多维正态随机变量的条件概率密度函数推导

最新推荐文章于 2025-05-14 18:19:47 发布
最新推荐文章于 2025-05-14 18:19:47 发布
阅读量2.7k 收藏 16
点赞数 2
CC 4.0 BY-SA版权
分类专栏： Math 文章标签： 数学 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Gou_Hailong/article/details/121398630
本文介绍了条件概率密度、条件期望、条件方差的概念及其表达式，并提供了分块矩阵求逆的方法及其背后的矩阵反演公式。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

多维高斯随机变量概率密度函数(PDF)的推导
wmorries的博客
11-29 8091
##多维高斯随机变量概率分布函数
关于多元正态分布的条件概率密度
wjj5881005的专栏
11-24 2万+
多元正态分布 多元正态分布的条件密度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
理解概率密度函数
ComputerInBook的专栏
05-14 1266
概率密度函数
概率论考点之多维随机变量及密度函数
guangod的博客
01-24 6836
如题：2019年10月 分析：概率论是最初要考的一个科目，看了好几遍了吧，总还是没印象。可见别人讲得再天花乱坠，自己不懂，一点用都没有，白白浪费时间。知识，要靠自己去掌握。
图模型中条件独立的三种典型情况的概率密度推导
qq_31763735的博客
05-31 1363
在图模型中，条件独立有以下三种典型情况的联合概率均可以从条件概率中推导出 条件独立的定义, A和B关于C条件独立，那么 ，这一条即可通过条件独立定性理解（BC同时发生对A的影响与只有C发生对A的影响是一样的），也可通过公式推导(百度百科条件独立性) 两个变量的条件概率公式 三个变量的条件概率公式，将其中两项看作一项即可 （1）头尾相接 因为头尾相接的情况时X,Z关于Y条件独立，根据条件独立的定义，所以 （2）尾尾相接 这种情况 因为Y和Z是条件独立的，所以,所
给一堆数据后怎么用r处理成正态分布_多元正态分布函数的理解
weixin_39696197的博客
11-23 913
对于 维的多元正态分布 ，其密度函数公式为： 当年学的时候只是强行记住了这个公式。但是协方差矩阵 怎么理解，归一化系数中 又是怎么来的，以及 的指数项为什么是 则一概不知。今天偶然遇到，发现可以从矩阵对角化的角度理解这个公式。一元正态分布回顾一下一元正态分布 的密度函数： 当存在多个互相独立的一元正态分布时，它们的联合概率密度函数为各自密度函数的乘积： (3) 中 exp 的指数项可...
多维正态分布的边缘概率与条件概率的公式（只有结论，无推导）
qq_39320588的博客
03-04 2463
设XXX为服从多维正态分布的随机变量，即X∼N(μ,Σ)X\sim N(\mu,\Sigma)X∼N(μ,Σ) 将XXX分成两个部分：Xa,XbX_a,X_bXa​,Xb​，μ\muμ分成两个部分：μa,μb\mu_a, \mu_bμa​,μb​，Σ\SigmaΣ分成四个部分：Σaa,Σab,Σba,Σbb\Sigma_{aa},\Sigma_{ab},\Sigma_{ba},\Sigma_{bb...
概率笔记12——多维正态分布的最大似然估计
热门推荐
我是8位的
08-19 2万+
　　我们在前面的章节中见识过二维正态分布，(X,Y)服从参数为μ1, μ2, σ1, σ2, ρ的二维正态分布，记作(X, Y)~N(μ1, μ2, σ1, σ2, ρ)，它的密度函数： 　　其中μ1是第1维度的均值，σ12是第1维度的方差，ρ是将两个维度的相关性规范到-1到+1之间的统计量，称为样本的相关系数，定义为： 　　对于二维正态随机变量(X,Y)，X和Y相互独立的充要条件是二...
