本文主要推导两个高斯分布的相加结果。在知乎上有个问题:正态分布随机变量的和还是正态分布吗? _ 也是本文主要解决的问题。
高斯分布的概率密度函数:
f
(
x
)
=
1
2
π
δ
e
−
(
x
−
u
)
2
2
δ
2
(1)
f(x) = \frac{1}{\sqrt{2\pi}\delta}{e^{-\frac{(x-u)^2}{2\delta^2}}} \tag{1}
f(x)=2πδ1e−2δ2(x−u)2(1)
直觉中,两个高斯(正态)随机变量的和似乎应该是两个概率密度函数的和,如下图所示,其结果就近似为两个概率密度的包络线,这明显是错误的,是用直觉推导数学,大错特错。
在解决此问题前,我们需要搞清楚两个高斯函数的和的物理意义,这里用经典的投骰子作为为例子更好理解。
- 离散卷积:投骰子 - 同时投求两个骰子所的点数相加得4的概率是多少?
则其结果为
p 1 ( 1 ) p 2 ( 3 ) + p 1 ( 2 ) p 2 ( 2 ) + p 1 ( 3 ) p 2 ( 1 ) = 1 12 (2) p_1(1)p_2(3)+p_1(2)p_2(2)+p_1(3)p_2(1)=\frac{1}{12}\tag{2} p1(1)p2(3)+p1(2)p2(2)+p1(3)p2(1)=121(2)
注意这里的概率为
P
(
X
+
Y
=
4
)
P(X+Y=4)
P(X+Y=4),因此卷积的物理意义不是两个概率密度相加,而是自变量相加后发生的概率,即若设
z
=
x
+
y
z=x+y
z=x+y,则有
z
z
z 发生的概率为:
f
(
z
)
=
∫
−
∞
+
∞
f
(
x
)
f
(
z
−
x
)
d
x
(3)
f(z)=\int^{ +\infty }_{ - \infty }f(x)f(z-x)dx\tag{3}
f(z)=∫−∞+∞f(x)f(z−x)dx(3)
当理解到这里时,我们就可以很容易的计算两个高斯分布的加和了。
两个高斯分布相加本质问题可抽象为:已知两个独立高斯分布 N 1 ∼ ( u 1 , δ 1 2 ) N_1∼(u_1, \delta_1^2) N1∼(u1,δ12), N 2 ∼ ( u 2 , δ 2 2 ) N_2∼(u_2, \delta_2^2) N2∼(u2,δ22),求新的概率分布 N = N 1 + N 2 ∼ ( ? , ? ) N =N_1+N_2∼(?,?) N=N1+N2∼(?,?)
设
N
1
N_1
N1 的概率分布函数为
f
1
(
x
)
f_1(x)
f1(x),
N
2
N_2
N2 的概率分布函数为
f
2
(
y
)
f_2(y)
f2(y), 则此问题变为求
f
(
z
=
x
+
y
)
f(z=x+y)
f(z=x+y)的概率密度函数?
f
(
z
)
=
∫
−
∞
+
∞
f
1
(
x
)
f
2
(
z
−
x
)
d
x
=
∫
−
∞
+
∞
1
2
π
δ
1
e
−
(
x
−
u
1
)
2
2
δ
1
2
⋅
1
2
π
δ
2
e
−
(
z
−
x
−
u
2
)
2
2
δ
2
2
d
x
(4)
\begin{aligned} f(z)&=\int^{ +\infty }_{ - \infty }f_1(x)f_2(z-x)dx\\\\ &=\int^{ +\infty }_{ - \infty }\frac{1}{\sqrt{2\pi}\delta_1}{e^{-\frac{(x-u_1)^2}{2\delta_1^2}}}\cdot\frac{1}{\sqrt{2\pi}\delta_2}{e^{-\frac{(z-x-u_2)^2}{2\delta_2^2}}}dx \end{aligned}\tag{4}
f(z)=∫−∞+∞f1(x)f2(z−x)dx=∫−∞+∞2πδ11e−2δ12(x−u1)2⋅2πδ21e−2δ22(z−x−u2)2dx(4)
仔细一看,这里的
f
(
z
)
f(z)
f(z) 就是在前一节《两个高斯分布乘积的理论推导》中推导的结果,这里先引用前一节的推导结果,公式7 和 公式8:
f
1
(
x
)
f
2
(
x
)
=
S
g
⋅
1
2
π
δ
e
−
(
x
−
u
)
2
2
δ
2
S
g
=
1
2
π
(
δ
1
2
+
δ
2
2
)
e
−
(
u
1
−
u
2
)
2
2
(
δ
1
2
+
δ
2
2
)
(5)
\begin{aligned} f_1(x)f_2(x) &=S_g\cdot\frac{1}{\sqrt{2\pi} \delta}{e^{-\frac{(x-u)^2}{2\delta^2}}}\\\\ S_g&=\frac{1}{\sqrt{2\pi(\delta_1^2+\delta_2^2)}}e^{-\frac{(u_1-u_2)^2}{2(\delta_1^2+\delta_2^2)}}\tag{5} \end{aligned}
f1(x)f2(x)Sg=Sg⋅2πδ1e−2δ2(x−u)2=2π(δ12+δ22)1e−2(δ12+δ22)(u1−u2)2(5)
将公式5代入公式4,其中
f
1
(
x
)
∼
(
u
1
,
δ
1
2
)
