多元正态分布(Multivariate normal distribution) | 您所在的位置:网站首页 › 随机变量分布函数是什么意思 › 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 X X X服从正态分布,则 X X X具有概率密度函数: f ( x ) = ( 2 π σ ) − 1 exp ( − ( x − μ ) 2 2 σ 2 ) f(x)=(\sqrt{2\pi}\sigma)^{-1}\text{exp}(-\frac{(x-\mu)^2}{2\sigma^2}) f(x)=(2π σ)−1exp(−2σ2(x−μ)2) 其中 μ \mu μ表示 X X X的均值, σ 2 \sigma^2 σ2表示其方差。 有不少读者应该也看到过下面这个公式: f ( x 1 , x 2 ) = ( 2 π σ 1 σ 2 1 − ρ 2 ) − 1 exp [ − 1 2 ( 1 − ρ 2 ) ( ( x 1 − μ 1 ) 2 σ 1 2 − 2 ρ ( x 1 − μ 1 ) ( x 2 − μ 2 ) σ 1 σ 2 + ( x 2 − μ 2 ) 2 σ 2 2 ) ] \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 = [ X 1 , X 2 ] T X=[X_1,X_2]^T X=[X1,X2]T 其中 X 1 X_1 X1, X 2 X_2 X2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 = ( X 1 , X 2 , ⋯ , X k ) T X=(X_1,X_2,\cdots,X_k)^T X=(X1,X2,⋯,Xk)T是一个 k k k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 ) = ( μ 1 , μ 2 , ⋯ , μ k ) Σ i , j = C o v ( X i , X j ) \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 \Sigma Σ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 ( x 1 , x 2 , ⋯ , x k ) = exp ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) ( 2 π ) 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 k k k=2。 此时 x = ( x 1 , x 2 ) T , μ = ( μ 1 , μ 2 ) T x=(x_1,x_2)^T,\mu=(\mu_1,\mu_2)^T x=(x1,x2)T,μ=(μ1,μ2)T。 Σ = ( σ 1 2 ρ σ 1 σ 2 ρ σ 1 σ 2 σ 2 2 ) \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 \rho ρ为相关系数,定义为: ρ = C o v ( X 1 , X 2 ) σ 2 σ 2 \rho=\frac{Cov(X_1,X_2)}{\sigma_2\sigma_2} ρ=σ2σ2Cov(X1,X2) 对于 2 × 2 2\times2 2×2的矩阵A,如果: A = ( a b c d ) A= \begin{pmatrix} a&b\\ c&d \end{pmatrix} A=(acbd) 通常有: A − 1 = 1 a d − b c ( d − b − c a ) 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 − ρ 2 ) σ 1 2 σ 2 2 ( σ 2 2 − ρ σ 1 σ 2 − ρ σ 1 σ 2 σ 1 2 ) \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 − ρ 2 ) σ 1 2 σ 2 2 |\Sigma|=(1-\rho^2)\sigma_1^2\sigma_2^2 ∣Σ∣=(1−ρ2)σ12σ22 代入上式得: f ( x 1 , x 2 ) = exp ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) ( 2 π ) 2 ∣ Σ ∣ = 1 ( 2 π 2 ) ( 1 − ρ 2 ) σ 1 2 σ 2 2 exp ( − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) ) = 1 2 π σ 1 σ 2 1 − ρ 2 exp ( − 1 2 ( x − μ ) T Σ − 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)σ12σ22 1exp(−21(x−μ)TΣ−1(x−μ))=2πσ1σ21−ρ2 1exp(−21(x−μ)TΣ−1(x−μ)) 其中: ( x − μ ) T Σ − 1 ( x − μ ) = ( x 1 − μ 1 , x 2 − μ 2 ) 1 ( 1 − ρ 2 ) σ 1 2 σ 2 2 ( σ 2 2 − ρ σ 1 σ 2 − ρ σ 1 σ 2 σ 1 2 ) ( x 1 − μ 1 , x 2 − μ 2 ) T = 1 ( 1 − ρ 2 ) σ 1 2 σ 2 2 ( σ 2 2 ( x 1 − μ 1 ) − ρ σ 1 σ 2 ( x 2 − μ 2 ) , σ 1 2 ( x 2 − μ 2 ) − ρ σ 1 σ 2 ( x 2 − μ 2 ) ) ( x 1 − μ 1 , x 2 − μ 2 ) T = 1 ( 1 − ρ 2 ) σ 1 2 σ 2 2 [ σ 2 2 ( x 1 − μ 1 ) 2 − 2 ρ σ 1 σ 2 ( x 1 − μ 1 ) ( x 2 − μ 2 ) + σ 1 2 ( x 2 − μ 2 ) 2 ] = 1 ( 1 − ρ 2 ) [ ( x 1 − μ 1 2 ) σ 1 2 − 2 ρ ( x 1 − μ 1 ) ( x 2 − μ 2 ) σ 1 σ 2 + ( x 2 − μ 2 2 ) σ 2 2 ] \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 |
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |