從微積分角度證明「正態分布密度函數」

2020-12-05 電子通信和數學

本篇我們來證明一個常見的優美的積分等式,聰明你是否看出如下等式曾在哪裡出現過呢?沒錯如下和正態分布中概率密度函數很像。但我們僅從積分學的角度來分析正面它。·證明它靈活的數學技巧,你準備好了嗎?

因為e^-x^2是關於x的偶函數,所以我們明顯可以想到

所以你只需要證明,學過概率論與數理統計的朋友,應該很熟悉這個式子

根據泰勒公式我們得到

所以當x不等於0時,e^>1+x,將x換成x^2或者-x^2可得,可得

所以很快得到一個等式,

那麼對於任意的自然數n,我們有

分別加上積分符號,得到:

所以根據廣義積分的收斂你可以輕易得到:

為了讓大家更好理解,我還是補充上上述等式的來源:

為了求解上述不等式兩邊的積分值,我們首先假設x=cot(t)=1/tant中的積分變量x替換成t,cot(t)是區間(0,π/2)上關於t的連續可微函數,因為0<cot(t)<+∞,cot(π/2)=0, dcot(t)/dt=-1/sint^2,又由於1+x^2=1/sin^t,所以我們得到

同理,若x=cost, 0<t<π/2, dcost/dt=-sint, 1-x^2=sint^2,則得到

另一方面,根據變量變換

我們得到

則上面的開頭得到的積分不等式就變成了

根據類似於斯特林公式可得到(如有必要會有專門文章解說)

