【概率论】正态分布的由来——从大一同学的视角出发
- 数学系大佬勿喷,本文以非数同学的视角出发
0.启发与思考
正态分布平时常常遇到,无论是在概率论中的“中心极限定理”,还是平时在学习ML中遇到的“高斯混合模型”,或者是在深度学习中,常常将一些数据假设为正态分布的情况。我们平时可能由于知到中心极限定理
,因此默认正态分布是一个很好的分布。但是,这为什么不能是平均分布呢?二项分布呢?泊松分布?或者是其它抽样分布?
- 接下来我们将简要探讨正态分布的由来:
1. 背景
- 我们要对某个真实值 μ \mu μ进行 n n n次观测,得到了观测值 x 1 , x 2 , . . . , x n x_1,x_2,...,x_n x1,x2,...,xn,我们需要根据这n次观测推断 μ \mu μ,我们一般会怎么办呢?
- 试想我们进行物理实验的时候,对测量某个物体的长度,我们可能会测多次,然后取平均值。即我们认为 μ ˉ = ∑ i = 1 n x i n \bar{\mu}={\sum_{i=1}^n x_i \over n} μˉ=n∑i=1nxi可以用来估计真实值 μ \mu μ。背后,我们为什么会通过去取平均值来估计真实值呢?为什么不是通过求“几何平均”、“调和平均”或者“平方平均”呢?
p.s. 很多同学其实并没有意识到什么是 “调和平均”,试想一下并联电阻,是不是就明白啦?另外通过作图也可以理解几个平均数的含义。 - 事实上,我们假设观测误差 e i = x i − μ e_i=x_i-\mu ei=xi−μ是“关于0对称”的;换句话说 e i = c e_i=c ei=c与 e i = − c e_i=-c ei=−c的概率是相同的。
- 此外,我们学过了线性代数。在最小二乘的意义下, l o s s = 1 n ∑ i = 1 n ( x i − μ ˉ ) 2 loss={1 \over n }\sum_{i=1}^n (x_i-\bar{\mu})^2 loss=n1i=1∑n(xi−μˉ)2,可见当 μ ˉ = ∑ i = 1 n x i n \bar{\mu}={\sum_{i=1}^n x_i \over n} μˉ=n∑i=1nxi时,上述的误差代价最小,我们可以认为真实值是 μ ˉ \bar{\mu} μˉ
2. 步入正题:
我们学过极大似然估计的思想,即我们可以认为当前出现的事件,具有较大的概率。由于各次观测是独立的,因此 n n n次观察的误差情况 ( x 1 − μ , x 2 − μ , . . . , x n − μ ) (x_1-\mu,x_2-\mu,...,x_n-\mu) (x1−μ,x2−μ,...,xn−μ)的联合概率 P P P可以写为 ∏ i = 1 n p ( x i − μ ) \prod^n_{i=1}p(x_i-\mu) i=1∏np(xi−μ),其中 p ( x ) p(x) p(x)是关于随机变量误差 e e e的概率密度函数。其中,我们要求 μ \mu μ的估计值 μ ˉ \bar{\mu} μˉ。即当 μ \mu μ的估计值取为 μ ˉ \bar{\mu} μˉ时, P P P能取最大值。我们根据背景
部分的假设,可得
- p(x)关于x=0对称
事实上,我们还可以给一个较强的假设方便计算: - p(x)有二阶连续的导函数
以下我们将从极大似然法
的角度,证明:p(x)为高斯函数,即 p ( x ) = e a ( x − b ) 2 的 形 式 p(x)=e^{a(x-b)^2}的形式 p(x)=ea(x−b)2的形式
2.1. 从极大似然法的角度出发
考虑极大似然函数
L ( μ ) = l o g P = ∑ i = 1 n l o g ( p ( x i − μ ) ) L(\mu)=logP=\sum_{i=1}^nlog(p(x_i-\mu)) L(μ)=logP=i=1∑nlog(p(xi−μ))其取最大值的情况。其取最大值的必要条件是:
∂ L ( μ ) ∂ μ ∣ μ = μ ˉ = 0 {\partial L(\mu) \over \partial \mu } | _{\mu=\bar{\mu}}=0 ∂μ∂L(μ)∣μ=μˉ=0
其中:
∂ L ( μ ) ∂ μ ∣ μ = μ ˉ = − ∑ i = 1 n p ′ ( x i − μ ˉ ) p ( x i − μ ˉ ) {\partial L(\mu) \over \partial \mu } | _{\mu=\bar{\mu}} =- \sum_{i=1}^n {p'(x_i-\bar\mu) \over p(x_i-\bar\mu)} ∂μ∂L(μ)∣μ=μˉ=−i=1∑np(xi−μˉ)p′(xi−μˉ)
2.2 变形,讨论函数性质:
设 g ( x ) = p ′ ( x i − μ ) p ( x i − μ ) g(x)={p'(x_i-\mu) \over p(x_i-\mu)} g(x)=p(xi−μ)p′(xi−μ),则我们由1
中的表达式,可得到:
∑ i = 1 n g ( x i − μ ˉ ) = 0 \sum_{i=1}^ng(x_i-\bar{\mu})=0 i=1∑ng(xi−μˉ)=0
其中
μ ˉ = ∑ i = 1 n x i n \bar{\mu}={\sum_{i=1}^n x_i \over n} μˉ=n∑i=1nxi
这是因为我们假设n次观察的误差应该是均匀的,即 ∑ i = 1 n ( x i − μ ˉ ) = 0 \sum_{i=1}^n (x_i-\bar\mu)=0 ∑i=1n(xi−μˉ)=0
以下我们将讨论函数 g ( x ) g(x) g(x)的性质,以便于求出 p ( x ) p(x) p(x)的性质。
- 我们利用
数学归纳法
的思想,先考虑简单情况:n=2的情况,此时我们根据2中的表达式,可以得到 g ( x ) g(x) g(x)满足
