高斯分布的一些性质

高斯分布(Gaussian Distribution),也称正态分布,是概率论和统计学中最重要的分布之一。以下是它的一些关键性质和特点:


1. 概率密度函数 (PDF)
高斯分布的概率密度函数为:
f ( x ) = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 f(x) = \frac{1}{\sqrt{2\pi \sigma^2}} e^{-\frac{(x - \mu)^2}{2\sigma^2}} f(x)=2πσ2 1e2σ2(xμ)2

其中:

  • μ \mu μ 是均值,决定分布的中心位置。

  • σ 2 \sigma^2 σ2 是方差, σ \sigma σ 是标准差,决定分布的宽度(或离散程度)。


2. 对称性

  • 高斯分布以均值 μ \mu μ 为中心,对称分布。

  • 左右两侧的分布完全相同。


3. 均值、方差和期望

  • 均值: E [ X ] = μ \mathbb{E}[X] = \mu E[X]=μ

  • 方差: Var ( X ) = σ 2 \text{Var}(X) = \sigma^2 Var(X)=σ2

  • 标准差: σ \sigma σ

这些参数完全描述了一个高斯分布。


4. 标准正态分布 标准正态分布是高斯分布的特例,当 μ = 0 \mu = 0 μ=0 σ 2 = 1 \sigma^2 = 1 σ2=1$ 时: f ( x ) = 1 2 π e − x 2 2 f(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} f(x)=2π 1e2x2

任何正态分布都可以通过标准化变为标准正态分布:
Z = X − μ σ Z = \frac{X - \mu}{\sigma} Z=σXμ
其中 Z Z Z 是标准正态随机变量。


5. 累积分布函数 (CDF)
高斯分布的累积分布函数为:
F ( x ) = P ( X ≤ x ) = ∫ − ∞ x f ( t )   d t F(x) = P(X \leq x) = \int_{-\infty}^x f(t) \, dt F(x)=P(Xx)=xf(t)dt
对于标准正态分布,CDF 通常记作 Φ ( x ) \Phi(x) Φ(x)。没有解析解,通常通过数值方法计算。


**
高斯分布(Gaussian Distribution),也称正态分布,是概率论和统计学中最重要的分布之一。以下是它的一些关键性质和特点:


1. 概率密度函数 (PDF)
高斯分布的概率密度函数为:
f ( x ) = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 f(x) = \frac{1}{\sqrt{2\pi \sigma^2}} e^{-\frac{(x - \mu)^2}{2\sigma^2}} f(x)=2πσ2 1e2σ2(xμ)2

其中:

  • μ \mu μ 是均值,决定分布的中心位置。

  • σ 2 \sigma^2 σ2 是方差, σ \sigma σ 是标准差,决定分布的宽度(或离散程度)。


2. 对称性

  • 高斯分布以均值 μ \mu μ 为中心,对称分布。

  • 左右两侧的分布完全相同。


3. 均值、方差和期望

  • 均值: E [ X ] = μ \mathbb{E}[X] = \mu E[X]=μ

  • 方差: Var ( X ) = σ 2 \text{Var}(X) = \sigma^2 Var(X)=σ2

  • 标准差: σ \sigma σ

这些参数完全描述了一个高斯分布。


4. 标准正态分布 标准正态分布是高斯分布的特例,当 μ = 0 \mu = 0 μ=0 σ 2 = 1 \sigma^2 = 1 σ2=1 时:
f ( x ) = 1 2 π e − x 2 2 f(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} f(x)=2π 1e2x2

任何正态分布都可以通过标准化变为标准正态分布:
Z = X − μ σ Z = \frac{X - \mu}{\sigma} Z=σXμ
其中 Z Z Z 是标准正态随机变量。


5. 累积分布函数 (CDF)
高斯分布的累积分布函数为:
F ( x ) = P ( X ≤ x ) = ∫ − ∞ x f ( t )   d t F(x) = P(X \leq x) = \int_{-\infty}^x f(t) \, dt F(x)=P(Xx)=xf(t)dt
对于标准正态分布,CDF 通常记作 Φ ( x ) \Phi(x) Φ(x)。没有解析解,通常通过数值方法计算。


  1. 68 − 95 − 99.7 68-95-99.7 689599.7 规则
    对于一个高斯分布:
  • 68 % 68\% 68% 的数据在 [ μ − σ , μ + σ ] [\mu - \sigma, \mu + \sigma] [μσ,μ+σ] 范围内。

  • 95 % 95\% 95% 的数据在 [ μ − 2 σ , μ + 2 σ ] [\mu - 2\sigma, \mu + 2\sigma] [μ2σ,μ+2σ] 范围内。

  • 99.7 % 99.7\% 99.7% 的数据在 [ μ − 3 σ , μ + 3 σ ] [\mu - 3\sigma, \mu + 3\sigma] [μ3σ,μ+3σ] 范围内。


7. 可加性 如果 X ∼ N ( μ 1 , σ 1 2 ) X \sim N(\mu_1, \sigma_1^2) XN(μ1,σ12) Y ∼ N ( μ 2 , σ 2 2 ) Y \sim N(\mu_2, \sigma_2^2) YN(μ2,σ22),且 X X X Y Y Y 独立,则:
Z = X + Y ∼ N ( μ 1 + μ 2 , σ 1 2 + σ 2 2 ) Z = X + Y \sim N(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2) Z=X+YN(μ1+μ2,σ12+σ22)


8. 最大熵分布 在所有均值为 μ \mu μ 且方差为 σ 2 \sigma^2 σ2 的概率分布中,高斯分布是最大熵分布,即它最随机、信息最少。


9. 平稳性和闭包性

  • 高斯分布在加权求和时保持高斯性(例如线性变换、独立高斯变量相加)。

  • X ∼ N ( μ , σ 2 ) X \sim N(\mu, \sigma^2) XN(μ,σ2),且 Y = a X + b Y = aX + b Y=aX+b,则:
    Y ∼ N ( a μ + b , a 2 σ 2 ) Y \sim N(a\mu + b, a^2\sigma^2) YN(aμ+b,a2σ2)


10. 特征函数和生成函数

  • 特征函数: ϕ X ( t ) = E [ e i t X ] = e i t μ − 1 2 t 2 σ 2 \phi_X(t) = \mathbb{E}[e^{itX}] = e^{it\mu - \frac{1}{2}t^2\sigma^2} ϕX(t)=E[eitX]=eitμ21t2σ2

  • 矩母函数: M X ( t ) = E [ e t X ] = e t μ + 1 2 t 2 σ 2 M_X(t) = \mathbb{E}[e^{tX}] = e^{t\mu + \frac{1}{2}t^2\sigma^2} MX(t)=E[etX]=etμ+21t2σ2


11. 高斯分布的卷积 如果两个独立随机变量 X X X Y Y Y 都是高斯分布,则它们的卷积仍然是高斯分布:
Z = X + Y ∼ N ( μ X + μ Y , σ X 2 + σ Y 2 ) Z = X + Y \sim N(\mu_X + \mu_Y, \sigma_X^2 + \sigma_Y^2) Z=X+YN(μX+μY,σX2+σY2)


12. 中心极限定理
许多独立同分布随机变量的和在样本数量趋于无穷大时,其分布趋于高斯分布,无论原始分布为何种形状。


这些性质让高斯分布在概率论、统计学、信号处理、机器学习等领域广泛应用。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xwhking

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值