【概率论】5-6:正态分布(The Normal Distributions Part II)

---

title: 【概率论】5-6:正态分布(The Normal Distributions Part II)
categories:
- Mathematic
- Probability
keywords:
- The Normal Distributions
toc: true
date: 2018-03-29 15:02:03

Abstract: 本文介绍正态分布的数学性质
Keywords: The Normal Distributions

开篇废话

一共要写四篇，哪来那么多废话。
首先我们要从最基础的原始的正态分布的数学原理说起

Properties of Normal Distributions

Definition

到目前为止，我们还没看到正态分布长什么样。

Definition and p.d.f. A random X has the normal distribution with mean $\mu$ and variance σ2\sigma^2σ2 ($-\infty <\mu <\infty$ and $\sigma >0$) if X has a contimuous distribution with the following p.d.f.
f(x∣μ,σ2)=1(2π)12σe−12((x−μ)σ)2for−∞&lt;x&lt;∞ f(x|\mu,\sigma^2)=\frac{1}{(2\pi)^{\frac{1}{2}}\sigma}e^{-\frac{1}{2}(\frac{(x-\mu)}{\sigma})^2}\text{for} -\infty&lt;x&lt;\infty f(x∣μ,σ2)=(2π)21​σ1​e−21​(σ(x−μ)​)2for−∞<x<∞
定义对于我们来说就是个准确的命名过程。那么我们接下来要证明的是定义里说的对不对？
Theorem f(x∣μ,σ2)=1(2π)12σe−12((x−μ)σ)2for−∞&lt;x&lt;∞f(x|\mu,\sigma^2)=\frac{1}{(2\pi)^{\frac{1}{2}}\sigma}e^{-\frac{1}{2}(\frac{(x-\mu)}{\sigma})^2}\text{for} -\infty &lt; x&lt; \inftyf(x∣μ,σ2)=(2π)21​σ1​e−21​(σ(x−μ)​)2for−∞<x<∞ is a p.d.f.

思路：证明一个表达式是不是，p.d.f.，肯定要根据p.d.f.的定义，①不能出现负数，②积分结果是1。
首先观察函数，发现其不可能出现负数，所以性质1符合p.d.f.的性质
那么接下来是求积分，并确保是1，不是说不能积分么，这里怎么做呢？
首先我们令 y=x−μσy=\frac{x-\mu}{\sigma}y=σx−μ​ 那么
∫−∞∞f(x∣μ,σ2)dx=∫−∞∞1(2π)1/2e−12y2dywe shall now let:I=∫−∞∞e−12y2dy \int^{\infty}_{-\infty}f(x|\mu,\sigma^2)dx=\int^{\infty}_{-\infty}\frac{1}{(2\pi)^{1/2}}e^{-\frac{1}{2}y^2}dy\\ \text{we shall now let:}\\ I=\int^{\infty}_{-\infty}e^{-\frac{1}{2}y^2}dy ∫−∞∞​f(x∣μ,σ2)dx=∫−∞∞​(2π)1/21​e−21​y2dywe shall now let:I=∫−∞∞​e−21​y2dy
所以我们只要证明 I=(2π)1/2I=(2\pi)^{1/2}I=(2π)1/2 就算是得到结论了，但是怎么证明呢？我们用用1的特点吧，1和1相乘还是1所以我们让两个积分相乘，我们来到了二重积分的世界解决这个问题：
I2=I×I=∫−∞∞e−12y2dy⋅∫−∞∞e−12z2dz=∫−∞∞∫−∞∞e−12(y2+z2)dydzto the polar coordinates r and θ:I2=∫02π∫0∞e−12(r2)rdrdθsubstitute v=r2/2∫0∞e−vdv=1 \begin {aligned} I^2&amp;=I\times I=\int^{\infty}_{-\infty}e^{-\frac{1}{2}y^2}dy \cdot \int^{\infty}_{-\infty}e^{-\frac{1}{2}z^2}dz\\ &amp;=\int^{\infty}_{-\infty} \int^{\infty}_{-\infty}e^{-\frac{1}{2}(y^2+z^2)}dydz\\ \text{to the polar coordinates } r \text{ and } \theta :\\ I^2&amp;=\int^{2\pi}_{0} \int^{\infty}_{0}e^{-\frac{1}{2}(r^2)}rdrd\theta \\ \text{substitute }v=r^2/2\\ &amp;\int^{\infty}_{0}e^{-v}dv=1 \end{aligned} I2to the polar coordinates r and θ:I2substitute v=r2/2​=I×I=∫−∞∞​e−21​y2dy⋅∫−∞∞​e−21​z2dz=∫−∞∞​∫−∞∞​e−21​(y2+z2)dydz=∫02π​∫0∞​e−21​(r2)rdrdθ∫0∞​e−vdv=1​

证毕。
也就证明了两个这个积分相乘的结果是1，但是我们并没有求出他的反函数。

m.g.f.

m.g.f. 一旦得到相应的均值和方差就非常简单了。

Theorem Moment Generating Function.The m.g.f. of the distribution with p.d.f. given by upside is
ψ(t)=eμt+12σ2t2 for −∞&lt;t&lt;∞ \begin{aligned} \psi(t)&amp;=e^{\mu t+\frac{1}{2}\sigma^2t^2}&amp;\text{ for }-\infty&lt;t&lt;\infty \end{aligned} ψ(t)​=eμt+21​σ2t2​ for −∞<t<∞​

证明上面定理的唯一办法就是我们求一下正态分布定义中那个p.d.f.的m.g.f.看结果是否一致。
ψ(t)=E(etX)=∫−∞∞1(2π)1/2etx−(x−μ)22σ2dxsquare inside the brackets:tx−(x−μ)22σ2=μt+12σ2t2−[x−(μ+σ2t)]22σ2Therefore:ψ(t)=Ceμt+12σ2t2where: C=∫−∞∞1(2π)1/2σe−[x−(μ+σ2t)]22σ2dx \begin{aligned} \psi(t)&amp;=E(e^{tX})=\int^{\infty}_{-\infty}\frac{1}{(2\pi)^{1/2}}e^{tx-\frac{(x-\mu)^2}{2\sigma^2}}dx\\ \text{square inside the brackets:}\\ tx-\frac{(x-\mu)^2}{2\sigma^2}&amp;=\mu t+\frac{1}{2}\sigma^2t^2-\frac{[x-(\mu+\sigma^2t)]^2}{2\sigma^2}\\ \text{Therefore:}\\ \psi(t)&amp;=Ce^{\mu t+\frac{1}{2}\sigma^2t^2}\\ \text{where: }\\ C&amp;=\int^{\infty}_{-\infty}\frac{1}{(2\pi)^{1/2}\sigma}e^{-\frac{[x-(\mu+\sigma^2t)]^2}{2\sigma^2}}dx \end{aligned} ψ(t)square inside the brackets:tx−2σ2(x−μ)2​Therefore:ψ(t)where: C​=E(etX)=∫−∞∞​(2π)1/21​etx−2σ2(x−μ)2​dx=μt+21​σ2t2−2σ2[x−(μ+σ2t)]2​=Ceμt+21​σ2t2=∫−∞∞​(2π)1/2σ1​e−2σ2[x−(μ+σ2t)]2​dx​
然后我们用 μ+σ2t\mu+\sigma^2tμ+σ2t 替换掉 $\mu$ 并且 $C=1$ 因此证明了结论的正确性
证毕。

节选自原文地址：https://www.face2ai.com/Math-Probability-5-6-The-Normal-Distributions-P2转载请标明出处

转载于:https://www.cnblogs.com/face2ai/p/9756525.html