f_1(x)∼(u_1, \delta_1^2)
f1(x)∼(u1,δ12) ,
f
2
(
x
)
∼
(
z
−
u
2
,
δ
2
2
)
f_2(x)∼(z-u_2, \delta_2^2)
f2(x)∼(z−u2,δ22) 可得:
f
(
z
)
=
∫
−
∞
+
∞
1
2
π
δ
1
e
−
(
x
−
u
1
)
2
2
δ
1
2
⋅
1
2
π
δ
2
e
−
(
x
−
(
z
−
u
2
)
)
2
2
δ
2
2
d
x
=
∫
−
∞
+
∞
S
g
⋅
1
2
π
δ
e
−
(
x
−
u
)
2
2
δ
2
d
x
=
S
g
(6)
\begin{aligned} f(z)&=\int^{ +\infty }_{ - \infty }\frac{1}{\sqrt{2\pi}\delta_1}{e^{-\frac{(x-u_1)^2}{2\delta_1^2}}}\cdot\frac{1}{\sqrt{2\pi}\delta_2}{e^{-\frac{(x-(z-u_2))^2}{2\delta_2^2}}}dx\\\\ &=\int^{ +\infty }_{ - \infty }S_g\cdot\frac{1}{\sqrt{2\pi} \delta}{e^{-\frac{(x-u)^2}{2\delta^2}}}dx\\\\ &=S_g \end{aligned}\tag{6}
f(z)=∫−∞+∞2πδ11e−2δ12(x−u1)2⋅2πδ21e−2δ22(x−(z−u2))2dx=∫−∞+∞Sg⋅2πδ1e−2δ2(x−u)2dx=Sg(6)
其中:
S
g
=
1
2
π
(
δ
1
2
+
δ
2
2
)
e
x
p
(
−
(
u
1
−
(
z
−
u
2
)
)
2
2
(
δ
1
2
+
δ
2
2
)
)
(7)
S_g=\frac{1}{\sqrt{2\pi(\delta_1^2+\delta_2^2)}}exp\bigg(-\frac{(u_1-(z-u_2))^2}{2(\delta_1^2+\delta_2^2)}\bigg)\tag{7}
Sg=2π(δ12+δ22)1exp(−2(δ12+δ22)(u1−(z−u2))2)(7)
则可得:
f
(
z
)
=
1
2
π
(
δ
1
2
+
δ
2
2
)
e
x
p
(
−
(
z
−
(
u
1
+
u
2
)
)
2
2
(
δ
1
2
+
δ
2
2
)
)
(8)
f(z)=\frac{1}{\sqrt{2\pi(\delta_1^2+\delta_2^2)}}exp\bigg(-\frac{(z-(u_1+u_2))^2}{2(\delta_1^2+\delta_2^2)}\bigg)\tag{8}
f(z)=2π(δ12+δ22)1exp(−2(δ12+δ22)(z−(u1+u2))2)(8)
对比高斯分布函数表达式,可以明显看出,
f
(
x
+
y
)
∼
(
u
1
+
u
2
,
δ
1
2
+
δ
2
2
)
f(x+y)∼(u_1+u_2, \delta_1^2+\delta_2^2)
f(x+y)∼(u1+u2,δ12+δ22)
同理可得:
f
(
x
−
y
)
∼
(
u
1
−
u
2
,
δ
1
2
+
δ
2
2
)
f(x-y)∼(u_1-u_2, \delta_1^2+\delta_2^2)
f(x−y)∼(u1−u2,δ12+δ22)
- 这里利用两个高斯函数的乘积的推导结果,能很快得出结论。
- 注意:当 N 2 ∼ ( 0 , δ 2 2 ) N_2∼(0, \delta_2^2) N2∼(0,δ22) ,换句话说就是当 f 2 ( y ) f_2(y) f2(y) 为零均值的高斯白噪声时,可以得到一个奇特的现象: f ( x + y ) = f ( x − y ) f(x+y)=f(x-y) f(x+y)=f(x−y) ,即在一个独立分布上加或减一个白噪声,其为同分布。
同时,我们可以继续推导得:
若两个独立高斯分布
N
1
∼
(
a
u
1
,
(
A
δ
1
)
2
)
,
N
2
∼
(
b
u
2
,
(
B
δ
2
)
2
)
N_1∼(au_1, (A\delta_1)^2),N_2∼(bu_2, (B\delta_2)^2)
N1∼(au1,(Aδ1)2),N2∼(bu2,(Bδ2)2)
则其卷积和为
N
1
∼
(
u
,
δ
2
)
N_1∼(u, \delta^2)
N1∼(u,δ2)
- u = a u 1 + b u 2 u=au_1+bu_2 u=au1+bu2
- δ 2 = A 2 δ 1 2 + B 2 δ 2 2 \delta^2= A^2\delta_1^2+B^2\delta_2^2 δ2=A2δ12+B2δ22
参考文献:
https://blog.csdn.net/chaosir1991/article/details/106910668
https://www.zhihu.com/question/26055805
https://blog.csdn.net/erzhonghou0033/article/details/106639102/