以下函式均是對應分布模型的概率密度函式
函式函式功能
y = binopdf(x,n,p)
產生引數為n,p的二項分布,x為取值點，y為對應的值
y = poisspdf(x,lambda)
泊松分布，引數為lambda
y = geopdf(x,p)
幾何分布，引數為p
y = unidpdf(x,m)
離散型均勻分布，引數為n
y = unifpdf(x,a,b)
連續型均勻分布，引數為[a,b]
y = exppdf(x,mu)
指數分布，引數為mu,mu預設值為1
y = normpdf(x,mu,sigma)
正態分佈，引數為mu,sigma。預設值分別為0，1
y = chi2pdf(x,v)
卡方分布，自由度為v
y = tpdf(x,v)
t分布，自由度為v
y = fpdf(x,v1,v2)
f分布，v1為第一自由度，v2為第二自由度
概率分布函式和概率密度函式
如果隨機變數的值可以都可以逐個列舉出來，則為離散型隨機變數。如果隨機變數x的取值無法逐個列舉則為連續型變數。通俗解釋 能夠用日常使用的量詞度量的取值，如次數，個數，塊數等都是離散型隨機變數。無法用這些量詞度量，且取值可以取到小數點2位，3位甚至無限多位的時候，那麼就是連續型隨機變數 如果微積分是研究...
均勻分布的概率密度函式 理解概率密度函式
概率密度函式是概率論中的核心概念之一，用於描述連續型隨機變數所服從的概率分布。在機器學習中，我們經常對樣本向量x的概率分布進行建模，往往是連續型隨機變數。很多同學對於概率論中學習的這一抽象概念是模糊的。在今天的文章中，sigai將直觀的解釋概率密度函式的概念，幫你更深刻的理解它。回憶我們在學習概率論...
概率密度函式估計筆記
概率密度函式估計是貝葉斯決策的基礎，有兩大類方法 引數法和非引數法。所謂的引數法是指已知引數形式，但不知道引數，我們要對引數進行估計的過程。這裡主要介紹點估計的兩種方法 一種是最大似然估計，一種是貝葉斯估計。最大似然估計 假設 我們要估計的引數 是確定但未知的 樣本之間是獨立同分布的 或者是條件獨立...