概率论:多元高斯分布
一、多元高斯分布:
一元高斯分布的概率密度函数如下所示:
p(x)=1σ2π⋅e−12(x−μσ)2(1)p(x)={1\over\sigma\sqrt{2\pi}}\centerdot e^{-{1\over2}({x-\mu\over\sigma})^2}\quad\quad\quad(1)p(x)=σ2π1⋅e−21(σx−μ)2(1)
而如果我们对随机变量X进行标准化,用Z=X−μσZ={X-\mu\over\sigma}Z=σX−μ对上式进行换元,可得:
x(z)=z⋅σ+μx(z)=z\centerdot\sigma+\mux(z)=z⋅σ+μ
p(x(z))=1σ2π⋅e−12(z)2p(x(z))={1\over\sigma\sqrt{2\pi}}\centerdot e^{-{1\over2}(z)^2}p(x(z))=σ2π1⋅e−21(z)2
∴1=∫−∞+∞p(x(z))dx\therefore1=\int_{-\infty}^{+\infty}p(x(z))dx∴1=∫−∞+∞p(x(z))dx
=∫−∞+∞1σ2π⋅e−12(z)2dx\quad\quad=\int_{-\infty}^{+\infty}{1\over\sigma\sqrt{2\pi}}\centerdot e^{-{1\over2}(z)^2}dx=∫−∞+∞σ2π1⋅e−21(z)2dx
=∫−∞+∞12π⋅e−12(z)2dz\quad\quad=\int_{-\infty}^{+\infty}{1\over\sqrt{2\pi}}\centerdot e^{-{1\over2}(z)^2}dz=∫−∞+∞2π1⋅e−21(z)2dz
此时我们可以说随机变量Z∽N(0,1)Z\backsim N(0,1)Z∽N(0,1)服从一元标准高斯分布,其均值μ=0\mu=0μ=0,方差σ2=1\sigma^2=1σ2=1,概率密度函数为:
p(z)=12π⋅e−12(z)2(2)p(z)={1\over\sqrt{2\pi}}\centerdot e^{-{1\over2}(z)^2}\quad\quad\quad(2)p(z)=2π1⋅e−21(z)2(2)
1.1 多元标准高斯分布
多元标准高斯分布的概率密度函数是由(2)导出的
假设有随机向量Z→=[Z1,...,Zn]T,其中Zi∽N(0,1)且Zi,Zj(i,j=1,...,n⋀i≠j)彼此独立,即随机向量中的每一个随机变量Zi都服从标准高斯分布并且两两彼此独立,则由(2)与独立随机变量概率密度函数之间的关系,我们可得随机向量Z→=[Z1,...,Zn]T的联合概率密度函数为:假设有随机向量\overrightarrow{Z}=[Z_1,...,Z_n]^T,其中Z_i\backsim N(0,1)且Z_i,Z_j(i,j=1,...,n\bigwedge i\ne j)彼此独立,即随机向量中的每一个随机变量Z_i都服从标准高斯分布并且两两彼此独立,则由(2)与独立随机变量概率密度函数之间的关系,我们可得随机向量\overrightarrow{Z}=[Z_1,...,Z_n]^T的联合概率密度函数为:假设有随机向量Z=[Z1,...,Zn]T,其中Zi∽N(0,1)且Zi,Zj(i,j=1,...,n⋀i=j)彼此独立,即随机向量中的每一个随机变量Zi都服从标准高斯分布并且两两彼此独立,则由(2)与独立随机变量概率密度函数之间的关系,我们可得随机向量Z=[Z1,...,Zn]T的联合概率密度函数为:
p(z1,...,zn)=∏i=1n12π⋅e−12⋅(zi)2=1(2π)n2⋅e−12⋅(ZTZ)p(z_1,...,z_n)=\prod_{i=1}^n{1\over\sqrt{2\pi}}\centerdot e^{-{1\over 2}\centerdot(z_i)^2}={1\over(2\pi)^{n\over2}}\centerdot e^{-{1\over2}\centerdot(Z^TZ)}p(z1,...,zn)=∏i=1n2π1⋅e−21⋅(zi)2=(2π)2n1⋅e−21⋅(ZTZ)
且:1=∫−∞+∞⋯∫−∞+∞p(z1,...,zn)dz1...dzn1=\int_{-\infty}^{+\infty}\dots\int_{-\infty}^{+\infty}p(z_1,...,z_n)dz_1...dz_n1=∫−∞+∞⋯∫−∞+∞p(z1,...,zn)dz1...dzn
我们称随机向量Z→∽N(0→,I)\overrightarrow{Z}\backsim N(\overrightarrow{0},I)Z∽N(0,I),即随机向量服从均值为零向量,协方差矩阵为单位矩阵的高斯分布
1.2 多元高斯分布
