DeepSORT(目标跟踪算法)中自由度决定卡方分布的形状

DeepSORT(目标跟踪算法)中自由度决定卡方分布的形状

flyfish

重要的两个点

自由度决定卡方分布的形状(本文)
马氏距离的平方在多维正态分布下服从自由度为 k 的卡方分布

独立的信息

在统计学中,独立的信息是指数据中的独立变量或值的数量。当我们计算样本统计量(如平均值或方差)时,某些数据点的值可以从其他数据点和统计量中推导出来,因此这些点不再提供独立的信息。

卡方分布是一种统计学上的概率分布,通常用于假设检验,比如检验数据的独立性或适合度。卡方分布描述的是一个变量的值如何分布,特别是当这些变量表示方差或者是两个变量之间的独立性时。它的形状取决于自由度(degree of freedom, df),自由度越高,分布越接近正态分布。

绘制几个不同自由度下的卡方分布

py 复制代码
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats as stats

# 定义自由度
dfs = [1, 2, 3, 5, 10]

# 设置x轴范围
x = np.linspace(0, 20, 1000)

# 创建图形
plt.figure(figsize=(10, 6))

# 绘制不同自由度的卡方分布曲线
for df in dfs:
    plt.plot(x, stats.chi2.pdf(x, df), label=f'df={df}')

# 添加图例和标签
plt.legend()
plt.xlabel('Value')
plt.ylabel('Probability Density')
plt.title('Chi-Square Distribution')
plt.grid(True)

# 显示图形
plt.show()

卡方分布图:

  1. df=1:分布最偏,右侧有长尾。
  2. df=2:开始向左侧移动,但仍有右侧长尾。
  3. df=3:分布更集中,右侧长尾减弱。
  4. df=5:分布更靠近正态分布,右侧尾巴更短。
  5. df=10 :非常接近正态分布,右侧尾巴很短。
    这种图形有助于理解自由度对卡方分布形状的影响。随着自由度增加,卡方分布逐渐向正态分布靠拢。

卡方分布的公式

可以用以下数学表达式来表示:

f ( x ; k ) = 1 2 k / 2 Γ ( k / 2 ) x k / 2 − 1 e − x / 2 f(x; k) = \frac{1}{2^{k/2} \Gamma(k/2)} x^{k/2-1} e^{-x/2} f(x;k)=2k/2Γ(k/2)1xk/2−1e−x/2

其中:

  • x x x 是卡方变量(取非负值)。
  • k k k 是自由度(degrees of freedom)。
  • Γ \Gamma Γ 是伽玛函数(Gamma function),它是阶乘函数的一种扩展,满足 Γ ( n ) = ( n − 1 ) ! \Gamma(n) = (n-1)! Γ(n)=(n−1)! 对于正整数 n n n。

伽玛函数 (Gamma function)

伽玛函数是一种特殊函数,它是阶乘函数在非整数值上的扩展。对于一个正整数 n n n,伽玛函数 Γ ( n ) \Gamma(n) Γ(n) 等于 ( n − 1 ) ! (n-1)! (n−1)!。伽玛函数的定义是:

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t   d t \Gamma(z) = \int_0^\infty t^{z-1} e^{-t} \, dt Γ(z)=∫0∞tz−1e−tdt

当 z z z 是正整数时,伽玛函数满足 Γ ( n ) = ( n − 1 ) ! \Gamma(n) = (n-1)! Γ(n)=(n−1)!。

通常自由度等于数据点的数量减去你计算中所涉及的参数数量。

例如:

  1. 样本的平均值计算
  • 你有 n n n 个数据点。
  • 计算平均值需要一个参数(就是这个平均值)。
  • 因此,自由度是 n − 1 n-1 n−1。
  1. 线性回归
  • 假设你有 n n n 个数据点和两个参数(斜率和截距)。
  • 自由度是 n − 2 n-2 n−2。

假设我们有5个数据点 x 1 , x 2 , x 3 , x 4 , x 5 x_1, x_2, x_3, x_4, x_5 x1,x2,x3,x4,x5:

  1. 计算平均值
    x ˉ = x 1 + x 2 + x 3 + x 4 + x 5 5 \bar{x} = \frac{x_1 + x_2 + x_3 + x_4 + x_5}{5} xˉ=5x1+x2+x3+x4+x5
  2. 计算每个数据点的偏差 (数据点与平均值的差):
    d 1 = x 1 − x ˉ d_1 = x_1 - \bar{x} d1=x1−xˉ
    d 2 = x 2 − x ˉ d_2 = x_2 - \bar{x} d2=x2−xˉ
    d 3 = x 3 − x ˉ d_3 = x_3 - \bar{x} d3=x3−xˉ
    d 4 = x 4 − x ˉ d_4 = x_4 - \bar{x} d4=x4−xˉ
    d 5 = x 5 − x ˉ d_5 = x_5 - \bar{x} d5=x5−xˉ
    偏差的和为零:
    d 1 + d 2 + d 3 + d 4 + d 5 = 0 d_1 + d_2 + d_3 + d_4 + d_5 = 0 d1+d2+d3+d4+d5=0

