n维正态随机变量的性质

于 2024-01-01 11:36:09 发布
阅读量597 收藏 7
点赞数 9
文章标签： 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/panghuangang/article/details/135323308
版权
  • n维正态随机变量(X_{1},X_{2},\cdots ,X_{n})的每一个分量X_{i},\; i=1,2,\cdots ,n都是正态随机变量；反正，若X_{1},X_{2},\cdots ,X_{n}都是正态随机变量，且相互独立，则(X_{1},X_{2},\cdots ,X_{n})是n维正态随机变量。
  • n维随机变量(X_{1},X_{2},\cdots ,X_{n})服从n维正态分布的充要条件是X_{1},X_{2},\cdots ,X_{n}的任意的线性组合

        l_{1}X_{1}+l_{2}X_{2}+\cdots +l_{n}X_{n}

        服从一维正态分布（式中l_{1},l_{2},\cdots ,l_{n}不全为零）。

  • 若(X_{1},X_{2},\cdots ,X_{n})服从n维正态分布，设Y_{1},Y_{2},\cdots ,Y_{k} 是X_{j}\; (j=1,2,\cdots ,n)的线性函数，则(Y_{1},Y_{2},\cdots ,Y_{k})也服从多维正态分布。

       这一性质称为正态变量的线性变换不变性。

  • 设(X_{1},X_{2},\cdots ,X_{n})服从n维正态分布，则“X_{1},X_{2},\cdots ,X_{n}相互独立” 与 “X_{1},X_{2},\cdots ,X_{n}两两不相关” 是等价的。
听海边涛声
关注
  • 9
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
n维正态各分量的线性组合服从正态分布的一个证明 (2010年)
06-01
利用微积分和矩阵代数的基本知识,证明了n维正态随机变量各分量的线性组合一定服从正态分布的结论。
n元（维）正态分布（The multivariate normal distribution）
wjheha的博客
12-18 2万+
在学习高斯判别分析（Gaussian discriminant analysis）时，出现了n元正态分布的密度函数，函数中出现了矩阵，弄得大家一头雾水。其实这个公式在大部分概率论书籍中都没有提到，不过，简要推导一下，就可以得到结果。  茆诗松《概率论与数理统计教程》第二版中介绍了协方差矩阵和n元正态分布的密度函数，截图大家看一下，推荐身边准备这本书！ *********************
n维正态分布
justisme的博客
07-14 7714
n维正态分布概率密度_来自无穷维的雨点——正态分布的几何模型
weixin_42516830的博客
01-10 1551
问题引入前几天，哲宁和我讨论如何在n维球内撒点。当时我有一个很朴素的想法，三维球内均匀分布的点在视网膜看来并不是“均匀”的，而应该是中间密，边缘疏。三维球内的点在平面上的投影，用的哲宁的图～沿着这个想法，继续追问：如果是高维球中的点投影到低维（比如一维直线上），是否也会有这样的现象呢？它的概率密度函数是怎样的呢？高维投影至1维示意图付诸行动，我在n维单位球内撒了10万个点，并将点投影到一维区间[-...
机器学习中的高斯过程简介
slx_share的博客
11-05 6945
前面的博客有说到高斯混合模型，本质是用n(簇的个数)个高斯函数的线性组合拟合数据，然后用训练数据集学习各个高斯函数的参数以及线性组合系数，最后反过来更具学习到的模型P(y∣X)P(y|X)P(y∣X)对原数据集进行聚类。 高斯过程(Gaussian Process, GP)同样采用高斯函数对训练数据集进行学习得到P(y∣X)P(y|X)P(y∣X)。不同的是，高斯过程采用一个高斯函数，并且基于核函...
克里金(kriging)模型的推导详解
weixin_45671036的博客
10-15 2万+
Kriging模型理论推导1、前言2、条件3、基础知识3.1、方差的理解3.2、概率密度函数3.3、多元正态分布4、理论推导4.1 模型建立 1、前言 简介：Kriging模型是一种通过已知试验点信息来预测未知试验点上响应的无偏估计模型，其最早是由南非矿业工程师Ｄ.Ｇ.Krige于1951年提出。20世纪70年代，法国的数学家Ｇ.Matheron对Ｄ.Ｇ.Krige的研宄成果进行了进一步的系统化、理论化，并将其命名为Kriging模型。1989年Sacks等将Kriging模型推广至试验设计领域，形成了基于
协方差矩阵及+维正态分布.doc
07-28
4. 对于两个n维正态随机变量\( (X_1, X_2, ..., X_n) \)和\( (Y_1, Y_2, ..., Y_m) \)，它们的线性组合\( C = AX + BY \)（其中A和B是适当尺寸的矩阵）也将服从一个m+n维的正态分布。 5. 在n维正态分布中，随机变量...
二维随机变量及其分布题目.pdf
最新发布
10-19
5．设随机变量X和Y相互独立，X服从标准正态分布N（0，1），Y服从二项分布B（n，p），0，则X+Y的分布函数是连续函数。 6．设X和Y相互独立，X~U(0,2)，Y~U(0,1)，则P(X+Y≥1)的概率为1/4。 二、填空题 1．设（X，Y...
考研数学 概率论三章 二维随机变量及其分布
02-22
"考研数学 概率论三章 二维随机变量及其分布" 概率论是数学的一个重要分支，它广泛应用于各个领域...本节我们详细介绍了二维随机变量及其分布的定义、性质和实际应用。掌握这些知识点对于考研数学的成功是非常重要的。
【三维设计】2014届高考数学一轮复习 教师备选作业 第九章 第九节 离散型随机变量的均值与方差、正态分布 理
08-19
