用高斯方法推导正态函数分布（保姆版）

最新推荐文章于 2024-05-16 14:52:59 发布
最新推荐文章于 2024-05-16 14:52:59 发布
阅读量259 收藏
点赞数 1
文章标签： 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Dudu_dady/article/details/121239331
版权
Dudu_dady
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
正态分布（即高斯函数）积分
11-20
描述高斯函数积分方法，查表转换。用于计算高斯函数积分
使用python绘制3维正态分布图的方法
12-26
今天使用python画了几个好玩的3D展示图，现在分享给大家。 先贴上图片 使用的python工具包为： from matplotlib import pyplot as plt import numpy as np from mpl_toolkits.mplot3d import Axes3D 在贴代码...
正态分布（高斯分布）的由来（公式推导）
hj_0317的博客
09-16 5160
正态分布的公式是怎么推导出来的
正态分布简单介绍
我要出家当道士
12-10 7433
摘要         若随机变量X服从一个数学期望为μ、标准方差为σ2σ^2σ2的高斯分布，记为：X∼N(μ,σ2σ^2σ2)。         其概率密度函数为： f(x)=1σ2πe−(x−μ)22σ2,−∞<x<∞ f(x...
高斯分布 正态分布的推导
ResumeProject的博客
12-08 1243
∫−∞∞e−x2dx=π的推导\int _ { - \infty } ^ { \infty }e^{-x^2} dx= \sqrt { \pi } 的推导∫−∞∞​e−x2dx=π​的推导 ∬e−x2e−y2dxdy=∬e−(x2+y2)dxdy⟶dxdy=rdθdr∫02πdθ∫0+∞12er2dr2\iint e^{-x^2}e^{-y^2}dxdy=\iint e^{-(x^2+y^2)}dxdy \stackrel{dxdy=rdθdr}{\longrightarrow} \int_0
正态分布函数(高斯函数)详解
u012370185的博客
05-16 11万+
正态分布 X ~：随机变量X的取值和其对应的概率值P(X = ) 满足正态分布（高斯函数） 很多随机现象可以用正态分布描述或者近似描述 某些概率分布可以用正态分布近似计算 1.概率密度函数： 2.正态分布函数曲线的性质： 3.正态分布的概率分布函数 概率分布函数是正态分布曲线的定积分，公式为： 正态分布曲线与x轴围成的面积是1(积分区间是负无穷到正无穷) 的值代表...
标准正态分布函数表
愤怒的小兵
07-29 2万+
正态分布(Normal distribution)
queeniewsy的博客
04-16 4919
目录 概念 性质 标准正态分布 "3σ"法则 概念 若连续性随机变量X的概率密度为 其中为平均数，为标准差，为常数，则称X服从参数为的正态分布或高斯(Gauss)分布，记为. X的分布函数为 1.正态分布的图形 性质 曲线关于对称，这表明对于任意有 . 当时，取到最大值 . 离越远，的值越小，表明对于同样长度的区间，当区间离越远，X落在这个区间上的概率越小. 在处曲线有拐点. 曲线以轴为渐近线. ...
正态分布，Q函数，误差函数，补误差函数
枇杷树上的博客
07-30 2万+
正态函数（高斯分布） 若随机变量X服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为 f(x)=12π−−√σe−(x−μ)22σ2f(x)=12πσe−(x−μ)22σ2f(x)=\frac{1}{\sqrt{2π} \sigma}e^{-\frac{(x- \mu)^{2}}{2 \sigma ^{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...
Python数据可视化实现正态分布（高斯分布）
12-26
正态分布（Normal distribution）又成为高斯分布（Gaussian distribution） 若随机变量X服从一个数学期望为、标准方差为的高斯分布，记为： 则其概率密度函数为： 正态分布的期望值决定了其位置，其标准差决定...
python高斯分布概率密度函数的使用详解
01-20
如下所示： import matplotlib.pyplot as plt import numpy as np from scipy import stats from matplotlib import style style.use('fivethirtyeight') mu_params = [-1, 0, 1] sd_params = [0.5, 1, 1.5] ...
画二维正态分布函数图像matlab代码
02-26
用matlab画二维正态函数图像 画坐标网格 [x,y]=meshgrid(-5:0.1:5,-5:0.1:5) 正态分布密度函数 f=1/(2*pi*sigma1*sigma2*sqrt(1-p*p))*exp(-1/(2*(1-p*p))*(((x-u1).^2)./(sigma1*sigma1)-2*p*((x-u1)*(y-u2))./...
