多元正态分布(Multivariate normal distribution)
多元正态分布(Multivariate normal distribution)
前言
我们通常讨论正态分布都是在一元(univariate)的情况下,相信下面的定义大家都很熟悉了:假设随机变量XXX服从正态分布,则XXX具有概率密度函数:
f(x)=(2πσ)−1exp(−(x−μ)22σ2)f(x)=(\sqrt{2\pi}\sigma)^{-1}\text{exp}(-\frac{(x-\mu)^2}{2\sigma^2}) f(x)=(2πσ)−1exp(−2σ2(x−μ)2)
其中μ\muμ表示XXX的均值,σ2\sigma^2σ2表示其方差。
有不少读者应该也看到过下面这个公式:
f(x1,x2)=(2πσ1σ21−ρ2)−1exp[−12(1−ρ2)((x1−μ1)2σ12−2ρ(x1−μ1)(x2−μ2)σ1σ2+(x2−μ2)2σ22)]\begin{aligned} f(x_1,x_2)=&(2\pi\sigma_1\sigma_2\sqrt{1-\rho^2} )^{-1}\text{exp}[-\frac{1}{2(1-\rho^2)}(\frac{(x_1-\mu_1)^2}{\sigma_1^2}\\ &-\frac{2\rho(x_1-\mu_1)(x_2-\mu_2)}{\sigma_1\sigma_2}+\frac{(x_2-\mu_2)^2}{\sigma_2^2})] \end{aligned} f(x1,x2)=(2πσ1σ21−ρ2)−1exp[−2(1−ρ2)1(σ12(x1−μ1)2−σ1σ22ρ(x1−μ1)(x2−μ2)+σ22(x2−μ2)2)]
没错,这正是将正态分布拓展到二维的情况,即:
X=[X1,X2]TX=[X_1,X_2]^T X=[X1,X2]T
其中X1X_1X1,X2X_2X2分别服从正态分布。
有不少读者应该和我一样,看到这个二维的公式就头痛了,这他娘的一堆是啥玩意儿啊?老实说把上面的公式准确的打出来还花费了我不少功夫,可见公式之复杂,如果再往三元以上,简直不敢想象了。
由于许多本文许多内容我是从wikipedia看的,现学现卖,自己也是似懂非懂,不敢误人子弟,只能把自己确定的一些心得写一写,以作备忘,如果可以,也能给一些同有此问的后来者一些帮助。
多元正态分布
假设X=(X1,X2,⋯,Xk)TX=(X_1,X_2,\cdots,X_k)^TX=(X1,X2,⋯,Xk)T是一个kkk维的列向量,服从多元正态分布,我们可以把它记做:
X∼N(μ,Σ)X\sim N(\mu,\Sigma) X∼N(μ,Σ)
其中,
μ=E(X)=(μ1,μ2,⋯,μk)Σi,j=Cov(Xi,Xj)\begin{aligned} &\mu=E(X)=(\mu_1,\mu_2,\cdots,\mu_k)\\ &\Sigma_{i,j}=Cov(X_i,X_j) \end{aligned} μ=E(X)=(μ1,μ2,⋯,μk)Σi,j=Cov(Xi,Xj)
对于多元随机变量,我们最关心的是它的概率函数,当上述协方差矩阵是正定的(positive definite),分布才有概率密度函数,这种情况被称为“非退化的”(non-degenerate)。这里笔者亦不甚解,猜测大概和协方差矩阵Σ\SigmaΣ是否可逆有关。
如果多元正态分布的概率密度函数存在,它被定义如下:
f(x1,x2,⋯,xk)=exp(−12(x−μ)TΣ−1(x−μ))(2π)k∣Σ∣f(x_1,x_2,\cdots,x_k)=\frac{\text{exp}(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))}{\sqrt{(2\pi)^k|\Sigma|}} f(x1,x2,⋯,xk)=(2π)k∣Σ∣exp(−21(x−μ)TΣ−1(x−μ))
其中∣Σ∣|\Sigma|∣Σ∣表示协方差矩阵的行列式(determinant)。
二元情况的推导
我们根据上面多元正态分布概率密度函数的定义,来求一求二元(bivariate)的情况,即令kkk=2。
此时x=(x1,x2)T,μ=(μ1,μ2)Tx=(x_1,x_2)^T,\mu=(\mu_1,\mu_2)^Tx=(x1,x2)T,μ=(μ1,μ2)T。
Σ=(σ12ρσ1σ2ρσ1σ2σ22)\Sigma= \begin{pmatrix} \sigma_1^2&\rho\sigma_1\sigma_2\\ \rho\sigma_1\sigma_2&\sigma_2^2 \end{pmatrix} Σ=(σ12ρσ1σ2ρσ1σ2σ22)
其中ρ\rhoρ为相关系数,定义为:
ρ=Cov(X1,X2)σ2σ2\rho=\frac{Cov(X_1,X_2)}{\sigma_2\sigma_2} ρ=σ2σ2Cov(X1,X2)
对于2×22\times22×2的矩阵A,如果:
A=(abcd)A= \begin{pmatrix} a&b\\ c&d \end{pmatrix} A=(acbd)
通常有:
A−1=1ad−bc(d−b−ca)A^{-1}=\frac{1}{ad-bc} \begin{pmatrix} d&-b\\ -c&a \end{pmatrix} A−1=ad−bc1(d−c−ba)
根据上公式求得;
