多元正态分布

多元正态分布的密度函数如下：

fx(x1,...xn)=1(2π)k√|Σ|exp(−12(x−μ)TΣ−1(x−μ))f_{x}(x_{1},...x_{n})=\frac{1}{\sqrt{(2\pi)^{k}}|\Sigma|}exp(-\frac{1}{2}(x-\mu)^{T}\Sigma^{-1}(x-\mu)) (1)
其对应的矩母函数（也有称动差函数）为 exp(μTt+12tTΣt)exp(\mu^{T}t+\frac{1}{2}t^{T}\Sigma t)。事实上，如果随机向量 [X1,...Xn][X_{1},...X_{n}]满足上面的动差函数，那么我们就称随机向量 [X1,...Xn][X_{1},...X_{n}]服从多元高斯分布。具体地证明可以看这里。

多元正态分布的条件密度

令随机向量[X1,...Xn][X_{1},...X_{n}]服从多元高斯分布。我们可以推导XnX_{n}在给定X1,...Xn−1X_{1},...X_{n-1}的情况下的条件密度分布：

f(xn|x1,...,xn−1)=f(x1,...,xn−1,xn)f(x1,...,xn−1)f(x_{n}|x_{1},...,x_{n-1})=\frac{f(x_{1},...,x_{n-1},x_{n})}{f(x_{1},...,x_{n-1})} (2)，
其中 f(x1,...,xn)=(2π)−n/2(|Σ|−1/2)exp[−12∑ni,j=1yiqijyj]f(x_{1},...,x_{n})=(2\pi)^{-n/2}(|\Sigma|^{-1/2})exp[-\frac{1}{2}\sum_{i,j=1}^{n}y_{i}q_{ij}y_{j}] (3)
其中 Q=K−1=[qij],yi=xi−μiQ=K^{-1}=[q_{ij}],y_{i}=x_{i}-\mu_{i}。同样地，
f(x1,...,xn−1)=∫∞∞f(x1,...,xn−1,xn)dxn=B(y1,...,yn−1)f(x_{1},...,x_{n-1})=\int_\infty^\infty {f(x_{1},...,x_{n-1},x_{n})}\,dx_{n}=B(y_{1},...,y_{n-1}) (4).
现在我们将公式(3)中的求和项进行分解，有：
∑ni,j=1yiqijyj=∑n−1i,j=1yiqijyj+yn∑n−1j=1qnjyj+yn∑n−1i=1qinyj+qnny2n\sum_{i,j=1}^{n}y_{i}q_{ij}y_{j}=\sum_{i,j=1}^{n-1}y_{i}q_{ij}y_{j}+y_{n}\sum_{j=1}^{n-1}q_{nj}y_{j}+y_{n}\sum_{i=1}^{n-1}q_{in}y_{j}+q_{nn}y_{n}^{2}(5)
因此，最终地条件分布具有如下的形式：
A(y1,...,yn−1)B(y1,...,yn−1)exp[−(Cy2n+D(y1,...,yn−1)yn)]\frac{A(y_{1},...,y_{n-1})}{B(y_{1},...,y_{n-1})}exp[-(Cy_{n}^{2}+D(y_{1},...,y_{n-1})y_{n})] (6)
其中 C=(1/2)qnnC=(1/2)q_{nn}，因为 Q=K−1Q=K^{-1}是对称矩阵，所以 D=∑n−1j=1qnjyj=∑n−1i=1qinyiD=\sum_{j=1}^{n-1}q_{nj}y_{j}=\sum_{i=1}^{n-1}q_{in}y_{i}.(6)式又可以进一步表示称如下的式子：
[ABexp(DD24C)]exp[−(yn+D2C)2]1C[\frac{A}{B}exp(\frac{DD^{2}}{4C})]exp[-\frac{(y_{n}+\frac{D}{2C})^{2}]}{\frac{1}{C}} (7)
从公式(7)很容看出 xnx_{n}的条件密度函数是服从正态分布的。
所以条件分布的方差为： 2Var(Xn|X1,...,Xn−1)=1/C2Var(X_{n}|X_{1},...,X_{n-1})=1/C，进一步有： Var(Xn|X1,...,Xn−1)=12C=1qnnVar(X_{n}|X_{1},...,X_{n-1})=\frac{1}{2C}=\frac{1}{q_{nn}}
均值为：
E(Xn|X1,...,Xn−1)=μn−D2C=μn−1qnn∑n−1j=1qnj(Xj−μj)E(X_{n}|X_{1},...,X_{n-1})=\mu_{n}-\frac{D}{2C}=\mu_{n}-\frac{1}{q_{nn}}\sum_{j=1}^{n-1}q_{nj}(X_{j}-\mu_{j})
这就说明了再抽样多元正态分布时，如果已知了其它维度的随机变量值， 剩下的那个维度的随机变量也是服从正态分布。