这表明,知道了前4个偏差 d 1 , d 2 , d 3 , d 4 d_1, d_2, d_3, d_4 d1,d2,d3,d4 后,第5个偏差 d 5 d_5 d5 是可以通过前4个偏差计算出来的,因为偏差的总和必须为零:
d 5 = − ( d 1 + d 2 + d 3 + d 4 ) d_5 = - (d_1 + d_2 + d_3 + d_4) d5=−(d1+d2+d3+d4)

这说明第5个偏差并不是独立的,它依赖于前4个偏差。

自由度的减少

当我们计算平均值时,我们使用了所有数据点的信息,这个平均值本身是由这些数据点计算出来的,因此在计算方差时,有一个数据点的信息量不再是独立的(因为它可以从其他数据点和平均值推导出来)。这就是为什么在计算方差时,自由度是 n − 1 n-1 n−1。

无论最后一个数据点是大是小,这个推理过程都成立。因为平均值 x ˉ \bar{x} xˉ 是所有数据点的一个函数,在计算方差时,所有数据点与平均值的偏差和为零:

∑ i = 1 n ( x i − x ˉ ) = 0 \sum_{i=1}^{n} (x_i - \bar{x}) = 0 i=1∑n(xi−xˉ)=0

这表明,如果你知道 n − 1 n-1 n−1 个偏差,那么最后一个偏差是可以通过前面 n − 1 n-1 n−1 个偏差计算出来的。因此,总共有 n − 1 n-1 n−1 个独立的信息,这就是我们在计算样本方差时为什么使用 n − 1 n-1 n−1 作为分母。

自由度的作用

  1. 调整估计偏差

    使用自由度调整计算可以消除估计过程中的偏差,使得估计结果更加准确。例如,样本方差的计算使用 n − 1 n-1 n−1 作为分母,使其成为总体方差的无偏估计。

  2. 反映数据独立性

    自由度表示数据集中独立信息的数量。在统计计算中,自由度反映了可以自由变动的数据点数量,而不受其他数据点或估计参数的约束。

  3. 决定分布形状

    在假设检验中,自由度决定了统计量的分布形状,如卡方分布。不同的自由度会导致分布形状不同,从而影响显著性水平和置信区间的计算。

要深入理解样本方差、总体方差以及无偏估计的概念,首先需要了解一些基础定义和背景知识。让我们逐一解释这些概念。

样本方差、总体方差、无偏估计

总体方差(Population Variance)

总体方差是描述总体数据的离散程度的度量,表示总体数据点与总体均值之间的平均平方偏差。假设总体中有 N N N 个数据点 X 1 , X 2 , ... , X N X_1, X_2, \ldots, X_N X1,X2,...,XN,总体方差的计算公式为:
σ 2 = 1 N ∑ i = 1 N ( X i − μ ) 2 \sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (X_i - \mu)^2 σ2=N1∑i=1N(Xi−μ)2

其中, μ \mu μ 是总体的平均值。

样本方差(Sample Variance)

样本方差是从样本数据中估计总体方差的度量,表示样本数据点与样本均值之间的平均平方偏差。假设样本中有 n n n 个数据点 x 1 , x 2 , ... , x n x_1, x_2, \ldots, x_n x1,x2,...,xn,样本方差的计算公式为:
s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2 s2=n−11∑i=1n(xi−xˉ)2

其中, x ˉ \bar{x} xˉ 是样本的平均值。

无偏估计(Unbiased Estimator)

一个估计量是无偏的,如果其期望值等于所要估计的总体参数。即,对于样本方差 s 2 s^2 s2 来说,当它作为总体方差 σ 2 \sigma^2 σ2 的估计时,满足以下条件:
E [ s 2 ] = σ 2 \mathbb{E}[s^2] = \sigma^2 E[s2]=σ2

其中, E \mathbb{E} E 表示期望值。

举例子

使用总体数据 2 , 4 , 6 , 8 , 10 2, 4, 6, 8, 10 2,4,6,8,10 来计算总体方差和样本方差。

总体方差
  1. 计算总体平均值
    μ = 2 + 4 + 6 + 8 + 10 5 = 6 \mu = \frac{2 + 4 + 6 + 8 + 10}{5} = 6 μ=52+4+6+8+10=6
  2. 计算每个数据点的平方偏差
    ( 2 − 6 ) 2 = 16 (2 - 6)^2 = 16 (2−6)2=16
    ( 4 − 6 ) 2 = 4 (4 - 6)^2 = 4 (4−6)2=4
    ( 6 − 6 ) 2 = 0 (6 - 6)^2 = 0 (6−6)2=0
    ( 8 − 6 ) 2 = 4 (8 - 6)^2 = 4 (8−6)2=4
    ( 10 − 6 ) 2 = 16 (10 - 6)^2 = 16 (10−6)2=16
  3. 计算总体方差
    σ 2 = 1 5 ( 16 + 4 + 0 + 4 + 16 ) = 40 5 = 8 \sigma^2 = \frac{1}{5} (16 + 4 + 0 + 4 + 16) = \frac{40}{5} = 8 σ2=51(16+4+0+4+16)=540=8
样本方差的无偏估计

