일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | |||||
3 | 4 | 5 | 6 | 7 | 8 | 9 |
10 | 11 | 12 | 13 | 14 | 15 | 16 |
17 | 18 | 19 | 20 | 21 | 22 | 23 |
24 | 25 | 26 | 27 | 28 | 29 | 30 |
- similarity
- woodbury matrix identity
- detection
- 영상처리
- LDU decomposition
- entropy
- DataLorder
- measure
- vision
- rotated RetinaNet
- RANSAC
- dataset
- gstreamer
- CoCo
- bernoulli distribution
- OpenMMlab
- schur complement
- MMrotate
- MSAC
- Poisson Distribution
- AERIAL IMAGE
- kakao map
- pytorch
- probability
- binomial distribution
- Map
- matlab
- Today
- Total
끊임없이 부단히
[수학] Poisson, Bernoulli, binomial distribution 본문
이번 포스팅에서는 자주 사용되는 확률 분포들을 간략하게 정리하고자 합니다.
확률 분포는 푸아송 분포, 베르누이 분포, 이항 분포입니다!
푸아송(Poisson) 분포
푸아송 분포의 확률 질량 함수(Probability mass function)은 아래와 같습니다.
$$ f(k;\lambda )=\frac{\lambda^ke^{-\lambda}}{k!} $$
여기서 변수 λ는 단위 시간 당 사건이 발생할 기댓값을 의미합니다.
즉, 확률 질량 함수는 단위 시간 당 λ번 발생하길 기대하는 사건이 k번 발생할 확률을 의미합니다.
또한, 푸아송 분포에는 평균과 분산이 모두 λ라는 특징이 있습니다.
$$ \mathbb{E}(X) = Var(X) = \lambda $$
베르누이(Bernoulli) 분포
베르누이 분포는 확률 변수 X가 0과 1을 각각 q와 p(=1-q)의 확률로 가질 때 확률 변수의 분포입니다.
이는 아래와 같이 적을 수 있습니다.
$$ P(X=0)=q, P(X=1)=p, 0\leq p \leq 1, q = 1-p $$
이항(binomial) 분포
이항분포는 확률 p를 가지는 시행을 n번 독립 시행 시 가지는 분포입니다.
확률 질량 함수, 즉 n번의 독립 시행 시 k번 발생할 확률은 아래와 같습니다.
$$ f(k;n,p)=\binom{n}{k}p^k(1-p)^{n-k} $$
평균과 분산은 아래와 같습니다.
$$ \mathbb{E}(X) = np $$
$$ Var(X) = np(1-p) $$
참고로, n = 1인 이항 분포는 베르누이 분포가 됩니다.
또한, n이 매우 크고 p가 매우 작을 시 이항 분포는 λ=np인 포아송 분포로 근사할 수 있습니다.
감사합니다.
'이론' 카테고리의 다른 글
[수학] 두 확률(가우시안)간 거리 척도(distance metrix) (0) | 2023.02.24 |
---|---|
[수학] Schur complement 및 Woodbury matrix identity (0) | 2023.01.10 |