正态分布又称为高斯分布,它在机器学习和深度学习中非常常用。如正态分布的叠加性和正态分布的标准化等,在VAE模型中重参技巧就用到了正态分布知识,特别是在高维数据中高维的正态分布更是常用。因此,准备梳理一下相应的知识,其中内容多有参考其他博客,一并在参考文献中给出链接。
正态分布(Normal distribution),又名高斯分布(Gaussian distribution)。若随机变量 X X X服从一个数学期望(均值)为 μ μ μ、方差为 σ 2 σ^2 σ2的正态分布,记为 N ( μ , σ 2 ) N(μ, σ^2) N(μ,σ2)。其概率密度函数为正态分布的期望值 μ μ μ决定了其位置,其标准差 σ σ σ决定了分布的幅度。当 μ = 0 μ = 0 μ=0, σ = 1 σ = 1 σ=1时的正态分布是标准正态分布。
一维正态分布的概率密度函数为:
f ( x ) = 1 2 π σ exp ( ( x − μ ) 2 2 σ 2 ) f(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right) f(x)=2π σ1exp(2σ2(x−μ)2)
高维正态分布后面再补坑…
理论:相互独立的正态分布的线性组合仍然服从正态分布。
给定两个独立的正态分布 X 1 ∼ N ( μ 1 , σ 1 2 ) X_{1} \sim N\left(\mu_{1}, \sigma_{1}^{2}\right) X1∼N(μ1,σ12) 和 X 2 ∼ N ( μ 2 , σ 2 2 ) X_{2} \sim N\left(\mu_{2}, \sigma_{2}^{2}\right) X2∼N(μ2,σ22)
则 Z = a X + b Y ∼ N ( a μ 1 + b μ 2 , a 2 σ 1 2 + b 2 σ 2 2 ) \mathrm{Z}=\mathrm{aX}+\mathrm{bY} \sim {N}\left(\mathrm{a} \mu_1+b \mu_2,\mathrm{a}^{2} \sigma_1^2+b^2\sigma_2^2\right) Z=aX+bY∼N(aμ1+bμ2,a2σ12+b2σ22)
正态分布是由两个参数 μ \mu μμ与 σ \sigma σ确定的。对于任意一个服从 N ( μ , σ 2 ) N ( μ , σ 2 ) N(μ,σ2) 分布的随机变量 X X X,经过下面的变换以后都可以转化为 μ = 0 \mu=0 μ=0和 σ = 1 \sigma=1 σ=1的标准正态分布。转换公式为:
z = X − μ σ \mathrm{z}=\frac{\mathrm{X}-\mu}{\sigma} z=σX−μ
举个例子:
假设公共汽车门的高度按成年男性碰头机会小于 1 1% 1来设计。又假设成年男性的身高服从正态分布 X ∼ N ( 170 , 62 ) X ∼ N ( 170 , 6 2 ) X∼N(170,62),求问车门的高度h hh为多少?
假设身高这一随机变量为 X X X,那么要求的问题为:
P ( x > h ) = 0.01 P ( x > h ) = 0.01 P(x>h)=0.01
即
1 − P ( x ≤ h ) = 0.01 1 − P ( x ≤ h ) = 0.01 1−P(x≤h)=0.01
P ( x ≤ h ) = 0.99 P ( x ≤ h ) = 0.99 P(x≤h)=0.99
因为 X ∼ N ( 170 , 62 ) X ∼ N ( 170 , 6 2 ) X∼N(170,62), 所以 h − 170 6 ∼ N ( 0 , 1 ) \frac{h - 170}{6} \sim N(0, 1) 6h−170∼N(0,1)
通过查标准正态分布表可知, P ( z ≤ 2.33 ) = 0.99 P ( z ≤ 2.33 ) = 0.99 P(z≤2.33)=0.99
因此 h = 170 + 6 ∗ 2.33 = 183.98 c m h = 170 + 6 * 2.33 = 183.98cm h=170+6∗2.33=183.98cm
[1]均匀分布叠加与正态分布叠加
[2]正态分布,正态分布如何变换为标准正态分布
[3]普通正态分布如何转换到标准正态分布
[4]PRML笔记 第二章 (多维)高斯分布