DeepSORT(目标跟踪算法)中自由度决定卡方分布的形状

news2025/1/13 19:45:28

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

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()

在这里插入图片描述
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/21ex/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)=(n1)! 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)! (n1)!。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)=0tz1etdt

z z z 是正整数时,伽玛函数满足 Γ ( n ) = ( n − 1 ) ! \Gamma(n) = (n-1)! Γ(n)=(n1)!

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 n1
  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 n2

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=x1xˉ
    d 2 = x 2 − x ˉ d_2 = x_2 - \bar{x} d2=x2xˉ
    d 3 = x 3 − x ˉ d_3 = x_3 - \bar{x} d3=x3xˉ
    d 4 = x 4 − x ˉ d_4 = x_4 - \bar{x} d4=x4xˉ
    d 5 = x 5 − x ˉ d_5 = x_5 - \bar{x} d5=x5xˉ
    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 n1

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=1n(xixˉ)=0

这表明,如果你知道 n − 1 n-1 n1 个偏差,那么最后一个偏差是可以通过前面 n − 1 n-1 n1 个偏差计算出来的。因此,总共有 n − 1 n-1 n1 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 n1 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 n1 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=N1i=1N(Xiμ)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=n11i=1n(xixˉ)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 (26)2=16
    ( 4 − 6 ) 2 = 4 (4 - 6)^2 = 4 (46)2=4
    ( 6 − 6 ) 2 = 0 (6 - 6)^2 = 0 (66)2=0
    ( 8 − 6 ) 2 = 4 (8 - 6)^2 = 4 (86)2=4
    ( 10 − 6 ) 2 = 16 (10 - 6)^2 = 16 (106)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 (24)2=4
    ( 4 − 4 ) 2 = 0 (4 - 4)^2 = 0 (44)2=0
    ( 6 − 4 ) 2 = 4 (6 - 4)^2 = 4 (64)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=311(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 (46)2=4
    ( 6 − 6 ) 2 = 0 (6 - 6)^2 = 0 (66)2=0
    ( 8 − 6 ) 2 = 4 (8 - 6)^2 = 4 (86)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=311(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 (68)2=4
    ( 8 − 8 ) 2 = 0 (8 - 8)^2 = 0 (88)2=0
    ( 10 − 8 ) 2 = 4 (10 - 8)^2 = 4 (108)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=311(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
10. 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。
11. 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 n1 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 n1 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。
12. 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 n1 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 n1 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。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1810802.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

MySQL的group by与count(), *字段使用问题

文章目录 问题group by到底做了什么举个例子简单来说为什么select字段,count()不能和*共同使用总结 问题 这是一段摘抄自MySQL官网的文字。其大致意思是MySQL拓展了group by的使用,MySQL允许选择没有出现在group by中的字段。换句话说,标准SQ…

覆盖路径规划经典算法 The Boustrophedon Cellular Decomposition 论文及代码详解

2000年一篇论文 Coverage of Known Spaces: The Boustrophedon Cellular Decomposition 横空出世,解决了很多计算机和机器人领域的覆盖路径问题,今天我来详细解读这个算法。 The Boustrophedon Cellular Decomposition 算法详解 这篇论文标题为"C…

【Qt】TreeWidget中Item的UserCheckable注意事项,没有出现多选框

1. 异常 开启 ItemIsUserCheckable以后,界面上没有出现多选框。 QTreeWidgetItem *item new QTreeWidgetItem();item->setText(0, "hello");item->setFlags(Qt::ItemIsUserCheckable | Qt::ItemIsSelectable |Qt::ItemIsEnabled | Qt::ItemIsAuto…

最新thinkphp5内核全开源女神赢口红H5公众号版第五版(100%可经营)

最新thinkphp5内核全开源女神赢口红H5公众号版第五版(100%可经营) 搭建教程 1、程序为thinkPHP5开发 php版本要求5.6!不支持虚拟主机! 2、上传程序到您的根目录!导入m213.sql文件!修改数据库配置文件app…

Github 2024-06-10 开源项目日报 Top10

根据Github Trendings的统计,今日(2024-06-10统计)共有10个项目上榜。根据开发语言中项目的数量,汇总情况如下: 开发语言项目数量C项目2Go项目2PHP项目1Blade项目1TypeScript项目1Lua项目1Dart项目1Swift项目1Cuda项目1Python项目1MDX项目1Ventoy: 100%开源的可启动USB解决方…

考虑双碳分时价格的综合能源系统低碳优化调度

目录 一、主要内容介绍: 二、仿真结果: 三、研究内容: 四、代码下载: 一、主要内容介绍: 在含电热气多种能源的综合能源系统中,复杂的能量转换关系以及可再生能源和负荷的波动性,给综合能源…

