的概率）。   
    
  • 公式：P(X=k)=C(n,k)⋅pk⋅(1−p)n−kP(X=k) = C(n,k) \cdot p^k \cdot (1-p)^{n-k}P(X=k)=C(n,k)⋅pk⋅(1−p)n−k。   
    
     
  
• 多项分布（Multinomial Distribution）：
  
     
  
  • 伯努利分布的推广，形貌多种别随机变量。   
    
  • 参数：试验次数nnn，概率向量p=(p1,p2,…,pk)\mathbf{p} = (p_1, p_2, \dots, p_k)p=(p1​,p2​,…,pk​)。   
    
  • 公式：P(X1=x1,X2=x2,…,Xk=xk)=n!x1!x2!…xk!p1x1p2x2…pkxkP(X_1=x_1, X_2=x_2, \dots, X_k=x_k) = \frac{n!}{x_1! x_2! \dots x_k!} p_1^{x_1} p_2^{x_2} \dots p_k^{x_k}P(X1​=x1​,X2​=x2​,…,Xk​=xk​)=x1​!x2​!…xk​!n!​p1x1​​p2x2​​…pkxk​​。   
    
    
  

（2）连续分布

  

• 匀称分布（Uniform Distribution）：
  
     
  
  • 形貌区间内全部值概率相称的随机变量。   
    
  • 参数：区间[a,b][a, b][a,b]。   
    
  • 公式：f(x)=1b−af(x) = \frac{1}{b-a}f(x)=b−a1​，x∈[a,b]x \in [a, b]x∈[a,b]。   
    
     
  
• 正态分布（Normal Distribution / Gaussian Distribution）：
  
     
  
  • 形貌大量独立随机变量的总和。   
    
  • 参数：均值μ\muμ，方差σ2\sigma^2σ2。   
    
  • 公式：f(x)=12πσ2exp⁡(−(x−μ)22σ2)f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)f(x)=2πσ2                       ​1​exp(−2σ2(x−μ