正态分布的完美.docxVIP

正态分布的完美 正态分布又名高斯分布，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都有着重大的影响力。许多随机现象中的随机变量都近似服从正态分布。因此，正态分布的魅力让我深深地着迷，它吸引着我对其来源与性质做了以下探究和总结。 正态分布的首次面世，是由A.棣莫弗在求二项分布的渐近公式中得到，而正态分布概念却是由德国的数学家和天文学家Moivre于1733年首次提出的，但是后世却把正态分布的发明权归功与高斯。因此，可以说正态分布具有传奇性的出生。C.F.高斯在研究测量误差时从另一个角度导出了它，P.S.拉普拉斯和高斯研究了它的性质。高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。以至于现今德国10马克钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。 高斯 1809年，高斯(Carl Friedrich Gauss，1777—1855)发表了其数学和天体力学的名著《绕日天体运动的理论》。在此书末尾，他写了一节有关“数据结合”（data combination）的问题，实际涉及的就是这个误差分布的确定问题。 设真值为，个独立测量值为。高斯把后者的概率取为 其中为待定的误差密度函数。到此为止他的做法与拉普拉斯相同。但在往下进行时，他提出了两个创新的想法。 一是他不采取贝叶斯式的推理方式，而径直把最大的作为的估计，即使成立的。现在我们把称为样本，参数的似然函数，是的极大似然估计量。这个称呼是追随费歇尔，因为他在1912年发表的一篇文章中，明确提到以上概念并非针对一般参数的情形。 高斯的第二点创新的想法是：他把问题倒过来，先承认算术平均是应取的估计，然后去找误差密度函数以迎合这一点，即找这样的使就是。 高斯证明了：这只有在条件下才能成立，这里为常数，这就是正态分布。 下面给出正态分布的标准定义：若随机变量X的概率密度为  fx=12πσe-x-μ22σ2 -∞x+∞ 其中-∞μ+∞，σ0为常数，则称X服从参数为μ，σ2的正态分布，记为X ?N（μ，σ2）。 X的分布函数为 Fx=12πσ-∞xe-x-μ22σ2dt 利用-∞+∞e-x22dx=2π，可以证明 -∞+∞f(x)dx=1，事实上 -∞+∞f(x)dx= 12πσ-∞xe-x-μ22σ2dx 令x-μσ=t，则 -∞+∞f(x)dx= 12π-∞xe-t22dt=12π2π=1 正态分布密度函数f(x)具有以下几何特性： 最大值在x=μ处，最大值为12πσ； 曲线y=f(x)关于直线x=μ对称，于是对于任意h0,有 Pμ-hX≤μ=P{μX≤μ+h} 曲线f(x)在x=μ?σ处有拐点； 当x→?∞时，曲线y=f(x)以x轴为渐近线。 另外，当σ固定，改变μ的值，y=f(x)的图形沿Ox轴平移而不改变形状，故μ又称为位置参数。若μ固定，而改变σ的值，y=f(x)的图形的形状随σ的增大而变得平坦。因而σ越小，X落在μ附近的概率越大。 正如许多分布一样，正态分布可以有许多变形，比如说下面将要讨论的正态随机变量函数分布。 设随机变量X ?N（μ，σ2），现考虑Y=aX+b(a≠0)的概率密度fY(y)。 fY(y)=1|a|fX(y-ba)=12π|a|σe-[y-(aμ+b)]22a2σ2 -∞y+∞ 即有 Y=aX+b ?N(aμ+b,a2σ2) 特别的，取a=1σ,b=-μσ,得 X-μσ ?N(0,1) 通过上面那个式子我们可以将任意一个正态分布转化成标准正态分布，然后通过查标准正态分布表获得概率分布。因此上式为我们提供了求一般正态分布的概率分布的途径。所以正态分布应用方便。 概率分布的平均值与偏离程度是刻画随机变量性质的两类重要数字特征。刻画随机变量性质的数字特征无论是理论上还是实践上都具有十分重要的意义。下面让我们来看看正态分布的数字特征。 首先让我们来看看正态分布的期望： EX=-∞+∞x?12πσe-(x-μ)22σ2dx 令（x-μ）σ=t,便得 EX=12π-∞+∞(σt+μ)e-t22dt=12π-∞+∞σte-t22dt+μ2π-∞+∞e-t22dt=μ 正态分布的数学期望竟然是μ！这多么让人兴奋！看似复杂的分布函数却隐藏着如此简单的期望值。如果这还不能说明正态分布的奇妙，那让我们再来看看正态分布的方差： DX=E(X-μ)2=-∞+∞12πσ(x-μ)2e-x-μ22σ2dx 令（x-μ）σ=t，则有 DX=σ22π-∞+∞t2e-t22dt=σ22π-∞+∞e-t22dt=σ2 这说明正态分布N（μ，σ2）