在题目中，随机变量ξ服从正态分布N(1，σ^2)，意味着随机变量的平均值（均值）μ=1，而σ^2是方差，它影响分布的宽度。例如，问题1询问P(ξ≤-2)的概率，利用正态分布的性质，我们可以知道P(ξ≤-2) = P(ξ>4) = 1 ...
机器学习（十六）——多元正态分布（The multivariate normal distribution）
热门推荐
qq_31589695的博客
05-15 4万+
原文：http://cs229.stanford.edu/notes/cs229-notes2.pdfn维的多元正态分布，也称为多元高斯分布，是用均值向量和协方差矩阵参数化的，其中Σ≥0是对称的和正半定的。也被写作，它的密度函数为在上面的方程中，“|Σ|”表示矩阵Σ的行列式。对于一个随机变量X分布的，均值是向量值随机变量Z的协方差定义为。这是一个实值随机变量方差的概念.协方差也可以定义为。(你应该...
斯坦福 机器学习-第二章 生成学习算法
hzp666的博客
08-23 1290
CS229 Lecture notes 原作者：Andrew Ng（吴恩达） 翻译：CycleUser   Part IV 生成学习算法，Generative Learning algorithms 目前为止，我们讲过的学习算法的模型都是p (y|x;θ)，也就是给定 x 下的 y 的条件分布，以 θ 为参数。例如，逻辑回归中就是以 hθ(x) = g(
矩阵正态分布
02-27 7847
正态分布 关于正态分布的由来，在文章《正态分布的前世今生》中写的很清楚，正态分布是由二项分布而来。正态分布的密度形式首次发现是在棣莫弗-拉普拉斯中心极限定理中。读者可以通过以下几个链接深入了解正态分布的含义 正态分布的前世今生（上） 正态分布的前世今生（下） 为什么正态分布如此常见 棣莫弗-拉普拉斯中心极限定理 设随机变量Xn(n=1,2,⋯)Xn(n=1,2,⋯)X_n(n=1,2,...
判别模型、生成模型与朴素贝叶斯方法【转】
weixin_30337157的博客
11-23 282
转载时请注明来源：http://www.cnblogs.com/jerrylead 1判别模型与生成模型 上篇报告中提到的回归模型是判别模型，也就是根据特征值来求结果的概率。形式化表示为，在参数确定的情况下，求解条件概率。通俗的解释为在给定特征后预测结果出现的概率。 比如说要确定一只羊是山羊还是绵羊，用判别模型的方法是先从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊...
python画成绩正态分布图_数据分析基础（1）——神奇的正态分布
weixin_39675728的博客
11-21 2238
分布是用来描述事件(通常用随机变量X表示)发生规律的数学工具，比如X~N(78, 9)描述了某个考试科目考试成绩的分布情况，服从均值为78，方差为9的正态分布。我们常用直方图或概率密度曲线来展示分布特点(如下图)。#寻找真知派#图1 考试成绩分布图(正态分布)事件的分布类型有很多种，比如指数分布、t分布、泊松分布等，每种分布都对应于一个概率密度函数(连续随机变量)或概率质量函数(离散随机变量)。通...
正态分布
数据科学爱好者
11-12 9405
简介 正态分布（Normal distribution）又称为高斯分布（Gaussian distribution）,是统计学中一个重要且常见的连续概率分布。 若随机变量X服从一个均值为μ， 的正态分布，其中μ为均值， 为方差，则记为： 其概率密度函数为： 正态分布的概率密度曲线呈钟形，因此又被称为钟形曲线。如图所示： 特殊的，我们将μ=0，=1的正态分布称为标准正态分布。 主要特征： 正...
多元高斯分布
faiculty
06-21 1万+
个人网页blog已经上线，一大波干货即将来袭：https://faiculty.com/> /* 版权声明：可以任意转载，转载时请务必标明文章原始出处和作者信息 .*/ faiculty: 机器学习、计算机视觉交流群：451429116 微信公众号、知乎专栏、简书，请搜索： faiculty 本专栏主要为学习记录，可能综合了网上各类文章或博客，如有侵权请联系本人进行删除。 QQ：
多元高斯分布/多元正态分布
便纵有千种风情
02-25 3968
这些知识，动不动就忘。为了不白选了一门数学课，还是把他记下来。 f(x)=1(2π)n/2∣C∣12exp{(x−μ)TC−1(x−μ)}f(x)= \frac{1}{ (2\pi)^{n/2} {|C|}^{\frac{1}{2}}}exp\{ (x-\mu)^T C^{-1} (x-\mu) \}f(x)=(2π)n/2∣C∣21​1​exp{(x−μ)TC−1(x−μ)}，其中 CCC为协方...
机器学习5 多维正态分布(高斯分布)
skmygdrs的专栏
07-30 6781
概率密度p(x)=1(2π)n2|β|12exp(−12(x−α)Tβ−1(x−α))p(x) = {1 \over {{{\left( {2\pi } \right)}^{{n \over 2}}}{{\left| \beta \right|}^{{1 \over 2}}}}}\exp \left( { - {1 \over 2}{{\left( {x - \alpha } \right)}^T
n维正态分布概率密度
10-15
n维正态分布是指在n维空间中，每个维度上的随机变量都服从正态分布的一种多元随机变量分布。其概率密度函数为： f(x) = (2π)^(-n/2) * det(Σ)^(-1/2) * exp(-1/2 * (x-μ)^T * Σ^(-1) * (x-μ)) 其中，x是一个n...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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