高斯分布概率密度的二重积分 |
您所在的位置:网站首页 › 二维标准正态分布概率密度函数怎么求解 › 高斯分布概率密度的二重积分 |
高斯分布概率密度的二重积分 \quad 在数据建模时,高斯模型[1]经常会被用来模拟数据的分布。这里,我们主要考虑标准高斯分布的形式并证明标准高斯形式分布的概率密度和为 1。 e − x 2 e^{-x^2} e−x2的二重积分\quad 对于 e − x 2 e^{-x^2} e−x2,从负无穷到正无穷的积分,我们可以写为 ∫ − ∞ + ∞ e − x 2 d x \int_{-\infty }^{+\infty} e^{-x^2} dx ∫−∞+∞e−x2dx,那么我们该如何求解呢? \quad 首先,我们令 A = ∫ − ∞ + ∞ e − x 2 d x = ∫ − ∞ + ∞ e − y 2 d y A=\int_{-\infty }^{+\infty} e^{-x^2} dx=\int_{-\infty }^{+\infty} e^{-y^2} dy A=∫−∞+∞e−x2dx=∫−∞+∞e−y2dy \quad 那么我们有: A 2 = ∫ − ∞ + ∞ e − x 2 d x ⋅ ∫ − ∞ + ∞ e − y 2 d y = ∫ − ∞ + ∞ ∫ − ∞ + ∞ e − ( x 2 + y 2 ) d x d y A^2=\int_{-\infty }^{+\infty} e^{-x^2} dx \cdot \int_{-\infty }^{+\infty} e^{-y^2} dy = \int_{-\infty }^{+\infty}\int_{-\infty }^{+\infty} e^{-(x^2+y^2)} dxdy A2=∫−∞+∞e−x2dx⋅∫−∞+∞e−y2dy=∫−∞+∞∫−∞+∞e−(x2+y2)dxdy \quad 这里,我们将其转化为极坐标形式( x 2 + y 2 = r 2 & d x d y = r d r d θ x^2+y^2=r^2 \quad \&\quad dxdy=rdrd\theta x2+y2=r2&dxdy=rdrdθ): A 2 = ∫ 0 2 π ∫ 0 + ∞ r ⋅ e − r 2 d r d θ A^2= \int_{0}^{2\pi}\int_{0}^{+\infty} r\cdot e^{-{r^2}}drd\theta A2=∫02π∫0+∞r⋅e−r2drdθ = ∫ 0 2 π − 1 2 e − r 2 ∣ 0 + ∞ d θ =\int_{0}^{2\pi} -\frac{1}{2}e^{-{r^2}}|_{0}^{+\infty} d\theta =∫02π−21e−r2∣0+∞dθ = ∫ 0 2 π 1 2 d θ = 1 2 θ ∣ 0 2 π = π =\int_{0}^{2\pi} \frac{1}{2} d\theta = \frac{1}{2}\theta |_{0}^{2\pi} = \pi =∫02π21dθ=21θ∣02π=π \quad 所以,可以得出 ∫ − ∞ + ∞ e − x 2 d x = π \int_{-\infty }^{+\infty} e^{-x^2} dx=\sqrt{\pi} ∫−∞+∞e−x2dx=π 。此外,可以参考[2,3]得到以上证明。 标准高斯分布 \quad 高斯函数的标准形式有: f ( x ) = 1 2 π e − x 2 2 f(x) = \frac{1}{\sqrt{2 \pi}} e^{ - \frac{x^2}{2}} f(x)=2π 1e−2x2 \quad 其中, e − x 2 2 e^{-\frac{x^2}{2}} e−2x2部分从负无穷到正无穷的积分可以通过类似上式的方式进行求解,其中关键部分如下: ∫ − ∞ + ∞ e − x 2 2 d x ⋅ ∫ − ∞ + ∞ e − y 2 2 d y = ∫ − ∞ + ∞ ∫ − ∞ + ∞ e − x 2 + y 2 2 d x d y \int_{-\infty }^{+\infty} e^{-\frac{x^2}{2}} dx \cdot \int_{-\infty }^{+\infty} e^{-\frac{y^2}{2}} dy = \int_{-\infty }^{+\infty}\int_{-\infty }^{+\infty} e^{-\frac{x^2+y^2}{2}} dxdy ∫−∞+∞e−2x2dx⋅∫−∞+∞e−2y2dy=∫−∞+∞∫−∞+∞e−2x2+y2dxdy ∫ 0 2 π ∫ 0 + ∞ r ⋅ e − r 2 2 d r d θ \int_{0}^{2\pi}\int_{0}^{+\infty} r\cdot e^{-\frac{r^2}{2}}drd\theta ∫02π∫0+∞r⋅e−2r2drdθ = ∫ 0 2 π − e − r 2 2 ∣ 0 + ∞ d θ =\int_{0}^{2\pi} -e^{-\frac{r^2}{2}}|_{0}^{+\infty} d\theta =∫02π−e−2r2∣0+∞dθ = ∫ 0 2 π d θ = θ ∣ 0 2 π = 2 π =\int_{0}^{2\pi} d\theta = \theta |_{0}^{2\pi} = 2\pi =∫02πdθ=θ∣02π=2π \quad 所以,可以得出 ∫ − ∞ + ∞ e − x 2 2 d x = 2 π \int_{-\infty }^{+\infty} e^{-\frac{x^2}{2}} dx=\sqrt{2\pi} ∫−∞+∞e−2x2dx=2π , 那么 ∫ − ∞ + ∞ 1 2 π e − x 2 2 d x = 1 \int_{-\infty }^{+\infty} \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} dx=1 ∫−∞+∞2π 1e−2x2dx=1,即概率密度和为 1。 如果这个内容对于您的研究工作有帮助,我们将会非常感激您可以引用我们的论文:[1]. 参考: 1. Chen K X, Ren J Y, Wu X J, et al. Covariance Descriptors on a Gaussian Manifold and their Application to Image Set Classification[J]. Pattern Recognition, 2020: 107463. [link] 2. https://zhidao.baidu.com/question/984359238635879059.html [link] 3. https://zhidao.baidu.com/question/813230985449009852.html [link] |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |