高斯分布期望的推导
2016-09-19 00:36
134 查看
1. 高斯概率密度函数的积分
令I=∫+∞−∞exp(−12σ2x2)dx
它的平方则为:
I2=∫+∞−∞∫+∞−∞exp(−12σ2x2−12σ2y2)dxdy
将坐标(x,y)转为极坐标(r,θ),则有:
x=rcos(θ)y=rsin(θ)
所以:
I2=∫2π0∫∞0exp(−r22σ2)rdrdθ=2π∫∞0exp(−u2σ2)12du=π[exp(−u2σ2)(−2σ2)]∞0=2πσ2
从而我们有
∫+∞−∞N(x|μ,σ2)dx=1
2. 高斯分布的期望
该推导来自http://math.stackexchange.com/高斯分布的概率密度函数为:
fX(x)=1σ2π−−√exp{−(x−μ)22σ2}
其中σ>0。根据期望的定义,我们有:
E(X)=∫∞−∞x1σ2π−−√exp{−(x−μ)22σ2}dx
根据积分原理,令y=x−μ
E(X)=∫∞−∞(y+μ)1σ2π−−√exp{−y22σ2}dy=∫∞−∞y1σ2π−−√exp{−y22σ2}dy+∫∞−∞μ1σ2π−−√exp{−y22σ2}dy[1]
第一部分用I1表示:
I1=∫∞−∞x1σ2π−−√exp{−x22σ2}dx
显然函数
f(x)=x1σ2π−−√exp{−x22σ2}
是一个奇函数(因为f(x)=−f(−x)),其对称区间的积分等于0。因此我们有
I1=0
所以我们有
E(X)=∫∞−∞μ1σ2π−−√exp{−x22σ2}dx=μ∫∞−∞1σ2π−−√exp{−x22σ2}dx
运用第一节的证明 我们就有
E(x)=μ∫+∞−∞N(x|μ′=0,σ2)dx=μ
3. 高斯分布的方差
Var(X)=∫∞−∞(x−μ)21σ2π−−√exp{−(x−μ)22σ2}dx∫∞−∞(x−μ)21σ2π−−√exp{−(x−μ)22σ2}dx=∫∞−∞x21σ2π−−√exp{−x22σ2}dx
=σ2√∫∞−∞(σ2√x)21σ2π−−√exp{−(σ2√x)22σ2}dx=σ24π√∫∞0x2e−x2dx
令t=x2,则有dt=2xdx=2t√dx⇒dx=(2t√)−1dt,带入上式:
V(X)=σ24π√∫∞0(t√)2(2t√)−1e−tdt=σ24π√12∫∞0t32−1e−tdt=σ24π√12Γ(32)
⇒V(X)=σ24π√12π√2=σ2
Γ()为伽马函数
相关文章推荐
- MapReduce——并行期望最大值化算法(EM在高斯混合分布中的应用)
- 高斯分布微分熵的推导
- 高斯分布期望和方差的最小二乘法拟合
- 伯努利分布期望,方差推导
- HDU 4418 Time travel 期望dp+dfs+高斯消元
- 推导Beta分布公式
- EM(期望值最大化)算法在高斯混合分布中的应用
- [BZOJ2337][HNOI2011]XOR和路径-高斯消元-期望
- Python数据可视化之高斯分布
- 常见分布的期望与方差以及图形
- [BZOJ3143][Hnoi2013][概率与期望][高斯消元]游走
- HDU 2262 Where is the canteen(高斯求期望问题)
- 【JLOI 2012】时间流逝(期望,树上高斯消元)
- 高斯消元裸题(期望)——【HNOI2013】游走
- bzoj3143/洛谷3434 游走 高斯消元求期望
- BZOJ 2707: [SDOI2012]走迷宫 拓扑+高斯消元+期望概率dp+Tarjan
- ZJUT 1423 地下迷宫(期望DP&高斯消元)
- HDU 2262 Where is the canteen 期望 + 高斯消元
- 二项分布均值,方差推导
- 【BZOJ2707】[SDOI2012]走迷宫 Tarjan+拓扑排序+高斯消元+期望