超几何分布的数学期望和方差怎么算？以下内容主要是针对遇上最大期望算法是什么的问题，我们该怎么理解呢。最大期望算法（英语：Expectation-Maximizationalgorithm），又称EM算法，是一种基于最大似然估计的迭代算法，主要用于处理概率模型中隐变量的极大似然估计问题，下面这篇文章将为你提供一个参考思路，希望能帮你解决到相关问题。
超几何分布的数学期望和方差怎么算
期望值有两种方法：
1. 最笨的，也就是把每种情况（就是拿到0，1，2，3，4，5，6，7个指点球）都算出来[超几何分布计算公式：p(x=r)=(Cm r*CN-M n-r)/CNn，"C"是组合数，m与r分别是下标与上标，这里不好打出来]。然后写出概率分布列，将每一纵行的P(x=r)与r相乘，所求结果相加，即可得出期望值。
2. 还有一种就是简单的公式法，E(X)=(n*M)/N [其中x是指定样品数，n为样品容量，M为指定样品总数，N为总体中的个体总数]，可以直接求出均值。
方差也有两种算法（都是公式法）：
1.这里设期望值为a，那么方差V(X)=（X1-a）^2*P1+(x2-a)^2*P2+...+(Xn-a)*Pn。
2.另一种是V(X)=X1^2*P1+X2^2*P2+...Xn^2*Pn-a^2 [这里同样设a为期望值]。
最大期望算法是什么
1、最大期望算法（英语：Expectation-Maximizationalgorithm），又称EM算法，是一种基于最大似然估计的迭代算法，主要用于处理概率模型中隐变量的极大似然估计问题。它的发明者是在1977年由Dempster，Laird和Rubin提出的。
2、最大期望算法以迭代方式求解在模型中隐变量未知的参数。它是一个收敛算法，很可能求出合理的估计结果，但确定性结果可能看不到，所以只能看出概率性的估计结果。EM算法的主要目的是通过迭代的方法估计模型中的待定参数。
3、最大期望算法的基本迭代思想是：在已有模型的参数特定的情况下，由观测数据反推出这些参数的最大似然估计；然后，根据刚刚得到的最大可能的参数，用这些参数去重新估计模型参数，得到更好的参数估计。以此类推，它可以不断迭代，直到满足某种可预设条件来多次更新参数估计。
4、EM算法解决的问题是一个象牙之室的问题，在观测到的数据中，参数的状态是未知的，这些参数需要估计，但几乎没有什么直接的方法可以去解决他们。所以EM算法假设一个假定状态，即所有参数都可以有很多值，然后迭代地根据新假定状态来估计模型参数，每个迭代步骤中求出新假定状态下模型参数的最大似然估计，每次迭代都朝着最大似然估计值改变。
5、EM算法到达收敛点时就停止，最后得到的参数估计值就是概率模型参数的最优估计值。这是一种收敛的算法，它也可以被用于未知变量的估计。
6、EM算法的优点在于算法的简单和易实现，而且EM算法也能够在优化问题中得到有效的收敛。
7、EM算法应用的范围还很广，如最大似然估计、贝叶斯估计、最小二乘估计等，以及各种复杂概率模型估计等等，比如聚类分析、Gaussian混合模型、神经网络等，都可以结合EM算法来计算。
以上就是为你整理的最大期望算法是什么全部内容，希望文章能够帮你解决相关问题，更多请关注本站科技问答百科栏目的其它相关文章！