假设我们抽取多个样本,每个样本包含3个数据点:

样本 1 : 2 , 4 , 6 2, 4, 6 2,4,6

  1. 样本平均值
    x ˉ 1 = 2 + 4 + 6 3 = 4 \bar{x}_1 = \frac{2 + 4 + 6}{3} = 4 xˉ1=32+4+6=4

  2. 平方偏差
    ( 2 − 4 ) 2 = 4 (2 - 4)^2 = 4 (2−4)2=4
    ( 4 − 4 ) 2 = 0 (4 - 4)^2 = 0 (4−4)2=0
    ( 6 − 4 ) 2 = 4 (6 - 4)^2 = 4 (6−4)2=4

  3. 样本方差(无偏估计)
    s 1 2 = 1 3 − 1 ( 4 + 0 + 4 ) = 8 2 = 4 s^2_1 = \frac{1}{3-1} (4 + 0 + 4) = \frac{8}{2} = 4 s12=3−11(4+0+4)=28=4
    样本 2 : 4 , 6 , 8 4, 6, 8 4,6,8

  4. 样本平均值
    x ˉ 2 = 4 + 6 + 8 3 = 6 \bar{x}_2 = \frac{4 + 6 + 8}{3} = 6 xˉ2=34+6+8=6

  5. 平方偏差
    ( 4 − 6 ) 2 = 4 (4 - 6)^2 = 4 (4−6)2=4
    ( 6 − 6 ) 2 = 0 (6 - 6)^2 = 0 (6−6)2=0
    ( 8 − 6 ) 2 = 4 (8 - 6)^2 = 4 (8−6)2=4

  6. 样本方差(无偏估计)
    s 2 2 = 1 3 − 1 ( 4 + 0 + 4 ) = 8 2 = 4 s^2_2 = \frac{1}{3-1} (4 + 0 + 4) = \frac{8}{2} = 4 s22=3−11(4+0+4)=28=4
    样本 3 : 6 , 8 , 10 6, 8, 10 6,8,10

  7. 样本平均值
    x ˉ 3 = 6 + 8 + 10 3 = 8 \bar{x}_3 = \frac{6 + 8 + 10}{3} = 8 xˉ3=36+8+10=8

  8. 平方偏差
    ( 6 − 8 ) 2 = 4 (6 - 8)^2 = 4 (6−8)2=4
    ( 8 − 8 ) 2 = 0 (8 - 8)^2 = 0 (8−8)2=0
    ( 10 − 8 ) 2 = 4 (10 - 8)^2 = 4 (10−8)2=4

  9. 样本方差(无偏估计)
    s 3 2 = 1 3 − 1 ( 4 + 0 + 4 ) = 8 2 = 4 s^2_3 = \frac{1}{3-1} (4 + 0 + 4) = \frac{8}{2} = 4 s32=3−11(4+0+4)=28=4

    我们看到,不同的样本有不同的方差,但这些样本方差的平均值趋向于总体方差。这是无偏估计的意义:期望值(平均值)等于总体方差。

结论

  1. 总体方差 :总体所有数据点的平均平方偏差。在例子中,计算得到总体方差为 8。

  2. 样本方差(无偏估计) :为了估计总体方差,样本方差用 n − 1 n-1 n−1 作为分母,使其期望值等于总体方差。对于样本方差来说,使用 n − 1 n-1 n−1 作为分母确保其期望值等于总体方差。这并不意味着每一个具体的样本方差都等于总体方差,而是多个样本方差的平均值会接近于总体方差。

  3. 无偏估计的意义 :单个样本方差不一定等于总体方差,但多个样本方差的平均值会接近于总体方差,从而实现无偏估计的目标。无偏估计的概念是基于期望值的。当我们从总体中抽取一个样本并计算样本方差时,我们使用 n − 1 n-1 n−1 作为分母而不是 n n n。这是因为样本均值 x ˉ \bar{x} xˉ 是用所有 n n n 个数据点计算出来的,这使得样本中的偏差和为零,消耗了一个自由度。使用 n − 1 n-1 n−1 可以使样本方差成为总体方差的无偏估计。

通过无偏估计,确保在长远来看,估计值不会系统性地偏离真实值。

相关推荐
热爱跑步的恒川38 分钟前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程
励志成为嵌入式工程师2 小时前
c语言简单编程练习9
c语言·开发语言·算法·vim
捕鲸叉2 小时前
创建线程时传递参数给线程
开发语言·c++·算法
A charmer2 小时前
【C++】vector 类深度解析:探索动态数组的奥秘
开发语言·c++·算法
wheeldown3 小时前
【数据结构】选择排序
数据结构·算法·排序算法
阡之尘埃3 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
观音山保我别报错4 小时前
C语言扫雷小游戏
c语言·开发语言·算法
孙同学要努力5 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20215 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
TangKenny5 小时前
计算网络信号
java·算法·华为