为什么高斯分布概率密度函数的积分等于1
一维高斯分布的概率密度如下:
N(x∣μ,σ2)=1(2πσ2)1/2exp{−12σ2(x−μ)2}(1)N(x \mid\mu ,\sigma^2)=\frac{1}{(2\pi\sigma^2)^{1/2}}exp\{-\frac{1}{2\sigma^2}(x-\mu)^2\} (1)N(x∣μ,σ2)=(2πσ2)1/21exp{−2σ21(x−μ)2}(1)
现在要证明为什么式(1)的积分为1,这也是PRML的exercise 1.7:
∫−∞∞N(x∣μ,σ2)dx=1\int^{\infty}_{-\infty}N(x \mid\mu,\sigma^2)dx=1∫−∞∞N(x∣μ,σ2)dx=1
证明比较巧妙,采用的是化为二重积分的形式并把笛卡尔坐标转换成极坐标。
首先把 I=∫−∞∞exp(−12σ2x2)dx\displaystyle I=\int^{\infty}_{-\infty}exp(-\frac{1}{2\sigma^2}x^2)dxI=∫−∞∞exp(−2σ21x2)dx 化为二重积分的形式:
I2=∫−∞∞∫−∞∞exp(−12σ2x2−12σ2y2)dxdyI^2 =\int^{\infty}_{-\infty}\int^{\infty}_{-\infty}exp(-\frac{1}{2\sigma^2}x^2-\frac{1}{2\sigma^2}y^2)dxdyI2=∫−∞∞∫−∞∞exp(−2σ21x2−2σ21y2)dxdy
把笛卡尔坐标转换成极坐标:
x=rcosθ,y=rsinθx = rcos\theta, y = rsin\thetax=rcosθ,y=rsinθ
雅可比行列式如下,关于雅可比行列式参考我的另一篇文章:
∂(x,y)∂(r,θ)=∣∂x∂r∂x∂θ∂y∂r∂y∂θ∣=∣cosθ−rsinθsinθrcosθ∣=r\frac{\partial(x,y)}{\partial(r,\theta)}= \left| \begin{array}{cc} \frac{\partial x}{\partial r} & \frac{\partial x}{\partial\theta}\\ \frac{\partial y}{\partial r} & \frac{\partial y}{\partial\theta} \end{array}\right|= \left| \begin{array}{cc} cos\theta & -rsin\theta\\ sin\theta & rcos\theta \end{array}\right|=r∂(r,θ)∂(x,y)=∣∣∣∣∂r∂x∂r∂y∂θ∂x∂θ∂y∣∣∣∣=∣∣∣∣cosθsinθ−rsinθrcosθ∣∣∣∣=r
因此二重积分变为:
I2=∫0+∞∫02πexp(−r2cos2θ+r2sin2θ2σ2)rdrdθ=2π∫0+∞exp(−r22σ2)12d(r2)=−2πσ2∫0+∞exp(−r22σ2)d(−r22σ2)=−2πσ2[exp(z)]0−∞=2πσ2\begin{aligned} I^2 &= \int^{+\infty}_{0}\int^{2\pi}_{0}exp(-\frac{r^2cos^2\theta + r^2sin^2\theta}{2\sigma^2})rdrd\theta\\ & = 2 \pi\int^{+\infty}_{0} exp(-\frac{r^2}{2\sigma^2})\frac{1}{2}d(r^2)\\ &=-2\pi\sigma^2\int^{+\infty}_{0}exp(-\frac{r^2}{2\sigma^2})d(-\frac{r^2}{2\sigma^2})\\ &= -2\pi\sigma^2 [exp(z)]^{-\infty}_{0}\\ &= 2 \pi\sigma^2 \end{aligned}I2=∫0+∞∫02πexp(−2σ2r2cos2θ+r2sin2θ)rdrdθ=2π∫0+∞exp(−2σ2r2)21d(r2)=−2πσ2∫0+∞exp(−2σ2r2)d(−2σ2r2)=−2πσ2[exp(z)]0−∞=2πσ2
其中 z=−r22σ2\displaystyle z=-\frac{r^2}{2\sigma^2}z=−2σ2r2 ,因此:
I=(2πσ2)1/2I=(2 \pi\sigma^2)^{1/2}I=(2πσ2)1/2
最后,令 y=x−μy = x − \muy=x−μ ,高斯分布概率密度函数的积分为:
∫−∞∞N(x∣μ,σ2)dx=∫−∞∞1(2πσ2)1/2exp{−12σ2(x−μ)2}dx=∫−∞∞1(2πσ2)1/2exp{−y22σ2}dy=(2πσ2)−1/2⋅I=1\begin{aligned}\int^{\infty}_{-\infty}N(x \mid\mu,\sigma^2)dx &= \int^{\infty}_{-\infty}\frac{1}{(2\pi\sigma^2)^{1/2}}exp\{-\frac{1}{2\sigma^2}(x-\mu)^2\}dx \\ &= \int^{\infty}_{-\infty}\frac{1}{(2\pi\sigma^2)^{1/2}}exp\{-\frac{y^2}{2\sigma^2}\}dy \\ &= (2\pi\sigma^2)^{-1/2}\cdot I\\ &=1 \end{aligned}∫−∞∞N(x∣μ,σ2)dx=∫−∞∞(2πσ2)1/21exp{−2σ21(x−μ)2}dx=∫−∞∞(2πσ2)1/21exp{−2σ2y2}dy=(2πσ2)−1/2⋅I=1
参考资料:
[1] PRML
转载自:
博主:清雅的机器学习笔记
博文地址:https://zhuanlan.zhihu.com/p/40225646
来源:知乎
为什么高斯分布概率密度函数的积分等于1相关推荐
- 常用连续型随机变量的概率分布表(附概率密度函数全域积分等于1、期望、方差的推导与证明)
常用离散型随机变量的内容在这里(CSDN对文章长度设了限制,我只能分成两篇博客来发布). 常用连续型随机变量的概率分布速查表 随机变量 记号 概率密度函数 分布函数 期望 方差 均匀分布 X ∼ U ...
