답변:
내 개인적인 가장 놀라운 것은 표본 평균과 분산에 관한 것입니다. 그러나 여기에 또 다른 놀라운 특징이 있습니다 와 가 와 와의 유한 분산으로 IID 이면 와 는 정상입니다.
직관적으로, 변수가 산점도와 독립적이지 않은시기를 식별 할 수 있습니다. 따라서 독립적으로 보이는 쌍 의 산점도를 상상해보십시오 . 이제 45도 회전하고 다시 살펴보십시오. 여전히 독립적으로 보이는 경우 및 좌표는 개별적으로 정상이어야합니다 (물론 느슨하게 말하면됩니다).X Y
직관적 인 비트가 작동하는 이유를 확인하려면
이것에 관해 쓰여진 책은 "정규 확률 법의 특징", AM Mathai & G. Perderzoli입니다. JASA (1978 년 12 월) 의 간단한 검토에서 다음을 언급합니다.
하자 독립 확률 변수합니다. 그런 다음 및 은 독립적입니다. 여기서 은 가 정규 분포 인 경우에만 해당됩니다 .∑ n i = 1 a i x i ∑ n i = 1 b i x i a i b i ≠ 0 X i
가우스 분포는 유한 분산을 갖는 유일한 안정 안정 분포입니다.
Stein 's Lemma 는 매우 유용한 특성을 제공합니다. 는 와 함께 모든 절대 연속 함수 대해 표준 가우시안 iff 입니다. .E f ' ( Z ) = E Z f ( Z ) f E | f ' ( Z ) | < ∞
하자 와 일반적인 대칭 분포 등 그와 함께 두 개의 독립적 인 확률 변수가 될ξ
그런 다음이 임의의 변수는 가우스입니다. (물론, 와 가 가우시안 중심이라면 사실입니다.)η
이것은 특성화가 아니라 1917 년으로 거슬러 올라간 추측으로 Cantelli에 의한 것입니다.
경우 긍정적 함수 및 및 있는 독립 확률 변수되도록 정상이 후 거의 모든 곳 상수이다.R X Y N ( 0 , 1 ) X + f ( X ) Y f
제라르 레타 크 (Gérard Letac)가 여기에 언급했다 .
iid 데이터 사용하여 위치 매개 변수를 추정한다고 가정하십시오 . 경우 최우 추정기는 다음 샘플링 분포가 가우시안이다. Jaynes 's Probability Theory : The Logic of Science pp. 202-4에 따르면 이것이 Gauss가 처음에 도출 한 방법입니다.
무한 분할 가능한 분포 의 클래스들 중에서 정규 분포의보다 특정한 특성은 Steutel and Van Harn (2004)에 제시되어있다 .
비 변형 무한 분할 가능한 랜덤 변수 는 만족하는 경우에만 정규 분포를
이 결과는 꼬리 행동 측면에서 정규 분포를 나타냅니다.
이미지 평활화 (예 : 스케일 공간 )와 관련하여 가우시안은 회전 대칭이 가능한 유일한 커널입니다.
즉, 에서 가 필요한 경우 회전 대칭에는 필요합니다. 에 해당되는 .
하도록 요구 적정한 수 커널 다음 상수는 가우시안 커널을 수득 제외하고 초기 값 긍정적 필요.
* 확률 분포와 관련하여 분리 가능한 의미는 독립적 인 반면, 이미지 필터링과 관련하여 2D 컨벌루션을 계산적으로 2 개의 1D 컨볼 루션으로 줄일 수 있습니다.
최근 Ejsmont [1]는 가우시안의 새로운 특성을 가진 기사를 발표했습니다 :
하자 모든 순간 독립적 랜덤 벡터 될 비축하고, 통계하자 는 에만 의존하는 분포를 갖습니다 . 여기서 및 입니다. 그런 다음 는 독립적이며 제로 평균과 대해 과 동일한 정규 분포를 갖습니다 .i ∈ { 1 , … , n }
[1]. Ejsmont, Wiktor. "한 쌍의 랜덤 벡터의 독립성에 의한 정규 분포의 특성." 통계 및 확률 서신 114 (2016) : 1-5.
특징적인 기능은 PDF와 같은 형식입니다. 나는 그것을하는 또 다른 배포판을 확신하지 못한다.