因此

對上式進行變換x=t/2^1/2,則可得

這個就是數學中標準正態分布的概率密度公式。

相關焦點

  • 密度函數、分布函數與生存函數
    數據探索時涉及到的三個函數為密度函數、分布函數與生存函數,其中樣本的分布函數的形態、生存函數的形態基本沒有太大變化,然而樣本的密度函數分布形態卻有著很大的差異,所以一般在進行數據分析領域提到分布時,指的都是直方圖所描述的密度函數。
  • 教學研討|2.4 正態分布
    (2) 過程與方法目標:能用正態分布、正態曲線研究有關隨機變量分布的規律,引導學生 通過觀察並探究 律,提高分析問題,解決問題的能力;培養學生數形結合,函數與方程等數學思想方法。2.學情分析(1)認知結構:在必修三的學習中,學生已經掌握了統計等知識,這為學生理解利用頻率分布直方圖來研究小球的分布規律奠定了基礎。但正態分布的密度函數表達式較為複雜抽象,學生理解比較困難。
  • 關於正態分布和貝塔分布的案例介紹
    正態分布 正態分布,是一種非常常見的連續概率分布,其也叫做常態分布(normal distribution),或者根據其前期的研究貢獻者之一高斯的名字來稱呼,高斯分布(Gaussian distribution)。正態分布是自然科學與行為科學中的定量現象的一個方便模型。
  • 神說,要有正態分布,於是高斯就創造了正態分布 - 徐曉亞然
    棣莫弗再接再厲,並且結合了同時期數學家斯特林的成果,成功地求出來這個密度函數:正態分布公式首次出現這個式子就是大家熟悉的標準正態分布公式一般正態分布正態分布的密度函數N(0,σ2)就是上述的表現形式。那麼前面說的最小二乘法跟正態分布又有啥關係呢?
  • Z=XY分布的概率密度函數的證明
    在考研中,儘管很少需要用到二維連續型隨機變量函數Z=XY的概率密度公式,但清楚其證明過程有二利:一、有利於了解樣本空間、概率密度、分布函數的本質;二、有利於加強對反常積分的運算技巧。設(X,Y)是二維連續型隨機變量,概率密度為f(x,y),則Z=XY仍為連續型隨機變量,其概率密度為:在證明前,大家首先要牢記一點的是,求解隨機變量函數的概率密度時,大多數情況下,先求分布函數,再求概率密度。首先求分布函數。根據分布函數的定義有Fz(z)=P{Z≤z}=P{XY≤z}。當進行到這一步時,正確理解隨機變量及概率的含義是能夠繼續進行證明的關鍵。
  • 算法工程師的數學基礎|如何理解概率分布函數和概率密度函數
    離散型隨機變量的概率分布、概率函數和概率分布函數在理解概率分布函數和概率密度函數之前,先來理解下概率分布和概率函數。陳希孺老師在他所著的《概率論與數理統計》這本書中說:研究一個隨機變量,不只是要看它能取哪些值,更重要的是它取各種值的概率如何!
  • 正態分布圖形的編輯
    分布密度=正態分布概率函數,分布密度=正態分布函數,最後一個參數給到0,=NORM.DIST(A7,$B$1,$B$2,FALSE)選擇0通俗的含義是,我們給到圖形中的高度.這個時候,你可以選擇分布密度的整個系列,插入一個堆積面積圖,則會得到:然後我們需要在這個面積圖的基礎之上,再給它一個面積堆積,達到自由切換的效果,而上圖藍色的部分則是基於我們的基本數據給出來的底層正態模型,自己切換或者變化的面積也必須要在這個藍色的面積範圍以內.
  • 相關知識考點:標準正態分布
    1概率密度函數  當μ=0,σ=1時,稱X服從標準正態分布,記作X~N(0,1)。  服從標準正態分布的隨機變量記為U,它的概率密度函數記為。  若X~N(μ,σ2),則~N(0,1)。  實際中很少有一個質量特性(隨機變量)的均值恰好為0,方差與標準差恰好為1.一些質量特性的不合格品率均要通過標準正態分布才能算得,這一點將在後面敘述。  2標準正態分布表  標準正態分布函數表,它可用來計算形如「」的隨機事件發生的概率,記為。  正態分布N(0,1)的分位數。
  • 幾種分布概述(正態分布/卡方分布/F分布/T分布)
    其概率密度函數為正態分布的期望值μ決定了其位置,其標準差σ決定了分布的幅度。我們通常所說的標準正態分布是μ = 0,σ = 1的正態分布。當μ=0,σ=1時,正態分布就成為標準正態分布N(0,1)。概率密度函數為:
  • 標準正態分布函數數值表怎麼查?
    最近在整理數據時,忽然想到數理統計的其中一種分布,相信作為質量人一定不陌生,我們常常提到數據的分布是否服從正態分布,這是對一組連續數據分布一種描述
  • 一文搞懂「正態分布」所有重要知識點
    概率密度函數對於初學者來講,「概率密度」可能是最不友好的一個概念,直接談概率不行嗎,好好的為什麼要生出一個「密度」?的確,沒有太多數理基礎,這個概念著實不太好理解。雖然文字和數學公式上你可能感覺很陌生,但我們特別熟知的那條中間高、兩邊低的「鐘形曲線」恰恰就是正態分布的概率密度曲線。
  • 正態分布的常用數據 - CSDN
    #尋找真知派#如上一篇文章所述,樣本所屬總體服從正態分布是數據分析和數據挖掘等數據處理的重要前提。如果我們採集的樣本並不能確認其總體是否服從正態分布,那麼數據處理的結果就是不可靠的。因此,對樣本數據進行正態分布檢驗十分必要。
  • 正態分布基本概念及Excel實現
    正態分布在統計中至關重要,主要有以下三個原因:正態分布由圖經典鐘形表示。在正態分布中,您可以計算值以一定範圍或間隔出現的概率。但是,由於將連續變量的概率測量為曲線下的面積,因此來自連續分布(例如正態分布)的特定值的確切概率為零。例如,時間(以秒為單位)被測量並且不計數。
  • 正態分布及其應用
    ,最終趨向於圖3「中間高,兩邊低」的「鍾型」曲線,我們將這條曲線稱為正態分布密度曲線,簡稱正態曲線。對比圖4中的兩條正態曲線,我們可以看出虛線對應的平均值更大。圖 4圖5中兩條正態曲線的平均值相同,但是形狀不同,實線的正態曲線更加「矮胖」,而虛線的正態曲線更加
  • 正態分布 線性回歸 - CSDN
    採用最小二乘法進行線性回歸時,需要滿足特定的條件:正態性:一定範圍內,給定任意x值,對應的y均服從正態分布獨立:即誤差項間不存在相關,一般時間序列數據會存在自相關線性:因變量和自變量有線性關係同方差性:即模型誤差項的方差相等。
  • 神奇的正態分布
    正態分布不但其曲線優雅,而且其密度函數也很有數學美感,特別是其標準化後的概率密度函數非常簡潔漂亮。更令人驚訝的是,兩個最重要的數學常量π,e都出現在了公式之中,使得其具有一些神秘色彩。生物統計學家高爾頓對正態分布推崇備至:「我幾乎不曾見過像誤差呈正態分布這麼激發人們無窮想像的宇宙秩序」。 正態分布因其分布形狀似同古代鑄鐘,故也稱為鍾型分布。
  • 概率質量函數與累積分布函數()連續) - 圖解概率 05
    概率質量函數與累積分布函數-連續當累積分布函數為連續函數時候, 概率質量函數 PMF 不再適用, 因此就需要用積分(概率密度函數PDF)來計算概率
  • 怎樣用通俗易懂的文字解釋正態分布及其意義?
    0.0 神說,要有正態分布,於是就有了正態分布。*0.1 神看正態分布是好的,就讓隨機誤差都隨了正態分布。學過基礎統計學的同學大都對正態分布非常熟悉,但是很難用通俗的語言解釋什麼是正態分布,主要原因是正態分布需要有一個前置知識【中心極限定理】。如果誤差可以看成許多微小量的疊加,則根據中心極限定理[1],隨機誤差理所當然是正態分布[2]。
  • 方差、標準差、正態分布、超幾何分布、卡方檢驗、t檢驗基礎概念
    正態分布正態分布(Normal distribution),也稱「常態分布」,又名高斯分布,正態曲線呈鍾型,兩頭低,中間高,左右對稱因其曲線呈鐘形,因此人們又經常稱之為鐘形曲線。若隨機變量X服從一個數學期望為μ、方差為σ^2的正態分布,記為N(μ,σ^2)。其概率密度函數為正態分布的期望值μ決定了其位置,其標準差標準差σ決定了分布的幅度。當μ = 0,σ = 1時的正態分布是標準正態分布。
  • R與生物專題 | 第六講 R-數據正態分布檢驗
    在「R與生物統計專題」中,我們會從介紹R的基本知識展開到生物統計原理及其在R中的實現。