学习笔记：Gaussian distribution 高斯分布特殊性质及简单具体实现

原创已于 2024-03-19 20:22:14 修改 · 2.4k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#概率论

于 2020-07-28 16:29:43 首次发布

知识向专栏收录该内容

6 篇文章

订阅专栏

本文深入探讨了高斯分布（正态分布）的关键属性，包括其数学表达式、球状对称性、以及如何通过高斯分布生成线段上的均匀分布点。文中还提供了Python代码示例，用于可视化不同参数下高斯分布的形态变化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

高斯分布（正态分布）

高斯分布可以写成如下形式：
$ρ_s (x)=(\frac{1}{s})*e ^\frac{-π(x-u)^2}{s^2}，s=\sqrt{2π}*σ$

当u=0，s固定不变时， $ρ_s (x)$ 只与x的值有关。

性质：

1.乘法概率分布（product distribution）

即多维的高斯分布可以写成一维高斯分布的乘积。
$ρ_s (x)=ρ_s (x_1)*ρ_s (x_2)*...*ρ_s (x_n)$

n维高斯分布：
$ρ_s (x)=(\frac{1}{s})^n*e ^\frac{-π║x║^2}{s^2}$

2.球状对称（Spherically Symmetric）

一维的高斯分布是左右对称的，二维是中心对称的，三维是球状对称的。所以，对于n维的高斯分布， $ρ_s (x)$ 值只与x到原点的距离有关，与如何选择坐标轴无关。

3.在线段上产生均匀分布的点（Generating Uniform Elements on Line Segment）

对于一维高斯分布来说，设一个正整数为M，当 $s = 5 M$ 时，高斯分布上的点模m(m<M)后取值等价于从[0，m)内随机取值。也就是说，可以从高斯分布转换成模m的均匀分布（对于所有的m<M都成立）

代码：

# encoding: utf-8
#本人不太会写模x的结果，所以比较简单地实现了一下
import math
import numpy as np
import matplotlib.pyplot as plt

def func(x,s,m):
    y=[]
    for i in x:
        c=(np.exp(-(i) ** 2*np.pi) / (s ** 2) / (s))+(np.exp(-(i-m) ** 2*np.pi) / (s ** 2) / (s))
        for j in range(1,200):
            c+=(np.exp(-(i+j*m) ** 2*np.pi) / (s ** 2) / (s))
            c+=(np.exp(-(i-(j+1)*m) ** 2*np.pi) / (s ** 2) / (s))
        y.append(c)
    return y

m1=[0.7,0.9,1.0,1.2]

for m in m1:
    s=1
    x = np.linspace(0.1,m, 100)         
    y = func(x,s,m)
    if m == 0.7:
        plt.plot(x, y,'blue', linewidth=m,label='m=0.7,sig=1')
    if m == 0.9:
        plt.plot(x, y,'orange', linewidth=m,label='m=0.9,sig=1')
    if m == 1.0:
        plt.plot(x, y,'green', linewidth=m,label='m=1.0,sig=1')
    if m == 1.2:
        plt.plot(x, y,'red', linewidth=m,label='m=1.2,sig=1')
plt.legend()        
plt.grid(True) 
plt.show()