本文整理了正态分布的一些常用的性质,以供备忘之用。
目录
概念
概率密度函数
若连续型随机变量
X
的概率密度为
则称 X 服从参数为
其密度函数的图形为:
其特征主要有:
1. 关于直线
x=μ
对称;
2. 在
x=μ
处达到最大值;
3. 在
x=μ±σ
处有拐点;
4.
x→∞
时曲线以
x
轴为渐近线;
5. 固定
分布函数
F(x)=∫x−∞12π−−√σe−(x−μ)22σ2dx,−∞<x<+∞
特殊情况:标准正态分布
X∼N(0,1)
- 密度函数:
φ(x)=12π−−√e−x22
- 分布函数:
Φ(x)=∫x−∞12π−−√e−x22dx
- 性质
1. Φ(−x)=1−Φ(x)
2. Φ(0)=0.5
性质
- 两个服从正态分布的随机变量加减之后仍然是正态分布。
例如, A∼N(μ1,σ1) , B∼N(μ2,σ2) , A+B∼N(μ1+μ2,σ21+σ22+cov(A,B)) - 两个正态分布密度的乘积还是正态分布。
- 两个正态分布密度的卷积还是正态分布,也就是两个正态分布的和还是正态分布。
- 正态分布 N(0,σ2) 的傅立叶变换还是正态分布。
- 中心极限定理保证了多个随机变量的求和效应将导致正态分布。
- 正态分布和其它具有相同方差的概率分布相比,具有最大熵。
- 二项分布
B(n,p)
在
n
很大逼近正态分布
N(np,np(1−p)) 。 - 泊松分布 Poisson(λ) 在 λ 较大时逼近正态分布 N(λ,λ) 。
-
χ2(n)
在
n
很大的时候接近正态分布
N(n,2n) 。 -
t
分布在
n 很大时接近标准正态分布 N(0,1) 。 - 正态分布的共轭分布还是正态分布。
- 几乎所有的极大似然估计在样本量 n 增大的时候都趋近于正态分布。
- Cramer分解定理:如果
X , Y 是独立的随机变量,且S=X+Y 是正态分布,那么 X ,Y 也是正态分布。 - 如果
X
,
Y 独立且满足正态分布 N(μ,σ2) ,那么 X+Y , X−Y 独立且同分布,而正态分布是唯一满足这一性质的概率分布。 - 对于两个正态分布
X
,
Y ,如果 X ,Y 不相关则意味着 X ,Y 独立,而正态分布是唯一满足这一性质的概率分布。
相关matlab函数
- 分布函数:normcdf(x,sigma,mu),其中 μ 是随机变量的值,返回的是参数为μ和 σ 的正态分布函数在 x 处的值;
- 密度函数:normpdf(x,sigma,mu),其中
x 是随机变量的值,返回的是参数为μ和 σ 的正态分布密度函数在 x 处的值; - 生成正态分布随机数:normrnd(0,.1,m,n),其中
m 和 n 是生成m 行 n 列的随机数; - 生成正态分布曲线: y = gaussmf(x,[sigma mu]) ,其中
x 是变量,sigma就是正态分布的方差 σ ,而c就是正态分布的均值 μ 。
参考资料:
【1】正态分布的前世今生:http://songshuhui.net/archives/77386