高斯分布归一化、期望、二阶矩、方差推导证明

最新推荐文章于 2024-07-27 12:09:57 发布

琴弦上的南柯合浦

最新推荐文章于 2024-07-27 12:09:57 发布

阅读量1.3w

点赞数 15

分类专栏： PMRL读书笔记文章标签：高斯分布期望方差归一化性质推导证明

本文链接：https://blog.csdn.net/qq_37549266/article/details/95942282

版权

这篇博客详细介绍了高斯分布的归一化、期望和方差的推导过程。作者在研究深度学习时意识到微积分的重要性，并尝试自己推导高斯分布的数学性质。归一化通过极坐标转换得以证明，期望的求解相对直接，而二阶矩的推导涉及Gamma函数。方差的计算则利用一阶矩和二阶矩。博客最后提到，作者计划完成更全面的公式推导笔记。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

写在前面的唠叨：

最近这段时间一直在研究深度学习之类的东西，虽然如今对几种常见的神经网络都有了很好的了解，用起来也比较顺手，但是越学也越觉得瓶颈越来越明显了，最大的问题觉得还是数学基础不行，学习那些常见的模型已经把线性代数的知识捡的差不多了，而到了想自己设计模型的时候，才忽然发现微积分也是十分重要的，而这两年我都还给老师了呀T_T。所以把PRML这本书又翻了出来，推导一下里面的公式。

然而刚看到高斯分布里面的方差推导就抽了我一嘴巴，去网上查了查发现这部分推导大家写的都挺乱的，于是自己总结了一下，留作记录，省的以后在看的时候到处乱查，重新推……

归一化推导证明：

证明归一化，即证明：

$\begin{aligned} \int_{-\infty }^{+\infty}N(x|\mu, \sigma^2)dx &=1 \end{aligned}$

首先我们将其展开：

$\begin{aligned} \int_{-\infty }^{+\infty}N(x|\mu, \sigma^2)dx &=& \int_{-\infty }^{+\infty}\tfrac{1}{\sqrt{2\pi}\sigma }exp\{-\tfrac{1}{2\sigma^2}(x-\mu)^2\}dx \\ &=& \tfrac{1}{\sqrt{2\pi}\sigma }\int_{-\infty }^{+\infty}exp\{-\tfrac{1}{2\sigma^2}(x-\mu)^2\}dx \end{aligned}$