二元正态分布的概率密度函数

2024-03-13 18:48

本文主要是介绍二元正态分布的概率密度函数,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

二元正态分布随机变量

如果随机变量 X X X Y Y Y的联合PDF为
p X , Y ( x , y ) = 1 2 π σ x σ Y 1 − p 2 exp ⁡ { − ( x − μ X ) 2 σ X 2 + ( y − μ Y ) 2 σ Y 2 − 2 ρ ( x − μ X ) ( y − μ Y ) σ X σ Y 2 ( 1 − ρ 2 ) } p_{X,Y}(x,y)=\frac{1}{2\pi \sigma_x \sigma_Y \sqrt{1-p^2}}\exp\left\{-\frac{\frac{(x-\mu_X)^2}{\sigma_X^2}+\frac{(y-\mu_Y)^2}{\sigma_Y^2}-\frac{2\rho(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y}}{2(1-\rho^2)}\right\} pX,Y(x,y)=2πσxσY1p2 1exp2(1ρ2)σX2(xμX)2+σY2(yμY)2σXσY2ρ(xμX)(yμY)
则称 X X X Y Y Y满足二元正态分布,其中 X ∼ N ( μ X , σ X 2 ) , Y ∼ N ( μ Y , σ Y 2 ) X \sim N(\mu_X,\sigma_X^2),Y \sim N(\mu_Y,\sigma_Y^2) XN(μX,σX2)YN(μY,σY2),协方差 C X Y = E { X Y } − μ X μ Y C_{XY}={\rm E}\{XY\}-\mu_X\mu_Y CXY=E{XY}μXμY,相关系数 ρ = C X Y σ X σ Y \rho=\frac{C_{XY}}{\sigma_X\sigma_Y} ρ=σXσYCXY

进一步进行归一化处理,设
V = X − μ x σ X , W = Y − μ Y σ Y V=\frac{X-\mu_x}{\sigma_X},\ W=\frac{Y-\mu_Y}{\sigma_Y} V=σXXμx, W=σYYμY
则有
p V , W ( v , w ) = 1 2 π 1 − ρ 2 exp ⁡ { − v 2 − 2 ρ v w + w 2 2 ( 1 − ρ 2 ) } . p_{V,W}(v,w)=\frac{1}{2\pi \sqrt{1-\rho^2}}\exp \{-\frac{v^2-2\rho v w+w^2}{2(1-\rho^2)}\}. pV,W(v,w)=2π1ρ2 1exp{2(1ρ2)v22ρvw+w2}.

下面来求 V , W V,W V,W的条件PSD。由于
v 2 + w 2 − 2 ρ v w = ( w − ρ v ) 2 + v 2 ( 1 − ρ 2 ) v^2+w^2-2\rho vw=(w-\rho v)^2+v^2(1-\rho^2) v2+w22ρvw=(wρv)2+v2(1ρ2)
因此
p V , W ( v , w ) = 1 2 π exp ⁡ { − v 2 2 } 1 2 π ( 1 − p 2 ) exp ⁡ { − ( w − ρ v ) 2 2 ( 1 − ρ 2 ) } p_{V,W}(v,w)=\frac{1}{\sqrt{2\pi} }\exp\left\{-\frac{v^2}{2}\right\}\frac{1}{\sqrt{2\pi(1-p^2)}}\exp\left\{-\frac{(w-\rho v)^2}{2(1-\rho^2)}\right\} pV,W(v,w)=2π 1exp{2v2}2π(1p2) 1exp{2(1ρ2)(wρv)2}
进一步,我们有
p V ( v ) = 1 2 π exp ⁡ { − v 2 2 } p_V(v)=\frac{1}{\sqrt{2\pi} } \exp\left\{-\frac{v^2}{2}\right\} pV(v)=2π 1exp{2v2}

p W ∣ V ( w ∣ v ) = 1 2 π ( 1 − ρ 2 ) exp ⁡ { − ( w − ρ v ) 2 2 ( 1 − ρ 2 ) } . p_{W|V}(w|v)=\frac{1}{\sqrt{2\pi(1-\rho^2)}}\exp\left\{-\frac{(w-\rho v)^2}{2(1-\rho^2)}\right\}. pWV(wv)=2π(1ρ2) 1exp{2(1ρ2)(wρv)2}.
所以
E [ W ∣ V ] = ρ v , σ W ∣ V 2 = 1 − ρ 2 . {\rm E}[W|V]=\rho v,\sigma_{W|V}^2=1-\rho^2. E[WV]=ρv,σWV2=1ρ2.

我们再来看X、Y的条件PSD,因为
p X , Y ( x , y ) = 1 2 π σ X σ Y 1 − p 2 exp ⁡ { − ( x − μ X ) 2 σ X 2 + ( y − μ Y ) 2 σ Y 2 − 2 ρ ( x − μ X ) ( y − μ Y ) σ X σ Y 2 ( 1 − ρ 2 ) } = 1 2 π σ X σ Y 1 − p 2 exp ⁡ { − v 2 + w 2 − 2 ρ v w 2 ( 1 − ρ 2 ) } = 1 2 π σ X σ Y 1 − p 2 exp ⁡ { − v 2 2 } exp ⁡ { − ( w − ρ v ) 2 2 ( 1 − ρ 2 ) } = 1 2 π σ X exp ⁡ { − v 2 2 } 1 2 π σ Y 1 − p 2 exp ⁡ { − ( w − ρ v ) 2 2 ( 1 − ρ 2 ) } = 1 σ x p X ( x ) 1 σ y p Y ∣ X ( y ∣ x ) p_{X,Y}(x,y)=\frac{1}{2\pi \sigma_X \sigma_Y \sqrt{1-p^2}}\exp\left\{-\frac{\frac{(x-\mu_X)^2}{\sigma_X^2}+\frac{(y-\mu_Y)^2}{\sigma_Y^2}-\frac{2\rho(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y}}{2(1-\rho^2)}\right\}\\ =\frac{1}{2\pi \sigma_X \sigma_Y \sqrt{1-p^2}}\exp\left\{-\frac{v^2+w^2-2\rho vw}{2(1-\rho^2)}\right\}\\ =\frac{1}{2\pi \sigma_X \sigma_Y \sqrt{1-p^2}}\exp\left\{-\frac{v^2}{2}\right\}\exp\left\{-\frac{(w-\rho v)^2}{2(1-\rho^2)}\right\}\\ =\frac{1}{\sqrt{2\pi} \sigma_X }\exp\left\{-\frac{v^2}{2}\right\}\frac{1}{\sqrt{2\pi}\sigma_Y \sqrt{1-p^2}}\exp\left\{-\frac{(w-\rho v)^2}{2(1-\rho^2)}\right\}\\ =\frac{1}{\sigma_x}p_X(x)\frac{1}{\sigma_y}p_{Y|X}(y|x) pX,Y(x,y)=2πσXσY1p2 1exp2(1ρ2)σX2(xμX)2+σY2(yμY)2σXσY2ρ(xμX)(yμY)=2πσXσY1p2 1exp{2(1ρ2)v2+w22ρvw}=2πσXσY1p2 1exp{2v2}exp{2(1ρ2)(wρv)2}=2π σX1exp{2v2}2π σY1p2 1exp{2(1ρ2)(wρv)2}=σx1pX(x)σy1pYX(yx)
故有
p Y ∣ X ( y ∣ x ) = σ Y ⋅ p W ∣ X ( w ∣ x ) . p_{Y|X}(y|x)=\sigma_Y\cdot p_{W|X}(w|x). pYX(yx)=σYpWX(wx).