g ( x ) + g ( − x ) = 0 , g(x)+g(-x)=0, g(x)+g(−x)=0,
即g(x)是奇函数; - 我们再考虑n=3的情况,此时:
g ( x 1 − μ ) + g ( x 2 − μ ) + g ( x 3 − μ ) = 0 g(x_1-\mu)+g(x_2-\mu)+g(x_3-\mu)=0 g(x1−μ)+g(x2−μ)+g(x3−μ)=0
其中 x 1 , x 2 , x 3 x_1,x_2,x_3 x1,x2,x3都是观测所得的,具有任意性,又由于 g g g为奇函数,因此得到以下式子
g ( x ) + g ( y ) = g ( x + y ) g(x)+g(y)=g(x+y) g(x)+g(y)=g(x+y)
这个函数方程被称为柯西函数方程
。其实凭借着同学们大一所学到高等数学
知识,已经可以求解 g ( x ) g(x) g(x)形式。
由于我们假设 p ( x ) p(x) p(x)有二阶连续导函数,因此 g ( x ) g(x) g(x)的函数也是连续的(其实这个条件有点强了)
2.3 具体求解
首先由 2 g ( 0 ) = g ( 0 ) 2g(0)=g(0) 2g(0)=g(0),得 g ( 0 ) = 0 g(0)=0 g(0)=0;
其次,由于 2 g ( x ) = g ( 2 x ) 2g(x)=g(2x) 2g(x)=g(2x),我们对 x x x求导得到:
g ′ ( x ) = g ′ ( 2 x ) g'(x)=g'(2x) g′(x)=g′(2x)
则由于 g ′ ( x ) g'(x) g′(x)连续,我们可得:
g ′ ( x ) = g ′ ( 2 n x ) = g ′ ( 1 2 n x ) lim n → ∞ g ′ ( x ) = lim n → ∞ g ′ ( 1 2 n x ) = g ′ ( lim n → ∞ 1 2 n x ) = g ′ ( 0 ) g'(x)=g'(2^nx)=g'({1 \over 2^n }x)\\ \lim\limits_{n\to \infty} g'(x)=\lim\limits_{n\to \infty} g'({1 \over 2^n }x) =g'(\lim\limits_{n\to \infty} {1 \over 2^n }x)=g'(0) g′(x)=g′(2nx)=g′(2n1x)n→∞limg′(x)=n→∞limg′(2n1x)=g′(n→∞lim2n1x)=g′(0)
可见 g ′ ( x ) = g ′ ( 0 ) = a g'(x)=g'(0)=a g′(x)=g′(0)=a, a a a为常数,则 g ( x ) = a x g(x)=ax g(x)=ax。现在我们已知 p ′ ( x i ) p ( x i ) = a x {p'(x_i) \over p(x_i)}=ax p(xi)p′(xi)=ax
此即微分方程: a x d x = 1 y d y axdx={1 \over y}dy axdx=y1dy
我们可以得到 l n y = 1 2 a x 2 + C lny={1 \over 2}ax^2+C lny=21ax2+C,即 p ( x ) = C e 1 2 a x 2 p(x)=Ce^{{1 \over 2}ax^2} p(x)=Ce21ax2,其中C为待定系数,a为 g ′ ( 0 ) g'(0) g′(0)为常数。
根据p(x)的归一性, ∫ − ∞ + ∞ p ( x ) d x = 1 \int_{-\infty}^{+\infty}p(x)dx=1 ∫−∞+∞p(x)dx=1
又由于我们知到(升维变为二维积分后可得):
I ( a ) = ∫ − ∞ + ∞ e a 2 x 2 d x = 2 π a I(a)=\int_{-\infty}^{+\infty} e^{{a \over 2}x^2}dx=\sqrt{2 \pi \over a} I(a)=∫−∞+∞e2ax2dx=a2π
可得到 C = a 2 π C=\sqrt{a \over 2 \pi} C=2πa
如果我们令 a = 1 σ 2 a={1 \over \sigma ^2} a=σ21,就得到了我们一般的均值为 0 0 0的正态分布形式:
p ( x ) = 1 2 π σ e x 2 2 σ 2 p(x)= {1\over {\sqrt {2 \pi}} \sigma}e^{x^2 \over {2 \sigma ^2}} p(x)=2π σ1e2σ2x2
得之。
- 实际上,出于严谨的考量,可以回头代入考察 g ( x ) g(x) g(x)函数的性质,因为以上结论的得出是我们通过考虑个例才得到的。
- 我们可以看见,这个函数是符合我们的假设的,它使得概率误差是关于0对称的。如果不是关于0对称的现象,我们也可以通过平移得到相应的结果,这里就不进行深入地讨论了。
- 此外,我们也可以看到,当误差数值越大,其概率越小,这也是符合我们直观的。
结语:
一个好的建模,在于建立合适的假设,进行正确的推导,所得到的结果能够很好的反映现实现象,能够很好地运用到生活问题的解决中。比如为什么我们需要很多近似的模型,因为近似的方法使得我们可以深入分析问题,使得计算成为了可能。
- 在本问题中,
极大似然
的思想和对称
的思想是非常重要的。 - 最小二乘法、正态分布分别从
线性代数
的"投影"角度,和概率论
的极大似然角度看,具有相似的含义。这里就不进行深入地讨论啦。
【概率论】正态分布的由来——从大一同学的视角出发相关推荐
- 正态分布的由来及推导
正态分布的由来及推导 一.正态分布 二.二项分布的近似计算 三.De Moivre-Laplace中心极限定理 四.最小二乘法与正态分布 五.基于独立性和旋转对称性的推导 六.Lindeberg-Lé ...