概率论- 3多维随机变量及其分布
m0_54989484的博客
06-25 1088
多维随机变量及其分布 1 一、二维随机变量的联合分布与边缘分布函数 1.1 二维随机变量的联合分布函数 1.2 二维随机变量的边缘分布函数 2 二维离散型随机变量 2.1 联合概率分布及其性质 列表求和 2.2 边缘分布和条件分布 2.2.1 边缘分布 2.2.2 条件分布 3 二维连续型随机变量 3.1 概念性质-求二重积分 3.2 边缘概率密度 & 条件概率密度 3.2.1 边缘概率密度 3.2.2 条件概率密度 基于条件密度函数，可以推导出密度乘法公式 4 二维随机变量的
正态分布密度函数的系数
分析101
06-10 1902
正态分布的密度函数，可以一般化地写为 f(x)=kexp⁡[−12(x−b)′A(x−b)] f(x) = k \exp\left[-\dfrac{1}{2}(x-b)' A (x-b)\right] f(x)=kexp[−21​(x−b)′A(x−b)] 事实上，如果某个多维随机变量的密度函数可以写成该形式，那么它就服从正态分布。其中bbb是均值，正定矩阵AAA是协方差矩阵的逆，它们共同决定了正态分布的形式。而另外一个字母kkk，仅仅是归一化系数，它是使得整个密度函数的积分等于111的那个值。 如果有人背
概率笔记6——多维随机变量
weixin_30540691的博客
06-25 1373
　　和其它问题一样，概率也可能同时受到多个条件的影响，例如考察某地区中学生的身体素质，随机地选取一名学生，观察学生的身高 X，体重 Y 和肺活量 Z 等指标。随机变量 X，Y，Z 来自同一样本空间，它们的取值可能相互影响。像这样同时考虑的多个随机变量，称为多维随机变量。本章以二维随机变量为例，介绍多维随机变量的相关概念。 联合分布 　　和一维变量的概率分布类似，联合分布把舞台扩展到了多维，这里...
F分布概率密度函数的推导
Qmj2333333的博客
06-05 5459
从F分布的定义出发，使用分布函数法，推导其概率密度函数
【概率论与数理统计】猴博士 笔记 p24-25 条件概率密度函数、求两个随机变量形成的函数的分布
karshey的博客
04-18 8374
条件概率密度函数 题型如下： 已知概率密度，求条件概率密度 已知x怎么样的情况下y服从的概率（或y怎么样的情况下x服从的概率），求f(x,y) 步骤：对于后两个，是在哪个字母的条件下，哪个字母就在后面。 即，如果是在x=？？？的条件下，那么就选图中第三条方法。 其中： 1、2条符合条件概率 3、4条是1、2条的变形：把分母乘去等号另一边 为什么1、2条中求f(x|y)，则要推出x的范围？因为y是已知条件，它的概率是1。我们要求x，所以也要推x的范围。 接下来看这三道例题，练习套公式： 例1：
条件概率
qq_43966202的博客
09-05 5217
条件概率 1.1定义：在事件A发生的条件下，求事件B发生的概率，这就是条件概率，记为P(B|A) P(B|A)是在事件A发生的条件下，事件B的条件概率 P(B)是无条件概率 延伸：由于条件概率也是概率，因此具有以下性质： ①P(A)>0 ②0≤P(B|A) ≤1 ③P(S|A)=1 推导 同理 ④P(B|A)=1-P(B非|A) 通过维恩图我们可以知道，条件概率本质上是一种缩减样本空间...
估计理论(2)：多元高斯变量的条件概率密度函数(PDF)
Precoder的博客
08-11 2478
【定理10.2】多元高斯向量的条件PDF 如果x∈Rk×1{\bf x}\in \mathbb{R}^{k\times 1}x∈Rk×1和y∈Rl×1{\bf y}\in \mathbb{R}^{l\times 1}y∈Rl×1为联合高斯分布随机向量，均值向量为[E(x) E(x)]T[{\rm E}({\bf x})\ {\rm E}({\bf x})]^{\rm T}[E(x) E(x)]T，分块协方差矩阵为 C=[CxxCxyCyxCyy],(10.23)\tag{10.23} {
条件概率推导
shaowei的博客
12-21 9343
条件概率公式: P(A|B) = P(A)*P(B|A) / P(B) P(A|B)：在Ｂ发生的情况下A 发生的概率 现实中知道P(B|A)的例子很多，可以通过条件概率公式求出P(A|B) 当A和Ｂ不相互独立可以得到如下两个公式: P(A&B) = P(A)*P(B|A) P(B&A) = P(B)*P(A|B) ⇒ P(A|B) = P(A)*P(B|A)/P(B) ...