多元正太分布条件密度相关推荐

R语言使用rnorm函数基于不同的均值、方差参数生成正太分布的随机数、使用plot函数和density函数可视化正太分布的随机数对应的密度图、自定义设置均值和方差
R语言使用rnorm函数基于不同的均值.方差参数生成正太分布的随机数.使用plot函数和density函数可视化正太分布的随机数对应的密度图.自定义设置均值和方差(Normal distributio ...
R语言使用rnorm函数生成正太分布的随机数、使用plot函数和density函数可视化正太分布的随机数对应的密度图（Normal distribution）
R语言使用rnorm函数生成正太分布的随机数.使用plot函数和density函数可视化正太分布的随机数对应的密度图(Normal distribution) 目录
给定均值和方差，不使用库函数生成1000个符合正太分布的随机数
产生任意分布随机数的一般定理产生连续型随机变量样本值的方法有如下定理: 定理:设随机变量U~U(0,1),F(x)是某一随机变量的分布函数,且F(x)为严格单调增加且连续的函数,则随机变量F-1(U ...
【概率论与数理统计 Probability and Statistics 9】——二维随机变量的条件分布（离散+连续）与条件密度（连续）
文章目录一.条件分布的定义二.二维离散型条件分布的计算三.连续型随机变量的条件分布和条件密度一.条件分布的定义 F(x∣A)=P{X≤x∣A}F(x|A) = P\{X≤x|A\}F(x∣A) ...
描述点云配准的正太分布变换和著名的ICP点云配准原理
正太分布变换(Normal Distribution Transform, NDT):正太分布变换是一种基于特征点的点云配准算法,能够有效地处理大规模点云数据.它通过将点云数据转换为网格形式,并计算每 ...
R假设检验之Shapiro检验（正太分布判断）
R假设检验之Shapiro检验(正太分布判断) 目录 R假设检验之Shapiro检验(正太分布判断) 假设检验假设检验的应用
python异常值检测的方法_Python实现非正太分布的异常值检测方式
工作中,我们经常会遇到数据异常,比如说浏览量突增猛降,交易量突增猛降,但是这些数据又不是符合正太分布的,如果用几倍西格玛就不合适,那么我们如何来判断这些变化是否在合理的范围呢? 小白查阅一些资料后,发 ...
多元正态分布、多元t分布中的行列式求解 Java
本文作者:合肥工业大学管理学院钱洋 email:1563178220@qq.com . 以下内容为自己学习用,内容可能有不到之处,欢迎交流. 未经本人允许禁止转载. 文章目录背景 math3求解 ...
graphics | 基础绘图系统（八）——棘状图、符号图、多边形（路径）图、Cohen-Friendly关联图、条件密度图...
本篇继续介绍基础绘图系统中的几个绘图函数. spineplot() 该函数用于绘制棘状图,有以下两种语法结构: spineplot(x, y = NULL,breaks = NULL, tol.yla ...

多元正太分布条件密度

多元正态分布

多元正态分布的条件密度

多元正太分布条件密度相关推荐

最新文章

热门文章