Answers:
我个人最令人惊讶的是关于样本均值和方差的一个,但是这是另一个(也许)令人惊讶的特征:如果和是具有有限方差且和独立的IID ,则和是正常的。
凭直觉,我们通常可以通过散点图确定变量何时不是独立的。因此,想象一下对的散点图看起来独立。现在旋转45度,然后再次看:如果它仍然看起来独立,则和坐标必须分别是法线(当然,这都是松散的说法)。X Y
要了解为什么直观的位起作用,请看一下
有整本书写过:“正态概率定律的特征”,AM Mathai和G. Perderzoli。JASA的简要评论(1978年12月)提到以下内容:
令为独立随机变量。那么和是独立的,其中,当且仅当是正态分布的。∑ n i = 1 a i x i ∑ n i = 1 b i x i a i b i ≠ 0 X i
高斯分布是唯一具有有限方差的和稳定分布。
定理[Herschel-Maxwell]:令为随机向量,(i)到正交子空间的投影是独立的,并且(ii)的分布仅取决于长度。然后正态分布。ž
乔治·科布(George Cobb)在《教学统计》中引用:一些重要的紧张关系(智利统计杂志,第2卷,第1期,2011年4月),见第41页。54。
Cobb将此特征用作推导,和分布的起点,而无需使用微积分(或很多概率论)。吨˚F
这不是特征,而是一种推测,它可以追溯到1917年,归因于Cantelli:
如果是的正函数,并且和是独立的随机变量,使得是正常的,则几乎在任何地方都是常数。- [R X ý Ñ (0 ,1 )X + ˚F (X )ÿ ˚F
杰拉德·莱塔克(GérardLetac)在这里提到。
假设有人正在使用iid数据估计位置参数。如果是最大似然估计量,则采样分布为高斯分布。根据Jaynes的《概率论:科学的逻辑》第202-4页,这就是高斯最初得出它的方式。
在图像平滑(例如比例空间)的情况下,高斯是唯一的旋转对称可分离内核。
也就是说,如果我们要求 其中,则旋转对称性要求 等效于。
要求为适当的核,则需要常数为负且初始值为正,从而产生高斯核。
*在概率分布的情况下,可分离的意思是独立的,而在图像过滤的情况下,它允许将2D卷积在计算上减少为两个1D卷积。