2.6 隨機變數的變換
05-19
2.6 隨機變數的變換
推薦閱讀:
來自專欄 機器學習 一種概率視角 學習筆記
2.6.1 線性變換
如果 是線性函數:
則 的均值為:
其中 。如果 是標量函數 ,則相應的結果為:
方差為:
其中 。如果 為標量值函數,則結果為:
2.6.2 一般變換
如果 是離散實值則可以通過相加所有的概率質量導出概率質量函數使得 :
如果 是連續值,則使用累積分布函數:
概率密度函數可以通過累積分布函數求導得到。當單調,因此可逆時,可得:
求導可得:
其中 。由於符號並不重要,因此可得一般表達式:
可將上述結果拓展為多變數分布。令 為 到 的映射, 。則雅可比矩陣 為:
度量了單位立方體在應用 時的體積變化量。如果 是一個可逆映射,可以使用反映射 的雅可比矩陣定義變換變數的概率密度函數:
例如,考慮從笛卡爾坐標系 轉換概率密度到極坐標系 ,其中 及 。則:
及
因此
2.6.3 中心極限定理
考慮 個概率密度函數為 的隨機變數,均值為 方差為 ,每個變數獨立同分布。令 為變數之和。隨著 增加,這個和的分布趨近於
因此數量的分布:
收斂於標準正態分布,其中 是樣本均值。這稱為中心極限定理。
推薦閱讀:
※AI行業動態|2018第十五周(04.08-04.13)|自主武器、Facebook聽證會、無人銀行、商湯6億……
※CS259D:數據挖掘與網路安全講義筆記
※聚類演算法——K-Means
※邁克爾 · 喬丹:我討厭將機器學習稱為AI
※CS231N 課程筆記合集
TAG:機器學習 |