正态分布&&切比雪夫不等式

最新推荐文章于 2022-03-18 00:29:08 发布

研发之道

最新推荐文章于 2022-03-18 00:29:08 发布

阅读量5.6k

点赞数

分类专栏：搜索推荐-机器学习

未来百科AI导航：https://www.huntagi.com

本文链接：https://blog.csdn.net/lsgqjh/article/details/79186052

版权

搜索推荐-机器学习专栏收录该内容

31 篇文章 8 订阅

订阅专栏

百度百科：https://baike.baidu.com/item/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83/829892?fr=aladdin

知乎：https://www.zhihu.com/question/27821324

一维正态分布

若随机变量

服从一个位置参数为

、尺度参数为

的概率分布，且其概率密度函数为 [2]

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作

，读作

服从

，或

服从正态分布。

μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。

本词条的正态分布是一维正态分布，此外多维正态分布参见“ 二维正态分布”。

标准正态分布

当

时，正态分布就成为标准正态分布

性质

正态分布的一些性质： [2]

（1）如果

且a与b是实数，那么

(参见期望值和方差)。

（2）如果

与

是统计独立的正态随机变量，那么：

它们的和也满足正态分布

它们的差也满足正态分布

U与V两者是相互独立的。（要求X与Y的方差相等）

（3）如果

和

是独立常态随机变量，那么：

它们的积XY服从概率密度函数为p的分布

其中

是修正贝塞尔函数（modified Bessel function）

它们的比符合柯西分布，满足

（4）如果

为独立标准常态随机变量，那么

服从自由度为 n的卡方分布。

切比雪夫不等式，描述了这样一个事实，事件大多会集中在平均值附近。

2.1 切比雪夫不等式与直观感受

切比雪夫不等式是这么写的：

$P(|X-\mu | \geq k\sigma ) \leq \frac1{k^2}\\$

其中 $k > 0$ ， $\mu$ 是期望， $\sigma$ 是标准差。

我们还是通过 $\mu =1.3,\sigma =0.25$ 的正态分布来感受一下切比雪夫不等式：可见，越远离平均值，概率越低。

2.2切比雪夫不等式的证明

马尔科夫不等式是这样的：

${\displaystyle P (X\geq a)\leq {\frac{E (X)}{a}}}\\$

我们把 $|X-\mu |$ 代入：

${\displaystyle P (|X-\mu | > a)\leq {\frac{E(|X-\mu |)}{a}}}\\$

很显然等价于：

${\displaystyle P((X-\mu )^2 \geq a^2) \leq \frac{E((X-\mu )^2)}{a^2}=\frac{\sigma ^2}{a^2}}\\$

令 $k=\frac{a}{\sigma }$ ，容易得到 $k > 0$ ：

${\displaystyle P(|X-\mu | \geq k\sigma )\leq \frac{1}{k^2}}\\$

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
正态分布&&切比雪夫不等式

百度百科：https://baike.baidu.com/item/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83/829892?fr=aladdin知乎：https://www.zhihu.com/question/27821324一维正态分布若随机变量服从一个位置参数为、尺度参数为的概率分布，且其概率
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。