高斯分布的一些理解

最新推荐文章于 2023-08-23 15:03:48 发布

一个欢乐的人

最新推荐文章于 2023-08-23 15:03:48 发布

阅读量3.6k

点赞数

分类专栏：数学文章标签：高斯分布

数学专栏收录该内容

3 篇文章 1 订阅

订阅专栏

转自：http://blog.csdn.net/rns521/article/details/6953591

正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。

若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X∼N(μ,σ²),

则其概率密度函数为：

正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布。

正态分布的定义

有几种不同的方法用来说明一个随机变量。最直观的方法是概率密度函数，这种方法能够表示随机变量每个取值有多大的可能性。累积分布函数是一种概率上更加清楚的方法，但是非专业人士看起来不直观（请看下边的例子）。还有一些其他的等价方法，例如cumulant、特征函数、动差生成函数以及cumulant-生成函数。这些方法中有一些对于理论工作非常有用，但是不够直观。请参考关于概率分布的讨论。

概率密度函数

正态分布的概率密度函数均值为μ 方差为σ² (或标准差σ)是高斯函数的一个实例：

下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：

密度函数关于平均值对称
平均值是它的众数（statistical mode）以及中位数（median）
函数曲线下68.268949%的面积在平均值左右的一个标准差范围内
95.449974%的面积在平均值左右两个标准差2σ的范围内
99.730020%的面积在平均值左右三个标准差3σ的范围内
99.993666%的面积在平均值左右四个标准差4σ的范围内
反曲点（inflection point）在离平均值的距离为标准差之处

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

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：

正态分布的一些性质

1、如果 $X \sim N(\mu, \sigma^2) \,$ 且a与b是实数，那么aX+b ∼N(aμ+b,(aσ)²)

2、如果 $X \sim N(\mu_X, \sigma^2_X)$ 与 $Y \sim N(\mu_Y, \sigma^2_Y)$ 是统计独立的正态分布随机变量，那么：

它们的和也满足正态分布 $U = X + Y \sim N(\mu_X + \mu_Y, \sigma^2_X + \sigma^2_Y)$
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和V两者是相互独立的。

3、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K0是贝塞尔函数（modified Bessel function）

它们的比符合柯西分布，满足X / Y∼Cauchy(0,σX / σY)。

4、 $X_1, \cdots, X_n$ 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。

相关分布：

R∼Rayleigh(σ)是瑞利分布，如果 $R = \sqrt{X^2 + Y^2}$ ，这里X∼N(0,σ2)和Y∼N(0,σ2)是两个独立正态分布。
$Y \sim \chi_{\nu}^2$ 是卡方分布具有ν自由度，如果 $Y = \sum_{k=1}^{\nu} X_k^2$ 这里Xk∼N(0,1)其中 $k=1,\dots,\nu$ 是独立的。
Y∼Cauchy(μ = 0,θ = 1)是柯西分布，如果Y = X1 / X2，其中X1∼N(0,1)并且X2∼N(0,1)是两个独立的正态分布。
Y∼Log-N(μ,σ2)是对数正态分布如果Y = eX并且X∼N(μ,σ2).
与Lévy skew alpha-stable分布相关：如果 $X\sim \textrm{Levy-S}\alpha\textrm{S}(2,\beta,\sigma/\sqrt{2},\mu)$ 因而 $X \sim N(\mu,\sigma^2)$ .
截断正态分布.如果 $X \sim N(\mu, \sigma^2),\!$ ，在A以下和B以上截取X 将产生一个平均值 $E(X)=\mu + \frac{\sigma(\varphi_1-\varphi_2)}{T},\!$ 这里 $T=\Phi\left(\frac{B-\mu}{\sigma}\right)-\Phi\left(\frac{A-\mu}{\sigma}\right), \; \varphi_1 = \varphi\left(\frac{A-\mu}{\sigma}\right), \; \varphi_2 = \varphi\left(\frac{B-\mu}{\sigma}\right)$ ，φ是一个标准正态随机变量的密度函数
如果X是一个正态分布的随机变量, Y = | X | ，那么Y具有折叠正态分布.

一个欢乐的人

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
高斯分布的一些理解

转自：http://blog.csdn.net/rns521/article/details/6953591正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X∼N(μ,σ²),...
复制链接

扫一扫