机器学习之高斯分布例题

考虑三维正态分布 p ( x ∣ ω ) ∼ N ( μ ∣ Σ ) p({\bf x}\mid\omega)\sim N({\bf \mu}\mid\Sigma) p(xω)N(μΣ),其中 μ = ( 1 2 2 ) {\bf \mu}=\left( \begin{matrix}1\\2\\2\end{matrix} \right) μ=122 Σ = ( 1 0 0 0 5 2 0 2 5 ) \Sigma=\left( \begin{matrix} 1 & 0 & 0 \\ 0 & 5 & 2 \\ 0 & 2 &5 \end{matrix} \right) Σ=100052025

(a) 求点 x 0 = ( 0.5 , 0 , 1 ) T x_0=(0.5,0,1)^T x0=(0.5,0,1)T处的概率密度;

解:根据正态分布密度公式:

N ( μ ∣ Σ ) = 1 ( 2 π ) D / 2 1 ∣ Σ ∣ 1 / 2 e x p { − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) } N({\bf \mu}\mid\Sigma)= \frac {1}{(2\pi)^{D/2}}\frac {1}{|\Sigma|^{1/2}}exp\left \{ \frac{-1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu) \right \} N(μΣ)=(2π)D/21Σ1/21exp{ 21(xμ)TΣ1(xμ)}

其中,由题目条件可知 x 0 − μ = ( − 0.5 − 2 − 1 ) , ∣ Σ ∣ − 1 = ( 1 0 0 0 5 21 − 2 21 0 − 2 21 5 21 ) , ∣ Σ ∣ = 21 x_0-\mu=\left( \begin{matrix}-0.5\\-2\\-1\end{matrix} \right),|\Sigma|^{-1}=\left( \begin{matrix} 1&0&0 \\ 0&\frac{5}{21}&-\frac{2}{21} \\ 0&-\frac{2}{21}&\frac{5}{21} \end{matrix} \right),|\Sigma|=21 x0μ=0.521,Σ1=10002152120212215,Σ=21

因此,
p ( x 0 ∣ μ ) = 1 ( 2 π ) 3 / 2 1 ∣ Σ ∣ 1 / 2 e x p { − 1 2 ( x 0 − μ ) T Σ − 1 ( x 0 − μ ) } = 1 168 π 3 e x p { − 89 168 } \begin{aligned} p(x_0\mid\mu)&=\frac {1}{(2\pi)^{3/2}}\frac {1}{|\Sigma|^{1/2}}exp\left \{ \frac{-1}{2}(x_0-\mu)^T\Sigma^{-1}(x_0-\mu) \right \} \\ &=\frac{1}{\sqrt{168\pi^3}}exp \left \{ -\frac{89}{168} \right \} \end{aligned} p(x0μ)=(2π)3/21Σ1/21exp{ 21(x0μ)TΣ1(x0μ)}=168π3 1exp{ 16889}

(b) 构造白化变换矩阵 A ω ( A ω = Φ Λ − 1 / 2 ) A_\omega(A_\omega=\Phi\Lambda^{-1/2}) Aω</

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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