正态分布的简单总结

平和少年

已于 2024-03-28 00:29:45 修改

阅读量558

点赞数 11

分类专栏：信号处理文章标签：信号处理

于 2024-03-28 00:25:42 首次发布

本文链接：https://blog.csdn.net/u011572784/article/details/137094165

版权

信号处理专栏收录该内容

40 篇文章 2 订阅

订阅专栏

本文详细介绍了标准正态分布、多元正态分布（包括多维向量的高斯分布及其概率密度函数）以及复高斯分布的概念和特性，包括均值、方差的计算以及联合概率密度的表达。重点展示了多元正态分布的联合概率密度函数和复高斯随机变量的期望和方差计算。

摘要由CSDN通过智能技术生成

标准正态分布：
$\backsim N(0,1):f(x)=\frac{1}{\sqrt{2\pi}}e^{\frac{-x^2}{2}}$

一般正态分布：
$\backsim N(\mu,\sigma^2):f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{\frac{-(x-\mu)^2}{2\sigma^2}}$

多维正态分布：设 $\boldsymbol{x}=[x_1,x_2,...,x_N]^T$ 是一个 $n$ 维向量，第 $n$ 的维度上的随机变量 $x_n$ 服从均值为 $\mu_n$ ，方差为 $\sigma^2_n$ 的高斯分布，即 $x_n \backsim N(\mu_n,\sigma^2_n)$ ，且各个维度相互独立，则其联合概率密度等于各个维度上概率密度的乘积，所以
$f(\boldsymbol{x})=\frac{1}{\sqrt{2\pi\sigma^2_1}}e^{\frac{-(x_1-\mu_1)^2}{2\sigma^2_1}} \frac{1}{\sqrt{2\pi\sigma^2_2}}e^{\frac{-(x_2-\mu_2)^2}{2\sigma^2_2}}...\frac{1}{\sqrt{2\pi\sigma^2_N}}e^{\frac{-(x_N-\mu_N)^2}{2\sigma^2_N}} \tag{1}$
令 $\boldsymbol{\Sigma}={\rm diag}(\sigma^2_n)$ ， $\boldsymbol{\mu}=[\mu_1,...,\mu_N]^T$ ，则 $\boldsymbol{x}-\boldsymbol{\mu}=[x_1-\mu_1,...,x_N-\mu_N]^T$ ，则有
$\sqrt{2\pi\sigma^2_1}\sqrt{2\pi\sigma^2_1}...\sqrt{2\pi\sigma^2_N}=(2\pi)^{N/2}[{\rm det}(\boldsymbol{\Sigma})]^{1/2} \tag{2}$
$\frac{-(x_1-\mu_1)^2}{2\sigma^2_1}+...+\frac{-(x_N-\mu_N)^2}{2\sigma^2_N}=-(\boldsymbol{x}-\boldsymbol{\mu})^T \boldsymbol{\Sigma}^{-1}(\boldsymbol{x}-\boldsymbol{\mu}) \tag{3}$
将 $(2) (3)$ 代入 $(1)$ 可以得到
$f(\boldsymbol{x})=\frac{1}{(2\pi)^{N/2}[{\rm det}(\boldsymbol{\Sigma})]^{1/2}}e^{-(\boldsymbol{x}-\boldsymbol{\mu})^T \boldsymbol{\Sigma}^{-1}(\boldsymbol{x}-\boldsymbol{\mu})} \tag{4}$

复高斯分布：设 $\backsim N(\mu_x,\sigma^2_x)$ ， $\backsim N(\mu_y,\sigma^2_y)$ ，若 $X$ 与 $Y$ 统计独立，则其联合概率密度函数可表示为：
$f_{XY}(x,y)=\frac{1}{\sqrt{2\pi\sigma^2_x}}e^{\frac{-(x-\mu_x)^2}{2\sigma^2_x}} \frac{1}{\sqrt{2\pi\sigma^2_y}}e^{\frac{-(y-\mu_y)^2}{2\sigma^2_y}} \tag{5}$

令 $\mu_x=\mu_y$ ， $\sigma=\sigma^2_x=\sigma^2_y$ ，则上式就可以化简为
$f_{XY}(x,y)=\frac{1}{2\pi\sigma^2}e^{-\frac{(x-\mu)^2+(y-\mu)^2}{2\sigma^2}} \tag{6}$

对应的复随机变量 $Z = X + iY$ 称为复高斯随机变量。 $Z$ 的均值 $\mu_z$ 和方差 $\sigma_z$ 分别为：
$\mu_z={\rm E}[Z]={\rm E}[X+iY]={\rm E}[X]+i{\rm E}[Y]=\mu_x+i\mu_y=\mu+i\mu$
$\sigma_z={\rm E}[(Z-\mu_z)(Z-\mu_z)']={\rm E}[|(X-\mu_x)+i(Y-\mu_y)|^2]={\rm E}[(X-\mu_x)^2]+{\rm E}[(Y-\mu_y)^2]=\sigma^2_x+\sigma^2_y=2\sigma^2$
将 $\mu_z$ 和 $\sigma_z$ 代入 $(6)$ 可以得到 $Z$ 的概率密度函数为
$f_Z(z)=\frac{1}{\pi\sigma_z^2}e^{-\frac{(z-\mu_z)^2}{\sigma_z^2}} \tag{7}$