对于普通的随机向量X→∽N(μ,Σ)\overrightarrow{X}\backsim N(\mu,\Sigma)X∽N(μ,Σ),和其每个随机变量Xi∽N(μi,σi2)(i=1,...,n)X_i\backsim N(\mu_i,\sigma_i^2)(i=1,...,n)Xi∽N(μi,σi2)(i=1,...,n)且Xi,Xj(i,j=1,...,n)X_i,X_j(i,j=1,...,n)Xi,Xj(i,j=1,...,n)彼此不独立的情况下,我们该怎么求随机向量X→\overrightarrow{X}X的联合概率密度函数呢,一个很自然的想法是:如果我们能通过线性变换,使得随机向量中的每个随机变量彼此独立,则我们也可以通过独立随机变量概率密度函数之间的关系求出其联合概率密度函数,事实上,我们有如下的定理可以完成这个工作:
1.2.1 定理1
若存在随机向量X→∽N(μ→,Σ),其中μ→∈Rn为均值向量,Σ∈Sn×n为半正定实对称矩阵,是X→的协方差矩阵,则存在满秩矩阵B∈Rn×n,使得Z→=B−1(X→−μ→),而Z→∽N(0→,I)若存在随机向量\overrightarrow{X}\backsim N(\overrightarrow{\mu},\Sigma),其中\overrightarrow{\mu}\in R^n为均值向量,\Sigma\in S_{n\times n}为半正定实对称矩阵,是\overrightarrow{X}的协方差矩阵,则存在满秩矩阵B\in R^{n\times n},使得\overrightarrow{Z}=B^{-1}(\overrightarrow{X}-\overrightarrow{\mu}),而\overrightarrow{Z}\backsim N(\overrightarrow{0},I)若存在随机向量X∽N(μ,Σ),其中μ∈Rn为均值向量,Σ∈Sn×n为半正定实对称矩阵,是X的协方差矩阵,则存在满秩矩阵B∈Rn×n,使得Z=B−1(X−μ),而Z∽N(0,I)
有了定理1,我们就可以对随机向量X→\overrightarrow{X}X作相应的线性变换,使其随机变量在线性变换后彼此独立,从而求出其联合概率密度函数,具体地:
∵Z→=B−1(X→−μ→),Z∽N(0→,I)\because\overrightarrow{Z}=B^{-1}(\overrightarrow{X}-\overrightarrow{\mu}),Z\backsim N(\overrightarrow{0},I)∵Z=B−1(X−μ),Z∽N(0,I)
∴p(z1,...,zn)=1(2π)n2⋅e−12⋅(ZTZ)\therefore p(z_1,...,z_n)={1\over(2\pi)^{n\over2}}\centerdot e^{-{1\over2}\centerdot(Z^TZ)}∴p(z1,...,zn)=(2π)2n1⋅e−21⋅(ZTZ)
p(z1(x1,...,xn),...)=1(2π)n2⋅e−12[(B−1(X→−μ→))T(B−1(X→−μ→))]\quad p(z_1(x_1,...,x_n),...) ={1\over(2\pi)^{n\over2}}\centerdot e^{-{1\over 2}[(B^{-1}(\overrightarrow{X}-\overrightarrow{\mu}))^T(B^{-1}(\overrightarrow{X}-\overrightarrow{\mu}))]}p(z1(x1,...,xn),...)=(2π)2n1⋅e−21[(B−1(X−μ))T(B−1(X−μ))]
=1(2π)n2⋅e−12[(X→−μ→)T(BBT)−1(X→−μ→)](3)\quad\quad\quad\quad\quad\quad\quad\quad\quad={1\over(2\pi)^{n\over2}}\centerdot e^{-{1\over 2}[(\overrightarrow{X}-\overrightarrow{\mu})^T(BB^T)^{-1}(\overrightarrow{X}-\overrightarrow{\mu})]}\quad\quad\quad\quad (3)=(2π)2n1⋅e−21[(X−μ)T(BBT)−1(X−μ)](3)
https://zhuanlan.zhihu.com/p/58987388
概率论:多元高斯分布相关推荐
- 多元函数的向量表示_多元高斯分布完全解析
摘要 高斯分布被誉为"上帝的分布", 其强悍的建模能力和优美的数学性质使得高斯分布在现实中得到广泛的应用. 由中心极限定理 我们知道, 大量独立同分布的随机变量的均值在做适当标准化 ...