必备:产品经理工作文档大全

产品经理(英文:Product manager,缩写:PM)也称产品企划,是指在公司中针对某项或某类的产品进行规划和管理的人员,主要负责产品的研发、制造、营销、渠道等工作。 产品经理是很难定义的一个角色&a…

群体优化算法---水波优化算法介绍以及应用于聚类数据挖掘代码示例

介绍 水波优化算法(Water Wave Optimization, WWO)是一种新兴的群智能优化算法,灵感来自水波在自然环境中的传播和衰减现象。该算法模拟了水波在水面上传播和碰撞的行为,通过这些行为来寻找问题的最优解。WWO算法由三种主要的操作…

如何发挥物联网电能表的优势

发挥物联网电能表的优势,对于提升电力系统的智能化水平、优化电力资源配置、提高用电效率以及促进环保发展等方面都具有重要意义。 一、实时监测与数据分析 物联网电能表的核心优势在于其能够实时监测电力使用情况,并通过无线网络将数据传输到云平台。…

【数据结构】图论——AOV和AOE(拓扑排序、存放表达式、关键活动、关键路径)

目录 AOV和AOEAOV 有向无环图及其应用(拓扑结构)有向无环图的应用——存放表达式二叉树存放表达式图存放表达式 AOE 有向无环图及其应用——关键路径1. 事件的最早发生时间事件(顶点)最早发生时间的计算方法: 2. 事件允许的最晚发生时间事件(…

CV每日论文--2024.6.7

1、Convolutional Neural Networks and Vision Transformers for Fashion MNIST Classification: A Literature Review 中文标题:卷积神经网络和视觉变换器在Fashion MNIST分类任务中的应用:文献综述 简介:本文综述了在Fashion MNIST数据集上使用卷积神…

idea鼠标滚轮滚动放大缩小字体

在idea中的【file】->【settings】菜单,弹出settings窗口,点击窗口中的【Editor】->【General】,在右侧窗口中,选中【Change font size with CtrlMouse Wheel in All editors】即可。

mmyolo

cal_map2测试有问题, /home/lsw/miniconda3/envs/mmyolo/lib/python3.8/site-packages/torch/functional.py:445: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at ../aten/s…

力扣第十题 10.正则表达式匹配

目录 题目 解题思路 正则表达式代码 动态规划代码 官方解题 题目 解题思路 这次也给我捡到狗运了,反正只要一直上传,内存总会遥遥领先的,只要在你速度领先了的情况下。 这次题目还是想当的困难的。我们有两种思路,一种就是使…

Android AOSP定制去掉Google搜索栏

Android AOSP定制去掉Google搜索栏 1.前言: ​ 最近接触了Android系统定制的需求,感觉非常有意思,之前做过Launcher和串口,也自己安装过虚拟机,不过几年没用Linux系统了有点不习惯,Linux命令也不熟悉&…

[Elasticsearch] ES更新问题踩坑记录

drop table if exists tmp.test_create_table; create table if not exists tmp.test_create_table( id int, name string ) stored as parquet; 问题排查 查看ES数据 发现ES创建表的状态没有正常更新 yn 还是0 查看日志 查看日志, 截取部分关键信息: ReceiverControl…

kaggle竞赛实战9——模型融合

有三种方法, 第一种:均值融合,代码如下 data pd.read_csv(\ result/submission_randomforest.csv\ ) data[randomforest] data[target].values temp pd.read_csv(\ result/submission_lightgbm.csv\ ) …

独立游戏之路 -- 看看你是否适合做独立游戏?

独立游戏系列文章介绍 -- 分析你是否适合做独立游戏? 前言一,专栏介绍1.1 订阅须知1.2 关于作者1.3 文章累积 二, 为什么要做独立游戏?2.1 明确目标2.2 几个能力 三,你能独立到什么程度?3.1 设计3.2 美术3.…

IP纯净度对跨境电商有影响吗?

当我们谈论代理IP时,通常会提到一个重要概念,那就是“IP纯净度”。 IP纯净度是指代理IP服务中所提供的IP地址的质量、干净程度和安全性,纯净度高的IP地址通常具备低恶意软件攻击的风险、良好的访问效果、稳定性和速度以及隐私保护等特点。在…

牛客题目线段树

主要是操作三&#xff0c;怎么计算 那么只需要维护区间和和区间平方和即可&#xff0c;1/2用逆元 多个标记注意标记之间有没有影响&#xff0c;mod其实很简单的&#xff0c;但是我标记没处理好一直wa,mod乱搞一下&#xff0c;我mod很丑 #include<iostream> #include<…