高斯推断（联合高斯概率密度函数，分解与推断）

最新推荐文章于 2024-09-11 20:00:00 发布
最新推荐文章于 2024-09-11 20:00:00 发布
阅读量3.9k 收藏 17
点赞数 5
分类专栏： 机器人学中的状态估计 数学基础 文章标签： 线性代数 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/qq_37372155/article/details/120003274
版权
对于⼀对服从多元正态分布的变量 ( x , y ) ，可以写出它们的联合概率密度函数：
p(x,y)=N(\begin{bmatrix} \mu_{x}\\ \mu_{y} \end{bmatrix},\begin{bmatrix} \Sigma _{xx} & \Sigma _{xy}\\ \Sigma _{yx}& \Sigma _{yy} \end{bmatrix})
根据Bay's rule， p(x,y)=p(x|y)p(y)，能不能得到条件概率 p(x|y)和边缘概率 p(y)的高斯分布？
高斯推断告诉我们是可以的！
p(x|y)p(y)是左边被拆分成两个部分的形式，因此努力方向是怎么对左边进行差分
根据舒尔补理论： 舒尔补理论Schur Compliment，这简单理解就是一个矩阵分解的方法

 两边求逆：

 我们只需关注高斯分布的指数部分(x-\mu)^T\Sigma ^{-1}(x-\mu)，代入上式：

 这样指数部分就被拆分为两个部分的和，实际可以理解为e^{x+y}=e^x+e^y

与单个变量的多元高斯分布公式形式进行对比

 

 可得他们的高斯形式：

 这是一个非常漂亮的结果，我们不仅可以通过联合分布和边缘分布计算条件分布，还说明了p(x)\sim N(\mu_x,\Sigma_{xx} )有了观测y之后，p(x|y)的均值做了调整，协方差也减小了，这体现了观测y对状态x的一个修正。

 

