【笔记】独立的高斯（正态）分布随机变量之间计算均值和方差方法：两个独立的随机变量相加减，均值相加减但方差均相加；它们如果分别乘以系数 a 和 b，即 Z=aX+bY,方差计算时系数需要分别取平方

已于 2024-10-17 11:49:03 修改
阅读量1.1k 收藏 3
点赞数 3
文章标签： 笔记 均值算法 算法
于 2024-10-17 11:42:33 首次发布
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/nyist_yangguang/article/details/143003755
版权

注：

两个独立正态分布随机变量相乘的情况下，其结果不再是正态分布，它会形成一个更复杂的分布。具体的均值和方差不能简单地通过像加法那样直接计算。这是因为正态分布随机变量相乘的行为与线性组合（加法、减法）不同。

正文：

附：

【图像去噪】论文精读：Unpaired Learning of Deep Image Denoising（DBSN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
12-17 326
论文题目：Unpaired Learning of Deep Image Denoising —— 深度图像去噪的非配对学习ECCV 2020！dilated blind-spot network（膨胀盲点网络DBSN）！我们研究了从一组未配对的干净图像和噪声图像中学习盲图像去噪网络的任务。考虑到在大多数实际应用中收集未配对的噪声和干净的图像是可行的，这样的问题设置通常是实用的和有价值的。我们进一步假设噪声可以是信号相关的，但在空间上是不相关的。
【图像去噪】论文精读：MemNet: A Persistent Memory Network for Image Restoration
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-22 900
论文题目：MemNet: A Persistent Memory Network for Image Restoration —— MemNet：用于图像恢复的持久记忆网络ICCV 2017！延长记忆网络MemNet！DRRN相同团队出品！最近，非常深的卷积神经网络 (CNN) 在图像恢复中引起了相当大的关注。然而，随着深度的增长，这些非常深的模型很少实现长期依赖问题，这导致先验状态/层对后续状态几乎没有影响。
高斯分布的差 什么分布
CSDN_LYY的专栏
06-20 2188
高斯分布的差还是高斯分布。 假如X∼N(μx,σx2)X\sim N(\mu_x,\sigma_x^2)X∼N(μx​,σx2​)，Y∼N(μy,σy2)Y\sim N(\mu_y,\sigma_y^2)Y∼N(μy​,σy2​)，那么X−YX-YX−Y服从什么呢？ X−Y∼N(μx−μy,σx2+σy2)X-Y\sim N(\mu_x-\mu_y,\sigma_x^2+\sigma_y^2)X−Y∼N(μx​−μy​,σx2​+σy2​)。 高斯分布的差服从高斯分布，均值是两个均值的差，方差是两个方差的和
相互独立的正态分布函数相加减，还是正态分布么？均值和方差的是怎样的？
热门推荐
迪迦 • 奥特曼
09-07 7万+
两个正态分布相加减后，仍然是正态分布。 比方说X服从N(a,b)，Y服从N(c,d)， 那么X+Y服从N（a+b，c+d）X-Y服从N（a-b，c+d）。
高斯分布
蜗牛
05-13 1万+
数据挖掘中的高斯分布高斯分布，无论是单变量还是多元变量，在统计数据挖掘中是非常有用的，包括一些底层数据假设是高度非高斯的数据挖掘模型。我们需要好好了解多元高斯。为什么我们应该关注它 高斯像橘子汁和阳光一样是自然存在的 我们需要它来理解贝叶斯最优分类器 我们需要它来理解回归 我们需要它来理解神经网络 我们需要它来理解混合模型 …… PDF（概率密度函数）的熵 分布的熵越大，预测就越困难，压缩就越困难
线性代数：多个随机变量相加的方差
Zzzzyc_的博客
07-14 5552
独立情况下VarX1X2Xn∑i1nVarXiVarX1​X2​Xn​∑i1n​VarXi​不独立情况下VarX1X2Xn∑i1nVarXi∑i≠j2CovXiXjVarX1​X2​Xn​∑i1n​VarXi​∑ij​2CovXi​Xj​。
高斯分布（二）
安静会的博客
09-17 4067
https://www.coursera.org/learn/robotics-learning#creators 从高斯分布、机器人误差、EM算法到小球检测 Coursera上的课程（Robotics: Estimation and Learning），感觉讲得特别棒，写下自己的理解。 高斯分布被广泛应用于对机器人误差的建模。在这篇笔记中，我们将会： 介绍如何使用一元高斯分布、多...
学习笔记之高斯过程回归（含代码）：连续无限空间上建模的超级武器
Francis_chang的博客
06-01 6225
在这个万物皆可“Machine Learning”的时代，各个研究领域都想和“ML”沾点边,好像论文里有了“...with machine learning”、“learning based...”便能立即高大上起来。不过确实很多传统领域的问题都被大佬们解决的差不多了，为了毕业，我也不能免俗，也想在研究中结合一点机器学习的东西。
【图像去噪】论文精读：HINet: Half Instance Normalization Network for Image Restoration
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
10-18 462
论文题目：HINet: Half Instance Normalization Network for Image Restoration —— HINet：用于图像恢复的半实例归一化网络超越MPRNet！旷视出品，HINet！在本文中，我们探讨了实例归一化在低级视觉任务中的作用。具体来说，我们提出了一个新的块：半实例归一化块（HIN Block），以提高图像恢复网络的性能。基于HIN块，我们设计了一个简单而强大的多阶段网络HINet，它由两个子网络组成。
