Gezhikaiwu：创建页面，内容为“== 伯努利模型 == '''伯努利模型'''是一种二元随机变量的概率模型，通常用于描述只有两种可能结果的随机试验。 === 定义 === 伯努利模型描述了一个随机试验，这个试验只有两种可能的结果，我们通常称其中一种结果为"成功"，另一种结果为"失败"。如果我们用随机变量 $X$ 来表示这个试验的结果，那么 $X$ 可以取两个值：1表示"成功"，0表…”

2023-07-25T01:02:19Z

创建页面，内容为“== 伯努利模型 == '''伯努利模型'''是一种二元随机变量的概率模型，通常用于描述只有两种可能结果的随机试验。 === 定义 === 伯努利模型描述了一个随机试验，这个试验只有两种可能的结果，我们通常称其中一种结果为"成功"，另一种结果为"失败"。如果我们用随机变量<math>X</math>来表示这个试验的结果，那么<math>X</math>可以取两个值：1表示"成功"，0表…”

新页面

== 伯努利模型 ==
'''伯努利模型'''是一种二元随机变量的概率模型，通常用于描述只有两种可能结果的随机试验。

=== 定义 ===
伯努利模型描述了一个随机试验，这个试验只有两种可能的结果，我们通常称其中一种结果为"成功"，另一种结果为"失败"。如果我们用随机变量<math>X</math>来表示这个试验的结果，那么<math>X</math>可以取两个值：1表示"成功"，0表示"失败"。

=== 概率分布 ===
伯努利模型的概率分布是：
* "成功"的概率为<math>p</math>，即<math>P(X=1) = p</math>，
* "失败"的概率为<math>1-p</math>，即<math>P(X=0) = 1-p</math>。

这可以用以下的公式表示：
<math>
P(X=x) = p^x (1-p)^{1-x}
</math>
其中，<math>x</math>可以是0或1。

=== 参数 ===
伯努利模型的参数是一个事件发生的概率<math>p</math>。这个参数必须在0和1之间。

=== 参数估计 ===
伯努利模型的参数<math>p</math>可以通过最大似然估计来估计。如果我们进行了<math>n</math>次试验，其中有<math>k</math>次"成功"，那么[[最大似然估计]]的结果是：
<math>
\hat{p} = \frac{k}{n}
</math>

=== 应用 ===
伯努利模型在许多领域都有应用。例如：

* '''硬币投掷'''：它可以用来描述硬币投掷的结果，其中"成功"可以表示硬币正面朝上，"失败"可以表示硬币反面朝上。

* '''二元分类问题'''：在机器学习中，伯努利模型可以用来描述二元分类问题，其中"成功"可以表示一个样本属于某个类别，"失败"可以表示一个样本不属于那个类别。

* '''点击率预测'''：在在线广告中，伯努利模型可以用来预测用户点击广告的概率，其中"成功"表示用户点击了广告，"失败"表示用户没有点击广告。

* '''医学测试'''：在医学中，伯努利模型可以用来描述医学测试的结果，其中"成功"表示测试结果为阳性，"失败"表示测试结果为阴性。

=== 计算案例 ===
假设我们有一个硬币，我们想知道这个硬币是否公平。我们可以通过抛掷这个硬币来估计它正面朝上的概率。如果我们抛掷了100次，其中有60次正面朝上，那么我们可以使用伯努利模型的最大似然估计来估计正面朝上的概率：
<math>
\hat{p} = \frac{60}{100} = 0.6
</math>

=== 推广 ===
伯努利模型可以推广到二项分布，描述了在<math>n</math>次独立的伯努利试验中"成功"的次数。伯努利模型也可以推广到伯努利过程，描述了在连续时间中的"成功"事件。

=== 优点和缺点 ===
伯努利模型的优点包括简单、易于理解和计算。但是，它的缺点是模型假设可能过于简单，不能适应更复杂的情况。例如，伯努利模型假设每次试验的结果都是独立的，但在现实中，很多情况下，试验的结果可能会相互依赖。

伯努利模型 - 版本历史