多元正态分布

最新推荐文章于 2024-12-21 18:30:29 发布

原创最新推荐文章于 2024-12-21 18:30:29 发布 · 2.1k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

3维人脸重建专栏收录该内容

29 篇文章

订阅专栏

本文详细介绍了多元分布的概念，包括随机向量、分布函数和密度函数，强调了独立性和不相关性的区别。此外，还探讨了随机向量的数字特征，如标准差、方差和协方差，并解释了为何在计算样本标准差时要除以n-1。最后，讨论了两种距离度量：欧式距离和马氏距离。这些概念在统计学和数据分析中至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

多元分布的基本概念

一元我们称为变量，多元我们称为向量

随机向量

假定所讨论的是多个变量的总体，所研究的数据是同时观测 $p$ 个指标 (即变量), 又进行了 $n$ 次观测得到的, 把这 $p$ 个指标表示为 $X_1, X_2, X_3, ,,,, X_p$ , 然后可以用向量
$X=(X_1, X_2, X_3, ,,,, X_p)^T$ 表示对同一个个体观测的 $p$ 个变量. 若观测了n个个体, 则和得到如下图的数据, 称每个个体的 $p$ 个变量为一个样品**, 而全体 $n$ 个样品形成一个样本

在这里插入图片描述

横看这个表, 记 $X_{(a)} = (X_{a1}, X_{a2}, X_{a3}, ,,,, X_{ap})^T$ , a=1, 2, 3, , , n
它表示第a个样品的观测值.
竖着看表, 第 $j$ 列的元素 $X_j = (X_{1j}, X_{2j}, X_{3j}, ,,,, X_{pj})^T$ , j=1, 2, 3, , , p
它表示对第 $j$ 个变量的 $n$ 次观测数值

样本资料可以用矩阵语言表示:

在这里插入图片描述

定义:
设 $X_1, X_2, X_3, ,,,, X_p$ 为 $p$ 个随机变量, 由它们组成的向量 $X=(X_1, X_2, X_3, ,,,, X_p)^T$ 称为随机变量

分布函数和密度函数

定义:
设 $X=(X_1, X_2, X_3, ,,,, X_p)^T$ 是一随机向量, 它的多元分布函数是:

$F(X) = F(x_1, x_2, x_3, , , x_p) = P(X_1<=x_1, , , X_p<=x_p)$
式中, $X=(x_1, x_2, x_3, , , x_p)∈R^p,$ 并记作X~F

定义:
设X~F(X) = $F(x_1, x_2, x_3, , , x_p)$ , 若存在一个非负的函数f(), 使得

$F(x) = ∫_{-∞}^{x_1} ··· ∫_{-∞}^{x_p} f(t_1, ···t_p)dt_1····dt_p$ , 对一切x∈R^p
成立，则称X或F(X)有分布密度f() 并称X为连续型随机变量
一个 $p$ 维变量的函数 **f()**能作为 $R^p$ 中的某个随机变量的分布密度,当且仅当: