【概率论】3-7:多变量分布(Multivariate Distributions Part II)
title: 【概率论】3-7:多变量分布(Multivariate Distributions Part II)
categories:
- Mathematic
- Probability
keywords: - Conditional Distributions
- 条件分布
- Bayes’ Theorem
- 贝叶斯理论
- Histograms
- 直方图
- Law of total Probability
- 全概率公式
toc: true
date: 2018-03-15 09:20:38
Abstract: 本文继续上文的内容,讲解多变量分布的条件分布,全概率公式和贝叶斯公式。提出直方图的概念。
Keywords: Conditional Distributions,Law of Total Probability,Bayes’ Theorem,Histograms
开篇废话
向往自由的人更懂得约束自己,约束自己的行为,自由自己的思想,而我们现在周围的人更多的是反过来的,约束自己的思想,告诉自己不许瞎想,但是自由自己的行为,想干嘛干嘛,毕竟改革开放的红利使得大部分人从温饱过渡到有车有房还可以随意出门旅游看看世界了,而思维思想,包括知识,还停留在改革开放之前,这就导致了很诡异的一系列行为–有钱没文化。
本文继续上文,将前面的内容扩展至多变量的联合分布,最后引出关于直方图的一些知识。
Conditional Distributions
条件概率,是3.6中讲解的内容,我们反复的强调所有概率都是条件概率,所有分布也都是条件分布,所以与其说条件概率(分布)与一般的概率(分布)行为一致,不如说所有的所有的行为都是在条件概率的基础上进行的,只是我们省略了某些必然达成的条件。
假设 nnn 个随机变量 X1,…,XnX_1,\dots,X_nX1,…,Xn 有一个连续的联合分布,其联合分布式p.d.f. 是 fff 并且 f0f_0f0 定义了其中 k<nk < nk<n 个随机变量的边缘分布有 f0(x1,…,xn)>0f_0(x_1,\dots,x_n) > 0f0(x1,…,xn)>0 那么条件分布,当条件 X1=x1,…Xn=xnX_1=x_1,\dots X_n=x_nX1=x1,…Xn=xn 给定时 (xk+1,…,xn)(x_{k+1},\dots,x_n)(xk+1,…,xn) 的p.d.f.是:
gk+1,…,xn(xk+1,…,xn∣x1,…,xk)=f(x1,…,xn)f0(x1,…,xk)
g_{k+1,\dots,x_n}(x_{k+1},\dots,x_{n}|x_1,\dots,x_k)=\frac{f(x_1,\dots ,x_n)}{f_0(x_1,\dots,x_k)}
gk+1,…,xn(xk+1,…,xn∣x1,…,xk)=f0(x1,…,xk)f(x1,…,xn)
Definition 3.3.7 Conditional p.f. or p.d.f. Suppose that the random vector X⃗=(X1,…,Xn)\vec{X}=(X_1,\dots,X_n)X=(X1,…,Xn) is divided into two subvectors Y⃗\vec{Y}Y and Z⃗\vec{Z}Z ,where Y⃗\vec{Y}Y is a k-dimensional random vector comprising kkk of the nnn random variables in X⃗\vec{X}X and Z⃗\vec{Z}Z is an (n−k)(n-k)(n−k)-dimensional random vector comprising the other n−kn-kn−k random variables in X⃗\vec{X}X .Suppose also that the nnn-dimensional joint p.f. or p.d.f. of (Y⃗,Z⃗)(\vec{Y},\vec{Z})(Y,Z) is fff and that the marginal (n−k)(n-k)(n−k)-dimensional joint p.f. ,p.d.f. or p.f./p.d.f. of Z⃗\vec{Z}Z is f2f_2f2 .Then for every given point z∈Rn−kz\in\mathbb{R}^{n-k}z∈Rn−k such that f2(z)>0f_2(z)>0f2(z)>0 ,the conditional kkk-dimensional p.f. p.d.f.or p.f./p.d.f. g1g_1g1 of Y⃗\vec{Y}Y given Z⃗=z⃗\vec{Z}=\vec{z}Z=z is defined as follows:
g1(y⃗∣z⃗)=f(y⃗,z⃗)f2(z⃗) for y⃗∈Rk
g_1(\vec{y}|\vec{z})=\frac{f(\vec{y},\vec{z})}{f_2(\vec{z})} \text{ for }\vec{y}\in \mathbb{R}^k
g1(y∣z)=f2(z)f(y,z) for y∈Rk
这就是完整的定义,抄一遍下来还真写了不少字,但是整个思路很清晰,首先就是把多变量形成向量的形式,再把向量拆成两个小的空间当然上面这个定义的公式也可以写成:
f(y⃗,z⃗)=g1(y⃗∣z⃗)f2(z⃗)
f(\vec{y},\vec{z})=g_1(\vec{y}|\vec{z}) f_2(\vec{z})
f(y,z)=g1(y∣z)f2(z)
写成乘法原理的形式,解决分母是0的尴尬局面。也可以看出,通过条件分布和边缘分布得到联合分布的方法是正确的(乘法原理的正确性)。
以上为节选内容,完整原文地址:https://www.face2ai.com/Math-Probability-3-7-Multivariate-Distributions-P2转载请标明出处
最新文章
- STC系列STC10F芯片解密STC10L单片机破解复制技术
- 浏览器兼容性-JS篇
- swift 随机生成背景颜色
- 在 Windows Azure 上部署并定制化 FreeBSD 虚拟机镜像
- Pyhon编码事项
- 【转】android如何查看cpu的占用率和内存泄漏
- matlab图片清晰度调整
- Python——collections模块(扩展数据类型)
- Vue(一)安装
- C#获取指定IP地址的数据库所有数据库实例名
- Java驱动远程连接mongoDB(简明易懂版)
- kafka性能测试
- [JDBC]ORA-01000: 超出打开游标的最大数(ORA-01000: maximum open cursors exceeded)
- h5新API之WebStorage解决页面数据通信问题
- CMake结合PCL库学习(3)
- jQuery-动画点击淡化消失
- Java的继承与接口
- Week5:Neural Network BackPropagation疑难点记录
- div模拟selection标签 下拉列表
- pycharm设置字体大小