Wishart分布

最新推荐文章于 2024-01-17 12:01:01 发布
最新推荐文章于 2024-01-17 12:01:01 发布
阅读量1.1w 收藏 27
点赞数 6
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_45669448/article/details/103121488
版权
Wishart分布是多元正态分布样本协方差矩阵的概率分布，是对χ2分布的推广。当n个独立的p维正态样本的转置乘以其自身时，得到的散度矩阵S服从Wishart分布。它在统计推断和多元分析中用于估计未知的协方差矩阵。自由度n和参数Σ定义了分布，标准形式为W(Σ,p,n)。当p=Σ=1时，分布退化为χ2分布，而当协方差为单位矩阵时，称为标准Wishart分布。" 102753868,5842952,神经网络学习率选择与影响,"['深度学习', '模型训练', '机器学习', '优化算法']
摘要由CSDN通过智能技术生成

Wishart分布是 χ 2 \chi^2 χ2​​ 分布在多元上的推广。因此，它可以用来描述多元正态分布样本的协方差矩阵。Wishart分布是一组定义在对称、非负定矩阵的随机变量（随机矩阵）。

定义
假设 X X X是一个 n × p n\times p n×p的矩阵，每一行都是从均值为0的 p p p维正态分布中抽取的独立样本，即：
X ( i ) = ( x i 1 , ⋯   , x i p ) ∼ N p ( 0 , Σ ) X_{(i)} = (x_i^1,\cdots,x_i^p) \sim N_p(\textbf{0},\Sigma) X(i)​=(xi1​,⋯,xip​)∼Np​(0,Σ)
那么，Wishart分布 S S S就是这个 p × p

最低0.47元/天 解锁文章
someday or one day
关注
C++： 从 Wishart 分布生成样本矩阵(附完整源码)
希望我的博客，能帮上你解决学习中工作中所遇到的问题
12-22 195
C++： 从 Wishart 分布生成样本矩阵(附完整源码)
Wishart分布及Inverse Wishart分布
qq_42324085的博客
07-15 1万+
申明： 本博客仅作为博主的学习笔记，转载自 数据学习 的博主：小木。 原文链接： https://www.datalearner.com/blog/1051508471131357 引出 为什么要用Wishart分布？ 假设从一元正态分布中抽取的n个独立样本，则这些样本的方差应该服从自由度为的 ...
Wishart distribution
a3422377的博客
04-23 806
Introduction In statistics, the Wishart distribution is generalization to multiple dimensions of the chi-squared distribution (卡方分布), or, in the case of non-integer degrees of freedom, of the gam...
概率统计笔记：威沙特分布（Wishart Distribution）
热门推荐
qq_40206371的博客
10-18 1万+
1 威沙特分布定义 1.1 中心威沙特分布 假设X是一个n×p维的矩阵，其中每一行的p元向量均为满足p维正态分布的向量，即： 记为n×p维矩阵，则称随机阵的分布就是威沙特分布，记作 当p=1，即每个X维为1维的时候，威沙特分布就变成了一个自由度为n的卡方分布 1.2 非中心威沙特分布 2 威沙特分布与随机协方差矩阵 2.1 E(W)=nΣ 组成散度矩阵【离差阵】W的每个向量X都满足： 我们计算一下 散度矩阵S的数学...
变分贝叶斯估计：Wishart分布
最新发布
新型多传感器导航融合算法及基于贝叶斯框架下自适应鲁棒滤波
01-17 2471
在变分贝叶斯框架中，Wishart分布和逆Wishart分布通常被用作先验分布来建模协方差矩阵的不确定性。在变分推断中，这些分布的使用有助于对后验分布进行有效的近似。
笔记4之Wishart矩阵最小特征值分布
wubyatseu的专栏
03-06 582
Wishart矩阵最小特征值分布推导过程
Wishart分布引论.pdf
01-16
统计专业研究人员
C 代码 从 Wishart 分布生成样本矩阵asa047.rar
11-12
【标题】"C 代码 从 Wishart 分布生成样本矩阵asa047.rar" 提供了一种在C++和C语言中实现的方法，用于从Wishart分布中生成随机样本矩阵。Wishart分布是统计学和多元分析中一个重要的概念，特别是在多元正态分布的逆...