- C++学有余力的大一同学的学习拓展
[一名亲弟子的来信] 贺老师: 您好!我最近有点困惑,希望您能指点一下.我最近感觉作你平常的实践项目,感觉不是那么困难了.所以在剩余的时间里想早点事情来提高一下自己,我找了一些acm的试题,感觉还有很 ...
- 《数理统计学简史》读书笔记3——正态分布的由来(误差理论)
关于误差的分布 伽利略在1632年出版的著作<关于两个主要世界系统的对话--拖雷密和哥白尼>中提及这个问题.他用"观测误差"这个名称.即我们现在理解的随机误差.他提出以 ...
- 写给大一同学的C语言--顺序结构
请各位练习的小伙伴按照下列要求完成下面的练习内容并总结归纳知识.老师在上完课评讲后将正确的代码给在博客同学们再来进行核对. 以下内容是两周的练习内容.请同学们合理安排时间!!!!! 也欢迎学习C语言的 ...
- 字节跳动如何系统性治理 iOS 稳定性问题
本文是丰亚东讲师在2021 ArchSummit 全球架构师峰会中「如何系统性治理 iOS 稳定性问题」的分享全文. 首先做一下自我介绍:我是丰亚东,2016 年 4 月加入字节跳动,先后负责今日头条 ...
- 答大三犹豫考研的同学兼向大一学生叨叨几句
[来信] 贺老师你好,我是一名普通二本网络工程专业的大三学生.眼看着大三上学期又要结束了,非常的焦虑.之前一直没有好好学习,学的东西少之又少,大三下学期结束就要开始找实习了.学校开了java基础课程, ...
- 概率论:高斯/正态分布
http://blog.csdn.net/pipisorry/article/details/49516209 高斯分布(正态分布) 若随机变量X服从一个数学期望为μ.方差为σ^2的高斯分布,记为N( ...
- 《正太哲学》-正态分布的哲学本质及世界观意义
正态分布的前世今生(上):http://songshuhui.net/archives/76501 正态分布的前世今生(下):http://songshuhui.net/archives/77386? ...
- 人工智能数学基础--概率与统计13:连续随机变量的标准正态分布
一.引言 在<人工智能数学基础–概率与统计12:连续随机变量的概率密度函数以及正态分布>介绍了连续随机变量概率分布及概率密度函数的概念,并介绍了连续随机变量一个重要的概率密度函数:正态分布 ...
最新文章
- 对SQLSERVER进行性能监控
- 目标检测--Rich feature hierarchies for accurate object detection and semantic segmentation(CVPR 2014)
- 案例 TreeView动态控制节点 c# 1614264758
- java重定向post_java实现响应重定向发送post请求操作示例
- 将10个成绩排序java程序_快速排序——成绩排序
- java二维码小试牛刀
- 计算机系统修复命令提示符,老司机帮您w10蓝屏后用命令提示符修复系统的方法...
- 兼容性问题以及解决方案
- Embedding Projector
- android 图片 3d 动画,DEMO:transition3d、运用动画实现图片3d翻转效果
- 马步站桩22个要领的几个关键问题解释
- mongodb mysql数据类型_插入mongodb类型
- 20172328 2018-2019《Java软件结构与数据结构》第三周学习总结
- win7任务管理器快捷键
- 序设计思维与实践 CSP-M4
- 计算机ms高级应用科目一 科目二考什么,什么是科目一、科目二、科目三、科目四?全部都在这!...
- redis存10万条数据_redis如何存储数据
- 07-07-Exchange Server 2019-配置-脱机地址簿
- leetcode,605题【种花问题】
- WPS for Linux提示“系统缺失字体symbol、wingdings、wingdings 2、wingdings 3、webding”的解决方法