从离散联合概率分布计算边际分布
Calculating marginal distribution from Discrete Joint Probability Distribution
我的问题与多变量联合分布有关。我有一个源变量 "x" 和多个接收者 "y1" "y2" "y3"。我有每个联合分布 p(x,y1),p(x,y2),p(x,y3)。
我的问题是如何从 3 的组合中得到 p(x)。
我心中的问题是
如果我从 p(x,y1) 计算 p(x)。我已经认为这应该正是从其他联合分布中获得的 p(x)。但在真实场景中，我们必须估计这些分布，它们会为 p(x) 产生不同的边际。
我还没有代码，但如果有人能指出方向，那真的很有帮助
我在论文中致力于使用信念网络对传感器进行建模。请参阅：http://riso.sourceforge.net 我的论文在页面上有点靠后。第 6.5 节描述了测量相同事物的传感器模型。
简而言之，当您对同一事物 x 进行多次测量 y1, y2, y3 时，您可以将所有这些的联合概率建模为 p(x, y1, y2, y3) = p(y1 | x) p(y2 | x) p(y3 | x) p(x)，其中每个 p(y | x) 是一个测量模型，即它表示测量是被测量事物的函数的方式。那么目标就是计算p(x | y1, y2, y3)。事实证明，它与 p(y1 | x) p(y2 | x) p(y3 | x) p(x) 成正比，比例常数是使表达式在 x 上积分为 1 所需的任何值。即，要组合来自多个传感器的信息，给定此模型，您将它们相乘。
如果您在 stats.stackexchange.com 上提出问题，我可以多说一些。希望这有帮助。
我的问题与多变量联合分布有关。我有一个源变量 "x" 和多个接收者 "y1" "y2" "y3"。我有每个联合分布 p(x,y1),p(x,y2),p(x,y3)。 我的问题是如何从 3 的组合中得到 p(x)。 我心中的问题是
如果我从 p(x,y1) 计算 p(x)。我已经认为这应该正是从其他联合分布中获得的 p(x)。但在真实场景中，我们必须估计这些分布，它们会为 p(x) 产生不同的边际。
我还没有代码，但如果有人能指出方向，那真的很有帮助
我在论文中致力于使用信念网络对传感器进行建模。请参阅：http://riso.sourceforge.net 我的论文在页面上有点靠后。第 6.5 节描述了测量相同事物的传感器模型。
简而言之，当您对同一事物 x 进行多次测量 y1, y2, y3 时，您可以将所有这些的联合概率建模为 p(x, y1, y2, y3) = p(y1 | x) p(y2 | x) p(y3 | x) p(x)，其中每个 p(y | x) 是一个测量模型，即它表示测量是被测量事物的函数的方式。那么目标就是计算p(x | y1, y2, y3)。事实证明，它与 p(y1 | x) p(y2 | x) p(y3 | x) p(x) 成正比，比例常数是使表达式在 x 上积分为 1 所需的任何值。即，要组合来自多个传感器的信息，给定此模型，您将它们相乘。
如果您在 stats.stackexchange.com 上提出问题，我可以多说一些。希望这有帮助。