行业分类-设备装置-基于Cloude分解和K-wishart分布的极化SAR图像分类方法.zip
09-12
Cloude分解和K-Wishart分布是处理PolSAR图像的关键工具，用于地物分类和目标识别。 Cloude分解，也称为Cloude-Pottier分解，是PolSAR图像处理中的一种重要极化分解方法。这个方法将复杂的极化矩阵分解为两个部分：...
贝叶斯多元统计推断理论_2005_朱慧明，韩玉启著
02-24
经典的贝叶多元统计方面的教材，目前大多数网上书店无货，网上又没有免费的资源，因此提供该资源供大家免费共享
威沙特分布和逆威沙特分布（Wishart 分布及逆 Wishart 分布）
上帝是个娘们的博客
07-12 1万+
Wishart 分布 Wishart 分布是用来描述多元正态分布样本的协方差矩阵的。Wishart 分布的随机变量是一个随机矩阵。 定义 假设XXX是一个n∗pn*pn∗p的矩阵，其中，每一行XiX_{i}Xi​服从多元正态分布： Xi∽Np(0,Σ)X_{i} \backsim N_{p}(0,\Sigma)Xi​∽Np​(0,Σ) 也就是每一个样本XiX_{i}Xi​服从ppp维的正太分布。 令 A=∑iXiTXiA = \sum_{i}X_{i}^TX_{i}A=i∑​XiT​Xi​ 则随机矩阵AAA
scipy笔记：wishart （威沙特分布）
qq_40206371的博客
10-21 2144
威沙特分布理论部分：概率统计笔记：威沙特分布（Wishart Distribution）_UQI-LIUWJ的博客-CSDN博客 1 使用方法 scipy.stats.wishart( df=None, scale=None, seed=None) 1.1 参数解释 df 自由度 scale 比例矩阵，该矩阵必须对称且为正定。 在这种情况下，通常用多元法线精度矩阵(协方差矩阵的逆矩阵)来解释比例尺矩阵...
基于Wishart分布的Bayesian检验
AliceArtwork
09-18 5803
首先，Wiahsrt分布是用来刻画协方差矩阵统计量概率分布的一个分布，记作W(Σ,d,n)W(\Sigma,d,n)其中n代表构成协方差矩阵的样本数目，d代表样本维度，Σ\Sigma代表方差。假设有总体A1,A2，...,AGA_1,A_2，...,A_G其中每一个总体都符合P维的正态分布，即有： Ai∼N(μi,Σi)A_i\sim N(\mu _i,\Sigma _i) 那么，对于其中某个总
高斯分布、复高斯分布、t分布、卡方分布、Wishart分布
weixin_41677138的博客
10-28 4150
看极化SAR影像时看到矩阵服从复高斯分布，不明白是什么于是查了查。 正态分布又叫高斯分布 X~(μ,σ2) , μ为期望（均值），σ2为方差 遥感影像常认为服从正态分布，横坐标是影像灰度级变化，纵坐标为各灰度级像元数占整幅影像像元数的百分比，也就是对应的概率密度。 复高斯分布可认为是Z=X+iY中，X,Y同时满足高斯分布，也就是复数满足高斯分布。 该原理的数学基础参考这篇文章 高斯变量和复高斯变量基础 ...
