球的体积和面积
在我们所熟知的二维、三维空间中,一个向量是善于被理解的。但是对于数据空间,例如
正如物理中的
我们考察球的参数,以期找到规律:
二维的单位圆:
三维的单位球:
利用小学二年级大约的确做过的找规律,
体积的计算,无非是积分,又根据我们在二维和三维所得到的经验,换为极坐标是便于计算的,那么高维的极坐标如何呢?依旧找规律。
二维
三维
一方面,
那么因为
也就是说我们的猜测相当合理。那如何具体算出来
高维空间中的点们
样本我们可以视作随机分布的点,最常用的假设也就是高斯分布了。
概率论的 Lemma
研究这些样本点分布,大约逃不开大数定理,从而绕不开 Chebyshev,Markov
Markov’s inequality
这里要求
第一个不等号因为被积函数的非负,第二个不等号因为被积区域的
Chebyshev’s inequality
利用方差能够给出一个随机变量到期望的偏移的约束。形式上这很像
这实际上也就是要证明的形式。
Law of Large Numbers
考虑随机变量的若干取值
这就长得非常像 Chebyshev 了,我们做等价变换,利用期望的线性:
这就可以用 Chebyshev 了
再结合
就得到了结论
反直觉的现象
质量分布在边缘的 bubble
不论二维或是三维,似乎高斯分布的大部分面积或是体积都在 0 附近,但是我们可以如下计算期望为 0 ,方差为 1 的高维高斯分布。
那么到原点的距离期望也就是
换言之,大部分的点都落在
另一种更直接的办法是,考虑
那么固定
任意两点几乎都等距正交
同样地,我们考虑随机变量
也就是说近似有
可知几乎等距,又由二者到原点几乎都是
着实相当有趣,尽管 unintuitive 。
高维球的体积
尽管解锁了一些有趣的事实,体积我们仍不会算。但是想到概率,既然假定了高斯分布,我们也就能算概率,无非是个积分,舍弃不那么容易记住的归一化系数,总之要算
这也就是伽马函数的形式
那还有个
由于独立性,这实际上可以拆成
这个积分我们实际上熟悉,可以平方后转极坐标处理,结果是
两种概率的算法,我们通过算两次发现了
相当漂亮,那么也就知道了
也可以利用伽马函数的递推性质写干净一点
算算维度超级大会怎么样,我们考虑极限,那么只需要考虑
阶乘更高阶,所以
虽然不知道和信息科学有什么关系,总之挺好玩。