假设泊松分布为 P ( k ; λ ) P(k;\lambda) P(k;λ)，高斯分布为 N ( x ; μ , σ 2 ) N(x;\mu,\sigma^2) N(x;μ,σ2)，则它们的乘积为：
P ( k ; λ ) N ( x ; μ , σ 2 ) = e − λ λ k k ! ⋅ 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 = 1 k ! 2 π σ 2 e − λ e − ( x − μ ) 2 2 σ 2 λ k = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 ⋅ e − λ λ k k ! \begin{aligned} P(k;\lambda) N(x;\mu,\sigma^2) &= \frac{e^{-\lambda} \lambda^k}{k!} \cdot \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \ &= \frac{1}{k! \sqrt{2\pi\sigma^2}} e^{-\lambda} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \lambda^k \ &= \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \cdot \frac{e^{-\lambda} \lambda^k}{k!} \end{aligned} P(k;λ)N(x;μ,σ2)=k!e−λλk⋅2πσ21e−2σ2(x−μ)2 =k!2πσ21e−λe−2σ2(x−μ)2λk =2πσ21e−2σ2(x−μ)2⋅k!e−λλk
注意到 e − λ λ k k ! \frac{e^{-\lambda} \lambda^k}{k!} k!e−λλk 是一个泊松分布 P ( k ; λ ) P(k;\lambda) P(k;λ) 中 k k k 的概率质量函数，而 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} 2πσ21e−2σ2(x−μ)2 是一个高斯分布 N ( x ; μ , σ 2 ) N(x;\mu,\sigma^2) N(x;μ,σ2) 中 x x x 的概率密度函数。因此， P ( k ; λ ) N ( x ; μ , σ 2 ) P(k;\lambda) N(x;\mu,\sigma^2) P(k;λ)N(x;μ,σ2) 可以被视为一个混合分布，其中 k k k 的概率质量由泊松分布给出， x x x 的概率密度由高斯分布给出。
这个混合分布在实际应用中非常常见，比如在计算机视觉中的目标跟踪、光流估计等问题中，通常会将目标的位置和速度建模为一个混合分布，其中位置由高斯分布给出，速度由泊松分布给出。这样可以同时考虑目标的位置和速度的不确定性，从而更准确地进行目标跟踪和运动估计等任务。
1200
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