Σ−1=1(1−ρ2)σ12σ22(σ22−ρσ1σ2−ρσ1σ2σ12)\Sigma^{-1} =\frac{1}{(1-\rho^2)\sigma_1^2\sigma_2^2} \begin{pmatrix} \sigma_2^2&-\rho\sigma_1\sigma_2\\ -\rho\sigma_1\sigma_2&\sigma_1^2 \end{pmatrix} Σ−1=(1−ρ2)σ12σ221(σ22−ρσ1σ2−ρσ1σ2σ12)
又:
∣Σ∣=(1−ρ2)σ12σ22|\Sigma|=(1-\rho^2)\sigma_1^2\sigma_2^2 ∣Σ∣=(1−ρ2)σ12σ22
代入上式得:
f(x1,x2)=exp(−12(x−μ)TΣ−1(x−μ))(2π)2∣Σ∣=1(2π2)(1−ρ2)σ12σ22exp(−12(x−μ)TΣ−1(x−μ))=12πσ1σ21−ρ2exp(−12(x−μ)TΣ−1(x−μ))\begin{aligned} f(x_1,x_2)&=\frac{\text{exp}(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))}{\sqrt{(2\pi)^2|\Sigma|}}\\ &=\frac{1}{\sqrt{(2\pi^2)(1-\rho^2)\sigma_1^2\sigma_2^2}}\text{exp}(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))\\ &=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\text{exp}(-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu))\\ \end{aligned} f(x1,x2)=(2π)2∣Σ∣exp(−21(x−μ)TΣ−1(x−μ))=(2π2)(1−ρ2)σ12σ221exp(−21(x−μ)TΣ−1(x−μ))=2πσ1σ21−ρ21exp(−21(x−μ)TΣ−1(x−μ))
其中:
(x−μ)TΣ−1(x−μ)=(x1−μ1,x2−μ2)1(1−ρ2)σ12σ22(σ22−ρσ1σ2−ρσ1σ2σ12)(x1−μ1,x2−μ2)T=1(1−ρ2)σ12σ22(σ22(x1−μ1)−ρσ1σ2(x2−μ2),σ12(x2−μ2)−ρσ1σ2(x2−μ2))(x1−μ1,x2−μ2)T=1(1−ρ2)σ12σ22[σ22(x1−μ1)2−2ρσ1σ2(x1−μ1)(x2−μ2)+σ12(x2−μ2)2]=1(1−ρ2)[(x1−μ12)σ12−2ρ(x1−μ1)(x2−μ2)σ1σ2+(x2−μ22)σ22]\begin{aligned} &(x-\mu)^T\Sigma^{-1}(x-\mu)\\ &=(x_1-\mu_1,x_2-\mu_2) \frac{1}{(1-\rho^2)\sigma_1^2\sigma_2^2} \begin{pmatrix} \sigma_2^2&-\rho\sigma_1\sigma_2\\ -\rho\sigma_1\sigma_2&\sigma_1^2 \end{pmatrix} (x_1-\mu_1,x_2-\mu_2)^T\\ &=\frac{1}{(1-\rho^2)\sigma_1^2\sigma_2^2}(\sigma_2^2(x_1-\mu_1)-\rho\sigma_1\sigma_2(x_2-\mu_2),\sigma_1^2(x_2-\mu_2)-\rho\sigma_1\sigma_2(x_2-\mu_2))(x_1-\mu_1,x_2-\mu_2)^T\\ &=\frac{1}{(1-\rho^2)\sigma_1^2\sigma_2^2}[\sigma_2^2(x_1-\mu_1)^2-2\rho\sigma_1\sigma_2(x_1-\mu_1)(x_2-\mu_2)+\sigma_1^2(x_2-\mu_2)^2]\\ &=\frac{1}{(1-\rho^2)}[\frac{(x_1-\mu_1^2)}{\sigma_1^2}-2\rho\frac{(x_1-\mu_1)(x_2-\mu_2)}{\sigma_1\sigma_2}+\frac{(x_2-\mu_2^2)}{\sigma_2^2}] \end{aligned} (x−μ)TΣ−1(x−μ)=(x1−μ1,x2−μ2)(1−ρ2)σ12σ221(σ22−ρσ1σ2−ρσ1σ2σ12)(x1−μ1,x2−μ2)T=(1−ρ2)σ12σ221(σ22(x1−μ1)−ρσ1σ2(x2−μ2),σ12(x2−μ2)−ρσ1σ2(x2−μ2))(x1−μ1,x2−μ2)T=(1−ρ2)σ12σ221[σ22(x1−μ1)2−2ρσ1σ2(x1−μ1)(x2−μ2)+σ12(x2−μ2)2]=(1−ρ2)1[σ12(x1−μ12)−2ρσ1σ2(x1−μ1)(x2−μ2)+σ22(x2−μ22)]
和上面的式子整合一下即可的到二元变量的概率密度。
参考资料
[1] Multivariate normal distribution
[2] 概率论与数理统计,陈希孺,中国科学技术大学出版社
多元正态分布(Multivariate normal distribution)相关推荐
- 正态分布(Normal distribution)与高斯分布(Gaussian distribution)
正态分布(Normal distribution)又名高斯分布(Gaussian distribution),是一个在数学.物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力. ...