 【参考】《机器人学中的状态估计》@深蓝学院

走走走走走走你
关注
专栏目录
高斯概率密度函数
林景的博客
09-18 3万+
正态分布及其性质回顾 1. 单变量正态分布 单变量正态分布概率密度函数定义为： ρ(x)=12πσe−12(x−μσ)2(1) \rho(x)=\frac{1}{\sqrt{2\pi \sigma}} e^{-\frac{1}{2} (\frac{x- \mu}{\sigma})^2} \tag 1 ρ(x)=2πσ​1​e−21​(σx−μ​)2(1) 式中μ\muμ为随机变量xxx的期望，σ2\sigma^2σ2为xxx的方差，σ\sigmaσ称为标准差。 μ=E(x)=∫−∞∞xρ(x)dx(2) \
关于逆M-矩阵Schur补的一个重要不等式 (2005年)
06-14
逆M矩阵是一类在理论和应用两方面都非常重要的非负矩阵，一直是矩阵研究的一个热点，令M-1为所有n×n逆M矩阵,本文将证明下列结果：如果A，B ∈ M-1分别是下Hessenberg矩阵、上Hessenberg矩阵，则对前n个正整数的集合
MLAPP————第四章 高斯模型
marmove的博客
08-11 2682
  第四章 高斯模型 4.1 介绍 本章主要开始介绍多变量的高斯模型或者叫做多变量的正态模型(MVN)，在整本书中，可以说这个模型是非常常见的。这一章的数学的要求是比较高的，涉及到很多的线性代数和矩阵运算。我会尽量把我会的一些计算过程详细的写出来，因为书中有些计算过程可能作者看上去比较的简单，但是我们看的时候还是会比较吃力。 4.1.1 符号 符号这里就不翻译了。都是很常规的，与平时见到...
高斯分布（Gaussian Distribution）的概率密度函数（probability density function）
03-27 9518
高斯分布（Gaussian Distribution）的概率密度函数（probability density function） 对应于numpy中： numpy.random.normal(loc=0.0, scale=1.0, size=None) 参数的意义为： loc：float 此概率分布的均值（对应着整个分布的中心centre） scale：f...
数学基础 -- 概率统计之高斯分布
最新发布
sz66cm 学习随笔
09-11 1819
项目泰勒展开勒让德展开基于函数的导数勒让德多项式的正交性适用区间任意一点附近，尤其在aaa点附近−11[-1, 1]−11区间应用场景函数近似，局部线性化，物理和工程学中的小范围分析球谐分析，量子力学，电磁场中的球对称问题级数收敛性依赖于函数在展开点附近的光滑性与导数性质依赖于区间−11[-1, 1]−11上的函数特性优点在函数光滑时能够较好地逼近函数正交性保证了在一定区间内的良好逼近局限性可能在某些区域不收敛或逼近较差仅适用于固定区间，非球对称问题较少应用。
高斯分布（正态分布）详解
热门推荐
qq_37346140的博客
08-23 3万+
高斯分布的概念详解以及通俗易懂解释、实际应用等。
机器人学中的状态估计（二）：高斯概率密度函数的性质
LDST_CSDN的博客
05-13 807
1. 联合高斯概率密度函数 设有一对服从多元正态分布的变量(x,y)(x,y)(x,y)，则其联合概率密度函数为： p(x,y)=N([μxμy],[ΣxxΣxyΣyxΣyy]) p(x,y)=\mathcal{N}\left( \begin{array}{cc} \left[ \begin{array}{cc} \mu_x \\ \mu_y \end{array} \right], \left[ \begin{array}{cc} \Sigma_{xx} & \Sigma_{xy} \\ \Sig
零碎的知识点（一）：高斯分布以及概率密度函数（Python）（持续更新）
xzs1210652636的博客
07-29 1万+
高斯分布以及概率密度函数（Python）（持续更新）前言一、高斯分布二、概率密度函数 前言 项目上需要用到高斯分布、正太分布以及概率密度函数。我对这部分知识点产生了一些疑问，上网查资料发现很少有人在我这个点产生疑问（？？？可能是我太蠢了吧哈哈哈哈哈），所以我整理了一下自己看一看，如果后续有补充的会不断更新。 一、高斯分布 高斯分布究竟是个啥东西，网上介绍的人都介绍烂了，这里就不再赘述了。这里展示一下它的函数： f(x)=12Πσ2e−(x−μ)22σ2 f(x) = \frac{1}{\sqrt{2Πσ
Gaussian function_高斯函数的叠加与干涉_函数_干涉_图_
10-01
"高斯函数的叠加与干涉"这一主题不仅涵盖了数学和物理的基础知识，还涉及到数值计算和可视化技术。在学习这个主题时，需要掌握复杂数学函数的理解、编程实现以及数据可视化的基本技能。通过深入研究高斯函数及其应用...
21.03_03_从概率密度函数观察高斯.pdf
09-18
标题中的"21.03_03_从概率密度函数观察高斯"指的是一个关于概率密度函数（Probability Density Function, PDF）与高斯分布（也称为正态分布）的讲座或课程的一部分。高斯分布是统计学中最常见的连续概率分布之一，...
高斯随机变量的特征函数
12-05
高斯随机变量是服从正态分布的随机变量，其概率密度函数具有对称性和钟形特性，中心峰值位于均值处，方差决定了分布的宽度。 正态分布的概率密度函数（PDF）可以表示为： \[ f(x|\mu,\sigma^2) = \frac{1}{\sqrt{2\...
gaosi.zip_高斯函数
09-24
5. **计算概率密度**：利用高斯函数，可以计算任意点的概率密度，这对于概率分析和统计推断至关重要。 6. **应用到实际问题**：在信号处理中，高斯函数常用于滤波器设计；在图像处理中，它可以用于模糊操作；在机器...
贝叶斯推断概率编程与贝叶斯方法源代码
11-11
《贝叶斯推断概率编程与贝叶斯方法》是一本深入探讨贝叶斯统计理论与实践的书籍，尤其关注其在概率编程中的应用。这本书的配套源代码提供了丰富的实例，帮助读者更好地理解和掌握相关知识。 贝叶斯推断是一种统计学...
联合高斯分布（Joint Gaussian）的推导
HEGSNS的博客
03-13 1万+
x∼N(0,σ2),y∣x∼N(x,c2) x \sim \mathcal{N}(0, \sigma^2), y|x \sim \mathcal{N}(x, c^2) x∼N(0,σ2),y∣x∼N(x,c2) f(y)=∫xf(y∣x)f(x)dx=∫x12πce−(y−x)22c212πσe−x22σ2dx=12πce−y22c2∫x12πσe−(σ2+c2)x22σ2c2+yxc2dx=12...
概率统计笔记：高斯分布的联合概率密度
qq_40206371的博客
11-04 2092
1 符号说明 我们的目的是求的概率 2 求p(y) 不难发现，y与x的关系为线性高斯模型，则yy与x符合下述关系 于是可以得到y的分布 3 求p(z) 我们现在的目标就是求这个▲是什么 参考资料：机器学习-白板推导系列笔记（二）-数学基础_scu-liu的博客-CSDN博客 ...
高斯分布的相关知识
BryantDaiJB的博客
03-08 2692
一元高斯分布 一维高斯分布的概率密度函数可表示为： P(x∣μ,σ2)=12πσexp(−(x−μ)22σ2) P(x|\mu,\sigma^2) = \frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2})\\ P(x∣μ,σ2)=2π​σ1​exp(−2σ2(x−μ)2​) 1=∫−∞+∞P(x∣μ,σ2)dx 1 = \int_{-\infty}^{+\infty} P(x|\mu,\sigma^2) dx \qquad 1=∫−.
高斯分布与概率密度函数
qq_43016560的博客
08-21 1287
本文主要介绍了均值、方差、标准差，概率密度函数，高斯分布的定义、性质及应用场景。对认识和理解高斯分布（正态分布）有很大帮助。
多元高斯分布
weixin_45492636的博客
12-10 5585
一、多元标准高斯分布 高斯分布在机器学习中出现得很频繁。高斯分布被誉为"上帝的分布", 其强悍的建模能力和优美的数学性质使得高斯分布在现实中得到广泛的应用。我们知道, 大量独立同分布的随机变量的均值在做适当标准化之后会依分布收敛于高斯分布, 这使得高斯分布具有普适性的建模能力。 ...
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