#P04 · 概率统计与AI优化 (Probability & AI) · Lv.2在3D思维导图中查看

数学期望与方差 (随机变量矩)

Christiaan Huygens & Pafnuty Chebyshev · 1657년

E[X] = \sum_i x_i p_i, \quad \operatorname{Var}(X) = E[(X-\mu)^2] = E[X^2] - (E[X])^2

\sigma_X = \sqrt{\operatorname{Var}(X)}, \quad E[aX+b] = aE[X]+b

度量随机变量分布重心（数学期望 μ）以及数据偏离中心平方均值（方差 σ²）的基础统计公式。

🧮 即时公式计算器与图形绘制器

收益 x₁ (p=0.5)

收益 x₂ (p=0.3)

收益 x₃ (p=0.2)

E[X] = 10.00, \quad \operatorname{Var}(X) = 175.0 - (10.0)^2 = 75.00

기댓값 E[X] (평균 μ)

10.000

분산 Var(X) = σ²

75.000

표준편차 σ

8.660

先修概念路径 (Prerequisite Path) (7 STEP)

完整路径分析

按顺序点击即可沿3D霓虹路径从基础直达目标公式。

STEP 1#A01等式性质与一元一次方程

ax + b = 0 \implies x = -\frac{b}{a}

STEP 2#P01排列与组合 (计数原理)

{}_nP_r = \frac{n!}{(n-r)!}

STEP 3#A02乘法公式与因式分解恒等式

(a+b)^2 = a^2 + 2ab + b^2

STEP 4#A03指数法则与根式运算

a^m \cdot a^n = a^{m+n}

STEP 5#P02条件概率与乘法定理

P(A \mid B) = \frac{P(A \cap B)}{P(B)}

STEP 6#A08二项式定理与帕斯卡三角形

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 7#P04数学期望与方差 (随机变量矩)

E[X] = \sum_i x_i p_i

🚀 由此公式衍生的进阶公式 (5)

#P05二项分布与伯努利试验 #P06正态分布 (高斯分布) 与标准分数 Z #P07中心极限定理 (CLT) 与置信区间 #P08皮尔逊相关系数与最小二乘线性回归 (OLS)#P09香农信息熵与交叉熵损失 (Cross-Entropy)

几何与直观原理解析

'제곱의 평균 빼기 평균의 제곱(E[X²] - E[X]²)'은 매번 편차를 구하지 않고도 한 번의 순회로 분산을 빠르게 계산하게 해 줍니다.

分步公式推导过程

Step 1.Var(X) = E[(X - μ)²] = E[X² - 2μX + μ²] (단, μ = E[X])
Step 2.기댓값의 선형성에 의해 E[X²] - 2μE[X] + μ² = E[X²] - 2μ² + μ²
Step 3.따라서 Var(X) = E[X²] - (E[X])²

AI与编程实战应用

强化学习(RL)期望累计奖励最大化、深度学习批归一化(BatchNorm/LayerNorm)及权重初始化的核心公式。

#Reinforcement Learning#Batch Normalization#Quant Risk#Weight Initialization

const mean = xs.reduce((a,b)=>a+b,0)/xs.length; const variance = xs.reduce((s,x)=>s+(x-mean)**2,0)/xs.length;

概率统计与AI优化 (Probability & AI) — 同领域相关公式

Lv.2 · LLM Next-Token

Lv.3 · Diffusion Models

#P06

中心极限定理 (CLT) 与置信区间

Lv.4 · Mini-Batch SGD

#P07