- 一元高斯分布多元高斯分布高斯过程混合高斯模型
高斯分布,又称正态分布,应用于连续型随机变量分布的模型中,对于多元高斯分布存在和一元高斯相似的,对于多元实值向量,使熵取得最大值的是高斯分布.当多个随机变量之和相加时,根据拉普拉斯提出的中心极限定理( ...
- 第二课.多元高斯分布与其几何特征
目录 多元高斯分布 一元高斯与多元高斯 多元高斯分布的参数 二元高斯分布 多元高斯分布的几何特征 几何特征 实例演示 多元高斯分布 一元高斯与多元高斯 在第一课的一元高斯分布中,处理的是一组样本X=( ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用2
UA MATH564 概率论 多元随机变量的变换 几个例题 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1,X2,X3∼ii ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用1
UA MATH564 概率论 多元随机变量的变换 理论与应用1 定义法 Jacobi行列式法 假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn是nnn个一元随机变量,存在一个C1(Rn ...
- 机器学习导论(张志华):多元高斯分布
前言 这个笔记是北大那位老师课程的学习笔记,讲的概念浅显易懂,非常有利于我们掌握基本的概念,从而掌握相关的技术. 正文 这节课主要讲的是常用统计分布里的多元高斯分布. 高斯分布的相关定义延申后可以直接 ...
- 多元高斯分布(Multivariate Gaussian Distribution)
from:https://www.jianshu.com/p/d6c8ca915f69 还是对计算机的监测,我们发现CPU负载和占用内存之间,存在正相关关系. CPU负负载增加的时候占用内存也会增加: ...
- 异常检测: 多元高斯分布
异常检测: 多元高斯分布 参考文章: (1)异常检测: 多元高斯分布 (2)https://www.cnblogs.com/yan2015/p/7406904.html (3)https://www. ...
- 多元高斯分布的边缘概率和条件概率
0. 多元高斯分布 假定一个 nn 维的随机变量 x=[x1x2]∼N(μ,Σ)\mathrm x=\begin{bmatrix}\mathrm x_1\\ \mathrm x_2\end{bmatr ...
- 多元高斯分布及多元条件高斯分布
高斯那些公式 已知 DD 维向量 x\mathbf {x},其高斯概率分布为: N(x|μ,Σ)==1(2π)D/21|Σ|1/2exp(−12(x−μ)TΣ−1(x−μ))1|Σ|(2π)D−−−− ...
最新文章
- Git 看这一篇就够了
- c++ 按键暂停继续 程序_CNC操作面板讲解,看看这些按键是什么意思
- 正则表达式中空格的危害
- Java数据结构和算法:数组、单链表、双链表
- javascript二维数组转置_VBA数组拆分及维数的转换
- mac改变文件权限git识别为修改的问题
- savexml php,PHP DOMDocument saveXML()用法及代码示例
- 【图】一只Android开发程序猿对IMの所有痴情,你会懂?
- 【技术维新 践行精彩】大数据与私有云
- 前端学习(64):css继承属性小结
- 简单实现UITableView索引功能(中英文首字母索引)(一) ByH罗
- 如何设置计算机网共享文件夹,局域网内如何设置共享文件夹呢
- Python程序控制结构(二)循环结构:for in遍历循环,while无限循环,循环+else
- mysql设置行值唯一_mysql怎么设置行值唯一?
- 有些牛逼,需要很长时间才能看得出来
- [ubuntu] 按文件大小进行排序
- 【51单片机】往返流水灯代码
- 远控免杀专题10--TheFatRat免杀
- delphi连接mysql不用添加dsn_Delphi]delphi中动态创建MySQL的ODBC连接 .
- Java设计模式—观察者模式
热门文章
- jquery读取table的内容
- 和opengl的关系_从零开始的图形学学习(零):一切的开始 —— 自建OpenGL开发框架...
- mysql dbf导入数据库_MySQL数据库如何导入dbf格式数据?
- Android中如何实现无缝切码流
- 腾讯视频 Python 爬虫项目实战
- 年近30,我的职业回顾与思考
- 清除html中table标签显示的数据,遍历查看/新增/删除/获取html中table中的标签
- 接口自动化测试框架搭建(7、连接数据库提交sql方法以及打印日志方法封装)--python+HTMLTestRunnerCN+request+unittest+mock+db
- 算法知识点——(3)监督学习——SVM
- pythonz字体颜色以及终端不显示颜色的解决办法