《计算机视觉：模型、学习和推理》一2.7　期望

本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第2章 ，第2.7节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
2.7 期望

给定一个函数f[]和每个x所对应的概率Pr(x=x)，函数对变量x的每个值x都返回一个值，有时希望求函数的期望输出。如果从概率分布中抽取大量样本，计算每个样本的函数，并求这些值的平均值，其结果就是期望。更确切地说，在离散及连续的情况下，一个随机变量x的函数f[]的期望值分别定义为

将这种思路推广到二元随机变量的函数f[]，则有：

对于某些特殊的函数f[]，期望被赋予特殊的名称（见表2-1）。这些特殊函数常用来概括复杂概率分布的性质。
表2-1 特殊函数的期望。对于某些函数f(x)，其期望E[f(x)]被赋予特殊的名称。在这里，使用符号μx表示随机变量x的均值，μy表示随机变量y的均值

期望有四条性质，这些性质能够通过期望的原始定义简单证得（式(2-12)）。
1.若随机变量x是常数k，则其期望是常数本身：

2.常数k与函数f[x]的乘积所得函数的期望是f[x]期望的k倍：

3.随机变量都是x时：函数f[x]和g[x]相加所得函数的期望是两个函数期望的和.

4.函数f[x]和g[y]相乘所得函数的期望是两个函数期望的乘积：

讨论
概率的规则是非常紧凑和简洁的。边缘化、联合条件概率、独立性和贝叶斯公式是本书中所有计算机视觉算法的基础。仅剩概率相关的一个重要概念——条件的独立性，这将在第10章详细讨论。
备注
关于概率更正式的讨论，鼓励读者研读一本关于该主题的书籍，例如，Papoulis(1991)。若从机器学习的视角学习概率，请参考Bishop（2006）第1章。
习题
2.1 列举出真实生活中联合分布的一个实例Pr(x,y)，其中x是离散的，y是连续的。
2.2 边缘化5个变量的联合分布Pr(v,w,x,y，z)，仅仅考虑变量w和y，结果将会是什么？对于v的边缘化分布结果又是什么？
2.3 证明下面等式成立：

2.4 在我的口袋里有两枚硬币。第一枚硬币是公平的，所以正面向上的似然性Pr(h=1c=1)是0.5，反面向上的似然性Pr(h=0c=1)也是0.5。第二枚硬币是不公平的，正面向上的似然性Pr(h=1c=2)是0.8，而反面向上的似然性Pr(h=1c=2)是0.2。将手伸入口袋，随机选取一枚硬币。选取任何一枚硬币的先验概率是相同的。投掷所选硬币观察到正面朝上，利用贝叶斯公式计算选取第二枚硬币的后验概率。
2.5 如果变量x和y是相互独立的，变量x和z是相互独立的，那么变量y和z是相互独立的吗？
2.6 使用式(2-3)证明，当x和y相互独立时，边缘概率分布Pr(x)与任意y的条件概率Pr(xy=y)等价。
2.7 4个变量的联合概率Pr(w,x,y,z)因式分解为：

证明若Pr(x，w)=Pr(x)Pr(w)，x和w是相互独立的。
2.8 考虑骰子6个面{1,2,3,4,5,6}朝上的概率分别为{1/12,1/12,1/12,1/12,1/6,1/12}。骰子的期望值是多少？如果投掷两次骰子，两次投掷的期望值总共是多少？
2.9 证明期望的四个公式

对于最后一种情况，需要使用独立性的定义进行证明（见2.6节）。
2.10 利用习题2.9中的关系式证明以下关系式，即趋近于零的二阶矩和关于均值的二阶矩（方差）之间的关系：

带你读《OpenCV 4计算机视觉项目实战 （原书第2版）》之三：学习图形用户界面 本书首先介绍OpenCV的入门知识及安装，然后介绍OpenCV的基础知识，包括用户界面、矩阵运算、滤波器和直方图等，之后介绍复杂的计算机视觉算法，包括对象分割和分类、视频监控、对象跟踪等，后探讨对象跟踪、文本识别、机器学习和人脸检测等高级技术。阅读本书之后，你将掌握常用和新的计算机视觉技术，并学会从零开始构建各类OpenCV项目。
何恺明团队计算机视觉最新进展：从特征金字塔网络、Mask R-CNN到学习分割一切 这篇文章介绍了FAIR何恺明、Tsung-Yi Lin等人的团队在计算机视觉领域最新的一些创新，包括特征金字塔网络、RetinaNet、Mask R-CNN以及用于实例分割的弱半监督方法。
《计算机视觉：模型、学习和推理》一3.3分类分布 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第3章 ，第3.3节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《计算机视觉：模型、学习和推理》一导读 计算机视觉是一门工程学科，机器在现实世界中捕获的视觉信息可以激发我们的积极性。因此，我们通过使用计算机视觉解决现实问题来对我们的知识进行分类。
《计算机视觉：模型、学习和推理》一3.8 正态逆维希特分布 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第3章 ，第3.8节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《计算机视觉：模型、学习和推理》一3.6 正态逆伽马分布 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第3章 ，第3.6节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《计算机视觉：模型、学习和推理》一2.5 贝叶斯公式 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第2章 ，第2.5节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《计算机视觉：模型、学习和推理》一第3章 总结 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第3章 ， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。
《计算机视觉：模型、学习和推理》一3.7 多元正态分布 本节书摘来华章计算机《计算机视觉：模型、学习和推理》一书中的第3章 ，第3.7节， ［英］西蒙J. D. 普林斯（Simon J. D. Prince）著苗启广 刘凯 孔韦韦 许鹏飞 译 译更多章节内容可以访问云栖社区“华章计算机”公众号查看。