Die multivariate Normalverteilung ist eine Verallgemeinerung der eindimensionalen (univariaten) Normalverteilung auf höhere Dimensionen. (Auch multivariate Gaußsche genannt)
Gemäß diesem sehr interessanten Artikel im Quanta Magazine: "Ein lang ersehnter Beweis, gefunden und fast verloren" - wurde bewiesen, dass ein gegebener Vektor eine multivariate Gaußsche Verteilung hat, und gegebenen Intervallen I 1 , ... , I n , die mittels der entsprechenden Komponenten zentriert um x , dannx =( …
Mich interessiert, wie man ein Quantil einer multivariaten Verteilung berechnen kann. In den Abbildungen habe ich die 5% - und 95% -Quantile einer gegebenen univariaten Normalverteilung gezeichnet (links). Für die richtige multivariate Normalverteilung stelle ich mir vor, dass ein Analog eine Isolinie ist, die die Basis der Dichtefunktion umgibt. Unten …
Kontext Der multivariate Gauß-Faktor wird beim maschinellen Lernen häufig verwendet. Die folgenden Ergebnisse werden in vielen ML-Büchern und -Kursen ohne die Ableitungen verwendet. Gegebene Daten in Form einer Matrix der Dimensionen , wenn wir annehmen, dass die Daten einer variaten Gaußschen Verteilung mit Parametern mean ( ) und covarianz matrix …
Diese Behauptung wurde in der Antwort auf diese Frage angesprochen . Ich denke, die Warum-Frage ist so unterschiedlich, dass sie einen neuen Thread rechtfertigt. Googeln "erschöpfendes Maß an Assoziation" brachte keine Treffer, und ich bin mir nicht sicher, was dieser Ausdruck bedeutet.
Ich habe die Sample-Kovarianzmatrix eines Samples geschätzt und eine symmetrische Matrix erhalten. Mit , würde Ich mag schaffen -variate normalverteilt rn aber deshalb muss ich die Cholesky - Zerlegung von . Was soll ich tun, wenn nicht eindeutig ist?C n C CCCCCCCnnnCCCCCC
Ich versuche gerade, Werte einer dimensionalen Zufallsvariablen zu simulieren , die eine multivariate Normalverteilung mit dem mittleren Vektor und der Kovarianzmatrix .NNNXXXμ=(μ1,...,μN)Tμ=(μ1,...,μN)T\mu = (\mu_1,...,\mu_N)^TSSS Ich hoffe, eine Prozedur zu verwenden, die der inversen CDF-Methode ähnelt, was bedeutet, dass ich zuerst eine dimensionale einheitliche Zufallsvariable generieren und diese dann in die …
In Kommentaren , die meiner Antwort auf eine verwandte Frage folgen, fragten Benutzer ssdecontrol und Glen_b, ob eine gemeinsame Normalität von und notwendig ist, um die Normalität der Summe zu behaupten . Dass Gelenknormalität ausreicht, ist natürlich bekannt. Diese Zusatzfrage wurde dort nicht angesprochen und ist vielleicht für sich allein …
Ich möchte effizient Samples aus zeichnen , unter der Bedingung, dass .x∈Rdx∈Rdx \in \mathbb{R}^dN(μ,Σ)N(μ,Σ)\mathcal{N}(\mu, \Sigma)||x||2=1||x||2=1||x||_2 = 1
In einem Strukturgleichungsmodell wird häufig der ML-Schätzer verwendet. Kann ML verwendet werden, wenn die Variablen nicht multivariat normal sind? Oft sind die Indikatoren, mit denen Sie arbeiten können, nicht multivariat normal. Ich bin mir nicht sicher, wie ich in diesem Fall vorgehen soll.
Ich bin zu der Überzeugung gelangt (siehe hier und hier ), dass der Mahalanobis-Abstand dem euklidischen Abstand in den PCA-gedrehten Daten entspricht. Mit anderen Worten, multivariate normale DatenX.XX, die Mahalanobis Entfernung aller xxx's von einem bestimmten Punkt (sagen wir 00\mathbf{0}) sollte dem euklidischen Abstand der Einträge von entsprechen X.r o …
Ich möchte in der Lage sein, Werte aus einer dimensionalen multivariaten Gaußschen Verteilung zu generieren mit gegebenen Mitteln und einer Kovarianzmatrix auf den Bereich abgeschnitten ist, so dass sie sich zu eins summieren.nnn[0,1][0,1][0, 1] Ich denke, dies ist dasselbe wie das Abtasten aus dem Standard- Implex nach der Gaußschen Verteilung, …
Was ist die erwartete Größe, dh der euklidische Abstand vom Ursprung, eines Vektors, der aus einer p-dimensionalen sphärischen Normalen mit und , wo die Identitätsmatrix?Np(μ,Σ)Np(μ,Σ)\mathcal{N}_p(\mu,\Sigma)μ=0⃗ μ=0→\mu=\vec{0}Σ=σ2IΣ=σ2I\Sigma=\sigma^2 IIII Im univariaten Fall läuft dies auf , wobei . Dies ist der Mittelwert einer gefalteten Normalverteilung mit Mittelwert und Varianz , der wie …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.