正態分佈
關於正態分佈的由來,在文章《正態分佈的前世今生》中寫的很清楚,正態分佈是由二項分佈而來。正態分佈的密度形式首次發現是在棣莫弗-拉普拉斯中心極限定理中。讀者可以通過以下幾個鏈接深入瞭解正態分佈的含義
正態分佈的前世今生(上)
正態分佈的前世今生(下)
爲什麼正態分佈如此常見
棣莫弗-拉普拉斯中心極限定理
設隨機變量Xn(n=1,2,⋯) 服從參數爲n,p(0<p<1) 的二項分佈,則對於任意x , 有
limn→∞P{Xn−npnp(1−p)−−−−−−−−√≤x}=∫x−∞12π−−√exp(−t22)dt=Φ(x)(1)
從該定理中可以看出,當
n→∞ 時候,可以用二項分佈趨於高斯分佈。我們可以通過棣莫弗-拉普拉斯中心極限定理來計算二項分佈的概率。
設隨機變量隨機變量X 服從正態分佈(高斯分佈)X∼N(μ,σ22) ,則其概率密度函數表示爲
p(x)=12πσ2−−−−√exp[−(x−μ)22σ](2)
多元正態分佈
設X,Y 爲獨立同分布的隨機變量,且X∼N(0,1) 。則X,Y 的聯合分佈爲
p(x,y)=p(x)p(y)=12πexp(−12(x2+y2))(3)
設
z=[X,Y]T ,則有
p(z)=1πexp(−12zTz)=1πexp(−12tr(zzT))(4)
令
z=A(x−μ) ,該線性變換的雅可比行列式爲
J=|A|(5)
代入
z 的概率公式中有,
p(x)=|A|πexp[−12(x−μ)TATA(x−μ)](6)
令
Σ−1=ATA ,則
p(x)=1|Σ|−−−√2πexp[−12(x−μ)TΣ−1(x−μ)](7)
若
x 的維數是
n ,則有
p(x)=1|Σ|−−−√(2π)n/2exp[−12(x−μ)TΣ−1(x−μ)](8)
矩陣正態分佈
設隨機矢量x∈Rn 服從多元高斯分佈x∼N(0,I) ,隨機矢量y 與x 獨立同分布,則x,y 的聯合概率密度爲
p(x,y)=1(2π)nexp[−12(xTx+yTy)](9)
令
Z=[x,y] ,則有
p(Z)=1(2π)nexp[−12tr(ZZT)](10)
設
Z=A(X−M)B , 其中
A∈Rn×n,B∈R2×2 。其雅可比行列式爲
J=|A|n|B|2(11)
關於上式的詳細解釋參見附錄A。
因此
p(X)=1(2π)n|A|n|B|2exp[−12tr(A(X−M)BBT(X−M)TAT)]=1(2π)n|A|n|B|2exp[−12tr(ATA(X−M)BBT(X−M)T)](12)(13)
令
Ω−1=ATA ,
Σ−1=BBT , 則
p(X)=1(2π)n|Ω|−n/2|Σ|−2/2exp[−12tr(Ω−1(X−M)Σ−1(X−M)T)](14)
若
Z 有
p 列,則
p(X)=1(2π)np|Ω|−n/2|Σ|−p/2exp[−12tr(Ω−1(X−M)Σ−1(X−M)T)](15)
附錄 A
設線性變換Y=AX , 其中X∈Rm×n , A∈Rm×m
vec(Y)=vec(AX)=(In⊗A)vec(X)(16)
因此該線性變換的雅可比行列式爲
J=|In⊗A|=|A|n(17)
設置線性變換
Y=XB ,其中
X∈Rm×n ,
B∈Rn×n
vec(Y)=vec(XB)=(BT⊗Im)vec(X)(18)
因此該線性變換的雅可比行列式爲
J=|BT⊗Im|=|B|m(19)