各种各样的分布函数-多维正态分布_多维分布函数形式大全-CSDN博客

本文链接：https://blog.csdn.net/Costwen/article/details/105317173

本文深入探讨了二维正态分布的性质，包括协方差与相关系数的关系，线性组合的正态分布特性，以及独立性的条件。同时，介绍了多维正态分布的函数形式与关键性质，如由均值向量和协方差矩阵唯一确定，以及通过线性变换实现的标准化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先了解一下二维正态分布(没有学概率论正态分布了解限于高中知识)

二维正态分布

$设 (X, Y)$ ~ $N(μ1,σ12;μ2,σ22;ρ)N(\mu_1,\sigma^2_1;\mu_2,\sigma^2_2;\rho)$

(1) $cov(X,Y)=ρσ1σ2cov(X,Y)=\rho\sigma_1\sigma_2$

由相关系数的定义: $ρ=cov(X,Y)D(X)D(Y)\rho =\frac{cov(X,Y)}{\sqrt{D(X)D(Y)}}$ ,可以得出。

(2) $Z=k_1X+k_2Y+b$ 服从正态分布

则有如下性质:

$k_1^2\sigma_1^2+k_2^2\sigma_2^2+2k_1k_2\rho\sigma_1\sigma_2$

(3) $\Leftrightarrow \rho=0$

多维正态分布

函数形式:

$f(x1,x2,...,xp)=1(2π)p2∣V∣12e−12(X−μ)TV−1(X−μ)f(x_1,x_2,...,x_p)=\frac{1}{(2\pi)^{\frac p2}|V|^\frac 12}e^{-\frac 12(X-\mu)^TV^{-1}(X-\mu)}$ , 其中V是协方差矩阵

对比一下一维的形式

$f(x1,x2,...,xp)=12πσe−(x−μ)22σ2f(x_1,x_2,...,x_p)=\frac{1}{\sqrt{2\pi}\sigma} e^{\frac{-(x-\mu)^2}{2\sigma^2}}$

性质

去掉了一些我觉得没啥用的性质

(1) p维正态分布由其均质向量和协方差阵唯一确定(这不是废话吗)

(2) 设 $X$ ~ $Np(μ,V)N_p(\mu,V)$ , $A是m×p常数矩阵,b是m维向量,令Y=AX+b,则YA是m\times p常数矩阵,b是m维向量,令Y = AX+b,则Y$ ~ $Nm(Aμ+b,AVAT)N_m(A\mu+b,AVA^T)$

证明：

第一个没啥好证明的,第二个 $D(Y)=D(AX)=cov(AX,AX)=Acov(X,X)AT=Aσ2ATD(Y)=D(AX)=cov(AX,AX)=Acov(X,X)A^T=A\sigma^2A^T$

(3)若 $X$ ~ $Np(μ,V)N_p(\mu,V)$ ,且 $∣V∣≠0,则η=(X−μ)TV−1(X−μ)|V|\neq 0,则\eta = (X-\mu)^TV^{-1}(X-\mu)$ ~ $χ2(p)\chi^2(p)$

证明:
$Y=V−12(X−μ),则E(Y)=V−12(X−μ)=0Y=V^{\frac {-1}2}(X-\mu),则E(Y)=V^{\frac {-1}2}(X-\mu)=0$

$D(Y)=V12V(V12)T=ID(Y)=V^{\frac 12}V(V^{\frac 12})^T=I$ ,说明各个分量相互独立,而且都服从标准正态分布

$\eta = Y^TY=\Sigma_1^p y_i^2$ (因为各个分量相互独立)，所以 $η\eta$ ~ $χ2(p)\chi^2(p)$

(4) 设 $X$ ~ $Np(μ,V),V>0N_p(\mu,V),V>0$ ,则存在 $p×p矩阵B(BBT=V)使得X=BY+μp\times p矩阵B(BB^T=V)使得X=BY+\mu$ ,其中 $Y$ ~ $N_p(0,I_p)$

实际的意义就是说如果协方差矩阵是正定矩阵,用一个标准化的正态分布矩阵可以通过线性变换和平移变换成另一个正态分布矩阵