条件概率密度与条件均值
08-16 1万+
笔者在研究室内定位算法的过程中，有一些论文出现了条件均值。比如x∼f(x)x\sim f(x)，那么该变量的均值为 EX=∫+∞−∞xf(x)dx\begin{equation*} EX=\int_{-\infty }^{+\infty }{xf(x)dx} \end{equation*} 现在需要求解E[X|x>a]E\left[ X|x>a \right]。我们将条件均值进行展开 E[X|
详解条件概率，全概率，贝叶斯公式
qq_40728805的博客
01-16 1万+
贝叶斯公式理解 条件概率公式 要理解贝叶斯推断，必须先理解贝叶斯定理。后者实际上就是计算"条件概率"的公式。 所谓条件概率，就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示 根据韦恩图，可以很容易理解 在事件B发生的情况下(右边紫色区域)，事件A也发生(事件A能发生，就只能是中间交集区域)的概率就是P(A∩B)除以P(B)，即得在B的条件下A的概率公式为： 因此可得出 P...
正态分布的对数概率函数
最新发布
07-13
正态分布的对数概率密度函数（Log-Probability Density Function, Log-PDF）是统计学和机器学习中常用的工具，尤其在参数估计、贝叶斯推断以及最大似然估计中具有重要作用。通过对原始概率密度函数取自然对数，可以简化乘法运算为加法运算，从而提高数值计算的稳定性和效率。 ### 正态分布的概率密度函数回顾 一维正态分布的概率密度函数为： $$ f(x \mid \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right) $$ 其中： - $ x $ 是随机变量； - $ \mu $ 是均值； - $ \sigma^2 $ 是方差； - $ \exp(\cdot) $ 表示自然指数函数 $ e^{(\cdot)} $ [^3]。 ### 对数概率密度函数的推导 对上述公式两边取自然对数，得到对数概率密度函数： $$ \log f(x \mid \mu, \sigma^2) = -\frac{1}{2} \log(2\pi\sigma^2) - \frac{(x - \mu)^2}{2\sigma^2} $$ 进一步展开可得： $$ \log f(x \mid \mu, \sigma^2) = -\frac{1}{2} \log(2\pi) - \frac{1}{2} \log(\sigma^2) - \frac{(x - \mu)^2}{2\sigma^2} $$ 这一形式在实际应用中更便于处理多个独立样本的联合概率，因为多个样本的联合概率密度可以通过对数概率相加来实现，避免了浮点下溢问题。 ### 多维正态分布的对数概率密度函数 对于多维正态分布，其概率密度函数为： $$ f(\mathbf{x}) = \frac{1}{(2\pi)^{d/2} |\Sigma|^{1/2}} \exp\left(-\frac{1}{2} (\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu})\right) $$ 其中： - $ \mathbf{x} $ 是 $ d $ 维随机向量； - $ \boldsymbol{\mu} $ 是 $ d $ 维均值向量； - $ \Sigma $ 是 $ d \times d $ 的协方差矩阵 [^4]。 对应的对数概率密度函数为： $$ \log f(\mathbf{x}) = -\frac{d}{2} \log(2\pi) - \frac{1}{2} \log(|\Sigma|) - \frac{1}{2} (\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu}) $$ 这一形式广泛应用于多元统计分析、高斯过程回归和图像识别等领域。 ### 应用场景 1. **最大似然估计（MLE）**：在参数估计中，通过对数似然函数最大化来估计模型参数，例如估计正态分布的均值和方差。 2. **贝叶斯推断**：在后验概率计算中，对数概率用于简化乘积运算，尤其是在高维空间中。 3. **机器学习模型训练**：如高斯朴素贝叶斯、高斯混合模型（GMM）、变分自编码器（VAE）等模型都依赖于对数概率进行优化。 4. **金融建模**：由于股票收益率常被假设服从正态分布或近似正态分布，对数概率用于风险评估和资产定价 [^2]。 5. **信号处理与图像识别**：在基于概率模型的分类和聚类任务中，使用对数概率可提升计算效率并增强数值稳定性。 ### 示例代码（Python） 以下是一个使用 NumPy 实现一维正态分布对数概率密度函数的示例： ```python import numpy as np def log_normal_pdf(x, mu, sigma): """ 计算一维正态分布的对数概率密度函数 :param x: 输入数据点 :param mu: 均值 :param sigma: 标准差 :return: 对数概率密度 """ return -0.5 * np.log(2 * np.pi * sigma**2) - (x - mu)**2 / (2 * sigma**2) # 示例使用 x = 1.5 mu = 0.0 sigma = 1.0 print("Log PDF:", log_normal_pdf(x, mu, sigma)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

流浪猪头拯救地球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值