统计学相关-正态分布推导
CSDNXXCQ的博客
04-08 3543
部分内容引自百度百科 正态分布 由来:1805年勒让德计算彗星轨道时首次采用了最小二乘法， 高斯在1809年时在写<<天体运动理论>>，然后发现其计算过程中会出现误差，在求误差的过程中发现其误差呈正态分布(Normal distribution)，又称高斯分布(Gaussian distribution)，并用最小二乘法去验证 假设误差的密度函数为f(x)，有n个独立观测值，x1…xn，真实值为x 正常来讲，大部分的误差都是在标准范围内进行变动的， 于是，为了表示误差，就能构造一个函
正态分布的推导过程
weixin_50930712的博客
08-07 1011
纯数学方法推导正态分布的概率密度函数。
【统计学习方法】高斯分布公式推导
idwtwt的专栏
03-07 5917
1 基本概念准备 1.1 扇形计算公式 1.2 二重积分用极坐标表示 (略去高阶无穷小) 所以 2 高斯分布公式 2.1 高斯概率密度函数的的积分 令 则 用极坐标表示： 则： 所以： 2.2 高斯分布的期望 令 则： 这里为奇函数，所以积分结果为0 所以： 这里 参考： 高斯分布期望...
正态分布（Normal distribution）又名高斯分布（Gaussian distribution）
热门推荐
rns521的专栏
11-09 38万+
正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。 若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为： X∼N(μ,σ2), 则其概率密度函数为 正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度
正态分布的由来及推导
STcyclone的博客
01-01 2万+
P(yi=1)=∫0P(y_i=1)=\int_{0}^{}P(yi​=1)=∫0​ P(Y&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;gt;22)P(Y&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;gt;22)P(Y&amp;amp;
高斯分布数学性质及推导（一）：如何证明高斯分布的积分为1
Weiwei_xu_g的博客
02-05 8886
高斯分布是概率统计和机器学习中最常用到的分布之一，在数学上经常被记为N(μ,∑)\mathcal{N}(\mu, \sum)N(μ,∑)，其中μ\muμ为均值，∑\sum∑是协方差矩阵。高维高斯分布的具体形式如下： N(μ,∑)=1(2π)D2∣∑∣12e−12(x−μ)T∑−1(x−μ),      (1)\mathcal{N}(\mu...
概率论统计——大数定律
最新发布
qq_44630195的博客
05-16 329
大数定律 弱大数定律（辛钦大数定律） 利用切比雪夫不等式，证明弱大数定律 应用 伯努利大数定理，（辛钦大数定理的推论） 证明伯努利大数定理 注意：这里将二项分布转化成0,1分布来表示，这一步很关键
正态分布均值的贝叶斯估计公式的详细推导pdf
09-25
贝叶斯估计是一种参数估计的方法，它结合了先验概率和观测数据来得出对参数的估计值。对于正态分布的均值的贝叶斯估计公式推导如下： 设原始数据的样本集合为X={x1, x2, ..., xn}，假设这些样本是独立同分布的，并服从正态分布N(μ, σ^2)。其中μ为均值，σ^2为方差，我们的目标是对均值μ进行估计。 首先，我们引入先验概率密度函数p(μ)，表示对均值μ的预先假设。一般我们使用无信息先验，即假设μ的先验服从一个较为平坦的概率分布，比如均匀分布或者高斯分布。 根据贝叶斯定理，可以得到参数μ的后验概率分布公式为： p(μ|X) = p(X|μ) * p(μ) / p(X) 其中p(X|μ)为似然函数，表示给定μ下，样本X出现的概率；p(μ)为先验概率密度函数，表示对μ的预先假设；p(X)为归一化常数，用于保证后验概率的和为1。 假设样本X是独立同分布的，那么似然函数可以表示为： p(X|μ) = p(x1|μ) * p(x2|μ) * ... * p(xn|μ) 由于样本X的每一个观测值x都服从正态分布N(μ, σ^2)，故似然函数可以写成： p(X|μ) = (1/√(2πσ^2))^n * exp(-(x1-μ)^2/(2σ^2)) * exp(-(x2-μ)^2/(2σ^2)) * ... * exp(-(xn-μ)^2/(2σ^2)) 然后，我们将上述公式带入到贝叶斯定理的后验概率分布公式中，得到： p(μ|X) = (1/√(2πσ^2))^n * exp(-(x1-μ)^2/(2σ^2)) * exp(-(x2-μ)^2/(2σ^2)) * ... * exp(-(xn-μ)^2/(2σ^2)) * p(μ) / p(X) 其中p(μ)为先验概率密度函数，p(X)为归一化常数，对于计算μ的贝叶斯估计值并不重要，故我们可以忽略。 最后，我们通过求解使得后验概率分布达到最大的μ的值来估计真实的均值μ。一般可以通过对概率分布取对数，然后对μ求导等方法来求解最大化的问题。 以上就是对正态分布均值的贝叶斯估计公式的详细推导过程。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值