这篇关于二元正态分布的概率密度函数的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/805843

相关文章

一元分类、二元分类、多类分类、多标签学习

unary classification -- 一元分类 维基百科中的定义是:一类分类,即一元分类,通过仅包含该类的对象的训练数据中学习,试图能够在所有对象中识别该特定类的对象。 one-class classification是由[Moya & Hush][1]在1996年提出的,目前已有很多这方面的研究。一个类似的问题是PU Learning,后者是以半监督的学习方式从正类样本和未标记样本

机器学习之监督学习(二)二元逻辑回归

机器学习之监督学习(二)逻辑回归(二元分类问题) 1. 分类 classification2.二元分类逻辑回归 binary-classified logistic regression模块1: sigmoid 激活函数 sigmoid function模型公式模块2: 决策边界 decision boundary代价函数梯度下降欠拟合与过拟合、正则化模块3:评价指标数据集的平衡性平衡数据集

为什么在很多应用中常采用正态分布/高斯分布、中心极限定理

为什么在很多应用中常采用正态分布/高斯分布? 当我们由于缺乏关于某个实数上分布的先验知识而不知道该选择怎么样的形式时,正态分布是默认的比较好的选择,有两个原因: 一,我们想要建模的很多分布的真实情况是比较接近正态分布的。 中心极限定理说明很多独立随机变量的和近似服从正态分布。 二,在具有相同方差的所有可能的概率分布中,正态分布在实数上具有最大的不确定性。 因此,我们可以认为正态分布是对模型加入的

【Tools】什么是正态分布

我们从不正视那个问题 那一些是非题 总让人伤透脑筋 我会期待 爱盛开那一个黎明 一定会有美丽的爱情                      🎵 范玮琪《是非题》 正态分布,也称为高斯分布,是统计学中最为常见的一种分布模型。它的概率密度函数可以用一个钟形曲线来描述,呈现出对称的形态。在正态分布中,均值、标准差以及方差是非常重要的参数。 正态分布的特点包括: 均值(期望值):正态分布

建模杂谈系列249 增量数据的正态分布拟合

说明 从分布开始,分布又要从正态开始 假设有一批数据,只有通过在线的方式增量获得。 内容 1 生成 先通过numpy生成一堆随机数据,从3个正态分布生成,然后拼接起来。 import numpy as npimport matplotlib.pyplot as pltfrom sklearn.mixture import GaussianMixture# 生成示例数据np.

第十五题(二元查找树镜像翻转)

微软面试100题第十五题 题目:输入一颗二元查找树,将该树转换为它的镜像, 即在转换后的二元查找树中,左子树的结点都大于右子树的结点。 用递归和循环两种方法完成树的镜像转换。 例如输入: 8 / \ 6 10 /\ /\ 5 7 9 11 输出: 8 / \ 10 6 /\ /\ 11 9 7 5 定义二元查找

如何理解概率分布函数和概率密度函数?

我的理解: 当是离散型时,概率函数为pi=P(X=ai)(i=1,2,3,4,5,6),每次只能取一个点的概率;把所有可能的离散型随机变量的值分布和值的概率都列举出来那就是概率分布;概率分布函数就是在某一个区间内概率发生的情况,也就是概率函数取值的累加结果,例如F(X)=P(X<=a) =X取值小于等于a时的概率和。 当是连续性时,概率密度函数(对应于离散型的概率函数)有具体的意义,但是不能直接

正态分布,泊松分布,指数分布的c/c++代码

https://blog.csdn.net/u012480384/article/details/50838832

对于二元加法序列密码,已知输入序列M为0x23456789,密钥序列Z为0x87654321,求输出序列C。

题解: 1.分析: 加密:依次把明文序列与密钥序列中的对应项做异或,也叫二元加法运算 解密:密钥序列与密文序列中的对应项做二元加法运算(异或) 2.操作   (1)输入序列化为二进制 输入序列 转为二进制 2 0010 3 0011 4 0100 5 0101 6 0110 7 0111 8 1000 9 1001 tips(十进制化二进

什么是正态分布

最重要的连续分布的通用名是概率密度函数,而标准正态分布(Standard Normal Distribution) 是最重要的概率密度函数。这个连续分布之所以重要,我认为是因为它非常常见,换句话说,我们会很常用到它。标准正态分布(Standard Normal Distribution)的英文中的normal有正常,通用等意思,也就是说在生活中有很多东西都具有一般的、通用的模式,这个连续分布可以用