多元统计分析笔记二——多元分布
TSzero的博客
06-17 2149
一、Wishart分布 1.1 基本概念 Wishart分布是χ2\chi^2χ2分布的多元情况，假设有随机变量ξ∼N(0,Σ)∈Rp\xi\sim N(0,\Sigma)\in\bm R^{p}ξ∼N(0,Σ)∈Rp，有iidiidiid样本X1,⋯ ,XnX_1,\cdots,X_nX1​,⋯,Xn​，定义X=(X1,⋯ ,Xn)T∈Rn×p\bm X=(X_1,\cdots,X_n)^T\in\bm R^{n\times p}X=(X1​,⋯,Xn​)T∈Rn×p，那么M=XTX=∑i=1nXiXiT
笔记3之Wishart矩阵最大特征值分布
wubyatseu的专栏
03-06 686
Wishart矩阵最大特征值的概率分布的推导方法。
wishart分布可加性证明
06-12
Wishart分布的可加性可以通过证明矩阵的对数行列式的可加性来得到。具体地，假设$W_1$和$W_2$是两个$p \times p$的Wishart分布的矩阵，自由度分别为$n_1$和$n_2$，尺度矩阵分别为$V_1$和$V_2$。则矩阵的对数行列式的和为： $$ \begin{aligned} \log|W_1 + W_2| &= \log|W_1(I + W_1^{-1}W_2)| \\ &= \log|W_1| + \log|I + W_1^{-1}W_2| \\ &= (n_1-p-1)\log|V_1| - \sum_{i=1}^p\log\Gamma\left(\frac{n_1+1-i}{2}\right) \\ &\quad +\log|I + W_1^{-1}W_2| \\ &\quad + (n_2-p-1)\log|V_2| - \sum_{i=1}^p\log\Gamma\left(\frac{n_2+1-i}{2}\right) \\ &= \log|W_1| + \log|I + W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2}| \\ &\quad + \log|W_2| \\ &\quad - \log|I + W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2} + W_2^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_2^{-1/2}| \\ &\quad -\sum_{i=1}^p\log\Gamma\left(\frac{n_1+1-i}{2}\right) - \sum_{i=1}^p\log\Gamma\left(\frac{n_2+1-i}{2}\right) \end{aligned} $$ 其中，我们使用了矩阵的Woodbury矩阵恒等式$(A+UCV)^{-1}=A^{-1}-A^{-1}U(C^{-1}+VA^{-1}U)^{-1}VA^{-1}$，并将$W_1$分解为$W_1=Z_1Z_1^T$，其中$Z_1$是$p \times n_1$的矩阵，满足$Z_1^TZ_1=V_1$。同理，将$W_2$分解为$W_2=Z_2Z_2^T$，其中$Z_2$是$p \times n_2$的矩阵，满足$Z_2^TZ_2=V_2$。 进一步地，我们可以使用矩阵的特征值分解将上式中的$\log|I + W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2}|$表示为： $$ \begin{aligned} \log|I + W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2}| &= \sum_{i=1}^p\log(1+\lambda_i) \\ &= \sum_{i=1}^p\log\left(\frac{\lambda_i}{1+\lambda_i}\right) + \sum_{i=1}^p\log(1+\lambda_i) \\ &= \log|W_1^{-1}W_2| + \sum_{i=1}^p\log(1+\lambda_i) \end{aligned} $$ 其中，$\lambda_i$是矩阵$W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2}$的第$i$个特征值。 综上所述，我们可以将$\log|W_1+W_2|$表示为： $$ \begin{aligned} \log|W_1 + W_2| &= \log|W_1| + \log|W_2| + \log|I + W_1^{-1}W_2| \\ &\quad + \sum_{i=1}^p\log(1+\lambda_i) \\ &\quad -\log|I + W_1^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_1^{-1/2} + W_2^{-1/2}(W_1^{-1/2}W_2W_1^{-1/2})W_2^{-1/2}| \\ &\quad -\sum_{i=1}^p\log\Gamma\left(\frac{n_1+1-i}{2}\right) - \sum_{i=1}^p\log\Gamma\left(\frac{n_2+1-i}{2}\right) \end{aligned} $$ 因此，我们证明了Wishart分布的可加性。
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