正态分布概率密度函数PDF

最新推荐文章于 2025-03-14 08:17:01 发布

求津问道

最新推荐文章于 2025-03-14 08:17:01 发布

阅读量6.8w

点赞数 7

分类专栏：一些小知识

本文链接：https://blog.csdn.net/sinat_34546420/article/details/78757111

版权

12 篇文章

订阅专栏

本文介绍了正态分布的概率密度函数及累积分布函数的基本概念，并详细阐述了正态分布的特性，包括其对称性、常见统计量的分布区间以及与其他随机变量的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概率密度函数，这种方法能够表示随机变量每个取值有多大的可能性。

四个不同参数集的概率密度函数（绿色线代表标准正态分布）

正态分布的概率密度函数均值为 $μ$ 方差为 $σ 2$ (或标准差 $σ$ )是高斯函数的一个实例：

$f(x;\mu,\sigma)=\frac{1}{\sigma\sqrt{2\pi}} \, \exp \left( -\frac{(x- \mu)^2}{2\sigma^2} \right)$ 。

(请看指数函数以及 $π$ .)

如果一个随机变量 $X$ 服从这个分布，我们写作 $X$ ~ $N (μ,σ 2)$ . 如果 $μ = 0$ 并且 $σ = 1$ ，这个分布被称为标准正态分布，这个分布能够简化为

$f(x) = \frac{1}{\sqrt{2\pi}} \, \exp\left(-\frac{x^2}{2} \right)$ 。

右边是给出了不同参数的正态分布的函数图。

正态分布中一些值得注意的量：

上图所示的概率密度函数的累积分布函数

累积分布函数是指随机变量 $X$ 小于或等于 $x$ 的概率，用密度函数表示为

$F(x;\mu,\sigma)=\frac{1}{\sigma\sqrt{2\pi}}\int_{-\infty}^x \exp \left( -\frac{(x - \mu)^2}{2\sigma^2}\ \right)\, dx.$

正态分布的累积分布函数能够由一个叫做误差函数的特殊函数表示：

$\Phi(z)=\frac12 \left[1 + \mathrm{erf}\,(\frac{z-\mu}{\sigma\sqrt2})\right] .$

标准正态分布的累积分布函数习惯上记为 $Φ$ ，它仅仅是指 $μ = 0$ ， $σ = 1$ 时的值，

$\Phi(x)=F(x;0,1)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^x\exp\left(-\frac{x^2}{2}\right)\, dx.$

将一般正态分布用误差函数表示的公式简化，可得：

$\Phi(z)=\frac{1}{2} \left[ 1 + \operatorname{erf} \left( \frac{z}{\sqrt{2}} \right) \right].$

它的反函数被称为反误差函数，为：

$\Phi^{-1}(p)=\sqrt2\;\operatorname{erf}^{-1} \left(2p - 1 \right).$

该分位数函数有时也被称为probit函数。probit函数已被证明没有初等原函数。

正态分布的分布函数Φ(x)没有解析表达式，它的值可以通过数值积分、泰勒级数或者渐进序列近似得到。

正态分布的一些性质:

如果 $X \sim N(\mu, \sigma^2) \,$ 且 $a$ 与 $b$ 是实数，那么 $aX + b \sim N (a μ + b,(a σ) 2)$ (参见期望值和方差).
如果与是统计独立的正态随机变量，那么:
- 它们的和也满足正态分布 $U = X + Y \sim N(\mu_X + \mu_Y, \sigma^2_X + \sigma^2_Y)$ (proof).
- 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。
如果 $X \sim N(0, \sigma^2_X)$ 和 $Y \sim N(0, \sigma^2_Y)$ 是独立正态随机变量，那么:
- 它们的积 $XY$ 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 $K 0$ 是贝塞尔函数（modified Bessel function）
- 它们的比符合柯西分布，满足 $X / Y \simCauchy(0,σ X / σ Y)$ .
如果 $X_1, \cdots, X_n$ 为独立标准正态随机变量，那么 $X_1^2 + \cdots + X_n^2$ 服从自由度为n的卡方分布。