机器学习知识点(二十二)高斯分布（正态分布）基础知识

最新推荐文章于 2023-09-15 18:10:33 发布

fjssharpsword

最新推荐文章于 2023-09-15 18:10:33 发布

阅读量7.9k

点赞数 1

分类专栏： Algorithm 机器学习专栏

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/fjssharpsword/article/details/70861817

版权

Algorithm 同时被 2 个专栏收录

216 篇文章 23 订阅

订阅专栏

机器学习专栏

69 篇文章 120 订阅

订阅专栏

1、概念

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 $X$ 服从一个位置参数为 $\mu$ 、尺度参数为 $\sigma$ 的概率分布，记为：

$X \sim N(\mu,\sigma^2),$

则其概率密度函数为

$f(x) = {1 \over \sigma\sqrt{2\pi} }\,e^{- {{(x-\mu )^2 \over 2\sigma^2}}}$

正态分布的数学期望值或期望值 $\mu$ 等于位置参数，决定了分布的位置；其方差 $\sigma^2$ 的开平方或标准差 $\sigma$ 等于尺度参数，决定了分布的幅度。

正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是位置参数 $\mu = 0$ , 尺度参数 $\sigma = 1$ 的正态分布（见右图中绿色曲线）。

2、性质

1）如果 $X \sim N(\mu, \sigma^2) \,$ 且 $a$ 与 $b$ 是实数，那么 $a X + b \sim N(a \mu + b, (a \sigma)^2)$ ；

2）如果 $X \sim N(\mu_X, \sigma^2_X)$ 与 $Y \sim N(\mu_Y, \sigma^2_Y)$ 是统计独立的常态随机变量，那么:

它们的和也满足正态分布 $U = X + Y \sim N(\mu_X + \mu_Y, \sigma^2_X + \sigma^2_Y)$ .

它们的差也满足正态分布 $V = X - Y \sim N(\mu_X - \mu_Y, \sigma^2_X + \sigma^2_Y)$ .

$U$ 与 $V$ 两者是相互独立的。

3） $X \sim N(0, \sigma^2_X)$ 和 $Y \sim N(0, \sigma^2_Y)$ 是独立常态随机变量，那么:

它们的积 $X Y$ 服从概率密度函数为 $p$ 的分布

$p(z) = \frac{1}{\pi\,\sigma_X\,\sigma_Y} \; K_0\left(\frac{|z|}{\sigma_X\,\sigma_Y}\right),$ 其中 $K_0$ 是修正贝塞尔函数（modified Bessel function）

它们的比符合柯西分布，满足 $X/Y \sim \mathrm{Cauchy}(0, \sigma_X/\sigma_Y)$ .

4）如果 $X_1, \cdots, X_n$ 为独立标准常态随机变量，那么 $X_1^2 + \cdots + X_n^2$ 服从自由度为 n 的卡方分布。

3、更多可以阅读：http://songshuhui.net/archives/76501

讲述正态分布的前世今生。

4、在知乎上看到一张关于各种统计分布的关系的神图：

论文地址：http://www.math.wm.edu/~leemis/2008amstat.pdf

关注

1
点赞
踩
11

收藏

觉得还不错? 一键收藏
0
评论
机器学习知识点(二十二)高斯分布（正态分布）基础知识

1、概念正态分布（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。若随机变量服从一个位置参数为、尺度参数为的概率分布，记为：则其概率密度函数为正态分布的数学期望值或期望值等于位置参数，决定了分布的位置；其
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。