线性回归 高斯曲线 对数正态分布

线性回归

        回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

       在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布（多元分析领域）。

高斯曲线

高斯曲线，又叫做gaussian curve，是正态分布中的一条标准曲线。

GraphView中的高斯函数方程：y=1/(0.4sqrt(2pi))e^(-0.5((x-1)/0.4)^2)

对数正态分布

对数正态分布（logarithmic normal distribution）：一个随机变量的对数服从正态分布，则该随机变量服从对数正态分布。
在分析测试中，特别是在衡量分析中，在不少情况下，测定值不遵循正态分布，而是遵循对数正态分布

在概率论与统计学中，对数正态分布是对数为正态分布的任意随机变量的概率分布。如果 X 是服从正态分布的随机变量，则 exp(X) 服从对数正态分布；同样，如果 Y 服从对数正态分布，则 ln(Y) 服从正态分布。 如果一个变量可以看作是许多很小独立因子的乘积，则这个变量可以看作是对数正态分布。一个典型的例子是股票投资的长期收益率，它可以看作是每天收益率的乘积。
设ξ服从对数正态分布，其密度函数为：

数学期望和方差分别为：