随机过程基础1--随机过程与宽平稳
pu_pupupupupu的博客
02-12 3292
1,先修知识 微积分,线性代数,概率论 参考教材,其中第一本的中译版非常值得一读. 2,课程的五大理念,也可以说是整个学习的五大理念. 建议读书时候将推算符号,抄下来. 另外清华大学张颢老师的随机过程导论部分,讲的非常好.可以看看顶尖的人是如何看这个世界的. 3,随机过程 stochastic processes 通俗来说就是一组随机变量之间的相互关系. 目前认知的三种相互关系: (1),相关,线性 主要分为时域上(相关函数) 频域上为功率谱密度 并且相关函数与功率谱密度存在密切联系. 典型的线性随机过
#线性代数：两个随机变量相乘的方差
Zzzzyc_的博客
07-15 3168
假设X和Y是两个随机变量，我们需要求XY的方差。VarXE[(X−EX2E[(X2−2XEXEX2EX2−EX2根据方差的定义，方差是平方值的期望减去期望值的平方，即VarXYE[(XY2−EXY2EXYCovXYE[(X−EX])Y−EY])]EXY−XEY−EXYEXEY]]EXY−EXEY−EXEYEXEYEXY。
高斯分布运算法则
qq_41327049的博客
09-26 163
高斯随机变量相加得到高斯随机变量的证明
05-12 1万+
假设X∼N(a,A)X\sim \mathcal{N}(a,A), Y∼N(b,B)Y\sim \mathcal{N}(b,B), 并且XX 与 YY相互独立, 证明 nX+mY∼N(na+mb,n2A+m2B)\begin{equation} nX+mY\sim N(na+mb,n^2A+m^2B) \end{equation} 其中m,nm, n是任意常数，以下分两步给出证明。(1) 假设X
两个独立的正态分布的和仍然为正态分布的证明
weixin_40064300的博客
03-14 8879
正态分布的和
两个高斯分布相加（卷积）的理论推导
chaosir的专栏
06-25 4万+
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。 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 p1(1)p2(3)+p1(2.
几种基本的高斯分布数学运算，加法、乘法、缩放和卷积及运用场景
小秋 AI SLAM 入门实战教程
10-23 1192
这也是为什么在卡尔曼滤波或其他基于高斯的估计方法中，将预测和测量结合起来可以得到更好的估计的原因。总之，高斯分布及其运算在很多领域都有广泛的应用，包括工程、物理、经济、生物和社会科学等。当两个高斯分布都有自己的不确定性时，将它们结合起来会得到一个更加确定的估计，这就是为什么新的方差更小的原因。当两个高斯分布进行乘法运算时，这通常是在估计或滤波的上下文中，如在卡尔曼滤波中的更新步骤。这意味着，当我们将两个高斯分布相乘时，结果的不确定性（或说宽度）实际上是减少的。高斯分布的各种运算在很多实际场景中都有应用。
深度学习基础知识
baozhiqiangjava的博客
12-11 4425
1 概率图模型 是指一种用图结构来描述多元随机变量之间条件独立关系的 概率模型，从而给研究高维空间中的概率模型带来了很大的便捷性 其中有三个基本问题 （1） 表示问题：对于一个概率模型，如何通过图结构来描述变量之间的依 赖关系． （2） 学习问题：图模型的学习包括图结构的学习和参数的学习．在本章中， 我们只关注在给定图结构时的参数学习，即参数估计问题． （3） 推断问题：在已知部分变量时，计算其他变量的条件概率分布 1.2 概率图的学习问题 图模型的学习可以分为两部分：一...
2 高斯分布基础
weixin_43811423的博客
10-27 378
高斯分布，极大似然，概率密度等高线
概率统计-方差与正态分布（高斯分布）
Hello_Ray的博客
08-05 4万+
在统计中，方差真正的使用是先算样本方差∑i=0n(xi−μ)x2+1\frac{{\sum_{i=0}^n}{(x_i - \mu )}} {x^2+1}x2+1∑i=0n​(xi​−μ)​
1.产生1000个随机变量服从正态分布N（1,22）并标准化，计算均值和方差
最新发布
10-22
在Python中，我们可以使用`numpy`库来生成1000个正态分布N(1, 22)的随机变量，然后再进行标准化处理。以下是实现这一过程的步骤： ```python import numpy as np # 生成1000个服从正态分布N(1, 2^2)的随机变量 normal_rvs = np.random.normal(loc=1, scale=2*2, size=1000) # 计算原始随机变量的均值和方差 mean_unnormalized = np.mean(normal_rvs) variance_unnormalized = np.var(normal_rvs) # 标准化随机变量，均值变为0，方差变为1 standardized_rvs = (normal_rvs - mean_unnormalized) / np.std(normal_rvs) mean_standardized = np.mean(standardized_rvs) variance_standardized = np.var(standardized_rvs) print(f"原均值: {mean_unnormalized}, 原方差: {variance_unnormalized}") print(f"标准化后的均值: {mean_standardized}, 标准化后的方差: {variance_standardized}") ``` 注意，在标准化过程中，我们不仅减去了均值，还除以了标准差（即方差的平方根），以确保得到的标准正态分布的均值为0，方差为1。
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

打赏作者

程序猿的探索之路

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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