- 【数据挖掘】高斯混合模型 ( 模型简介 | 软聚类 | 概率作用 | 高斯分布 | 概率密度函数 | 高斯混合模型参数 | 概率密度函数 )
文章目录 I . 高斯混合模型方法 ( GMM ) II . 硬聚类 与 软聚类 III . GMM 聚类结果概率的作用 IV . 高斯混合分布 V . 概率密度函数 VI . 高斯分布 曲线 ( 仅 ...
- 高斯分布概率密度函数(PDF)和累积分布函数(CDF)
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. ...
- 【机器学习】【ICA-1】概率统计/代数知识详解:高斯分布、概率密度函数、累积分布函数、联合分布函数、复合函数的概率密度函数、行列式求导等
要容易理解ICA,就需要先好好理解透彻下面这些概率统计和线性代数的知识点:高斯分布.概率密度函数.累积分布函数.复合函数的概率密度函数.行列式.代数余子式.矩阵微积分等.下面一一简单记录和复习下这些概 ...
- 【日常分享】概率密度函数与概率分布函数理解
文章目录 前言 概率密度函数 概率质量函数 概率分布函数 概率分布函数的性质 举例说明 备注 借鉴 前言 最近在搞深度学习,统计数据分布时发现概率论这部分的知识点掌握的不是很好,因此在网上查阅了部分资 ...
- 概率分布、概率密度、概率分布函数、概率密度函数
今天突然看到概率分布.概率密度函数等概念,有点懵,赶紧复习以下. 理解相关概念首先要区分的是变量类型,离散变量与连续变量,不同的变量对应不同的概率描述方法,我们分开来看. 离散变量 概率分布.概率密度 ...
- 概率函数,概率分布函数,概率密度函数
概率函数 又称为"分布律",通常用来表示离散型随机变量在每个点的概率 如上图所示,P{X=Xk}=pkP\{X=X_k\} = p_kP{X=Xk}=pk即为概率函数 概率分布 ...
- 从高斯分布的导出讲起——为什么概率密度函数长成这个样子?
正态分布(德语:Normalverteilung:英语:normal distribution)又名高斯分布(德语:Gauß-Verteilung:英语:Gaussian distribution, ...
- mysql 密度函数,高斯分布(Gaussian Distribution)的概率密度函数(probability density function)...
高斯分布(Gaussian Distribution)的概率密度函数(probability density function) 对应于numpy中: numpy.random.normal(loc= ...
最新文章
- openStack工具集
- Django model 中的 class Meta 详解
- python中用函数货币转换代码_python将人民币转换大写的脚本代码
- 前端学习(2364):图片的上传
- js foreach 跳出循环_VUE.js
- 作者:牛海波,男,中国国防科技信息中心工程师。
- 最大传输单元(MTU)
- 带你了解Typescript的14个基础语法
- 生成微信所有朋友合成的头像,来自网络GitHub,
- 人物和背景分离的快速方法
- 阿里腾讯的正面交锋:支付宝被薅羊毛 137 万依然乐此不疲
- samba文件共享及账户映射
- Python中的计数(词频)
- 深入浅出Linux设备驱动编程--复杂设备驱动
- 从键盘上输入10个数,求其平均值。
- Net-Speeder为OpenVZ加速
- SuperMap webgl 中使用的gltf模型制作方法
- css获取父元素下第几个元素出坑和JQuery通过index()获取下标出坑方法
- access mysql odbc驱动程序_64位系统下access的64位odbc驱动
- sumproduct函数在条件求和中的应用
热门文章
- 使用spring-loaded实现应用热部署
- [leetcode]1.两数之和
- 用python代替人脑运算24点游戏
- C# .NET 使用 NPOI 生成 .xlsx 格式 Excel
- JavaScript异步编程【上】 -- 同步和异步、事件循环(EventLoop)、微任务和宏任务、回调函数
- C#LeetCode刷题之#232-用栈实现队列​​​​​​​​​​​​​​(Implement Queue using Stacks)
- docker 删除映像_如何在Docker中删除映像和容器
- 单机斗地主单机_单击浏览器中的URL会发生什么
- 原型和原型链原型继承_原型还是不原型:这就是问题所在。
- 尚学堂java 参考答案 第七章