- 正态分布(Normal distribution)又名高斯分布(Gaussian distribution)
正态分布(Normal distribution)又名高斯分布(Gaussian distribution),是一个在数学.物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力. ...
- 正态分布(normal distribution)与偏态分布(skewed distribution)
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow 也欢迎大家转载本篇文章.分享知识,造福人民,实现我们中华民族伟大复兴! 存在正太 ...
- 机器学习(十六)——多元正态分布(The multivariate normal distribution)
原文:http://cs229.stanford.edu/notes/cs229-notes2.pdf n维的多元正态分布,也称为多元高斯分布,是用均值向量和协方差矩阵参数化的,其中Σ≥0是对称的和正 ...
- 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: ...
- [转载] python numpy.random.randn()与numpy.random.rand()的区别 (正态分布公式)(标准正态分布 standard normal distribution
参考链接: Python中的numpy.random.randn 引用文章: numpy.random.randn()与numpy.random.rand()的区别 https://www.cnblo ...
- n元(维)正态分布(The multivariate normal distribution)
在学习高斯判别分析(Gaussian discriminant analysis)时,出现了n元正态分布的密度函数,函数中出现了矩阵,弄得大家一头雾水.其实这个公式在大部分概率论书籍中都没有提到, ...
- 多元伯努利分布 multivariate bernoulli distribution
今天看论文发现了一个名次,多元伯努利分布,百度好久也没查到明确的定义,去google了一下,发现其实就是 基本概统里的一次伯努利试验推广到多次试验后的结果分布,如下图: 引用来源: https://w ...
- 二维正态分布的最大似然估计_机器学习系列(二)多元正态分布
一元正态分布回顾 如果随机变量 服从均值为 方差为 的正态分布 (Univariate normal distribution), ,则其概率密度函数为: 整个分布可以仅用均值及方差来刻画 如果变量之 ...
最新文章
- Nginx的安装与部署
- 由于昨天没发博客,在此向广大粉丝们道歉。 今天发的是一个数据库的代码
- Silverlight实用窍门系列:40.Silverlight中捕捉视频,截图保存到本地【附带实例源码】...
- java javap_javap的用途不断发展:您的Java类文件中隐藏了什么?
- Something about Giraffe (II)
- 中国金融家俱乐部秋季论坛聚焦“自贸区将带来什么”展开论道
- python从入门到实践课后题_Python 从入门到实践 函数篇 8-6-8习题
- 3D建模设计软件Rhino 7 for Mac
- 关于asp.net中文文件名超长的下载问题
- PAT L2-004 这是二叉搜索树吗 [二叉搜索树]
- 移动通信网络规划:信道编码
- mysql一张表有几个主键_一张表可以有多少个主键
- 5G牌照都发完了,那些传说中的5G手机Ready了吗?
- Windows server 2016中文语言包安装教程
- Win10系统Ctrl键锁定无法使用解决方法
- 【硬见小百科】二十种电容分类详解!
- 美国高考能不能带计算机,这件“神器”在美国被高中允许却被美国大学禁止
- 如何在计算机桌面上增添word,word在电脑桌面的图标不见了怎么办
- 获取mumu模拟器日志
- 电脑中的"倚天剑+屠龙刀"【推荐】
热门文章
- python通过经纬度点制图_Python 给定的经纬度标注在地图上的实现方法
- 系统分析师备考经验分享:分阶段、分重点
- 数据处理中对excel的一些操作
- 为Bootstrap折叠板插件(手风琴)添加加减号图标
- cocos2dx基础篇(20) 扩展动作CCGridAction
- FaceBook密钥散列
- delphi 自定义popupmenu_自定义popupmenu菜单背景色
- android popupmenu 自定义样式,Android:自己定义PopupMenu的样式(显示图标/设置RadioButton图标)...
- java drawstring 多行,关于JAVA中的g.drawString()方法,该如何处理
- xshell查看文件大小和删除文件