Какая наиболее удивительная характеристика гауссова (нормального) распределения?

52

Стандартизированное распределение Гаусса в можно определить, явно указав его плотность: R

12πex2/2

или его характерная функция.

Как указано в этом вопросе, это также единственное распределение, для которого выборочное среднее и дисперсия независимы.

Какие еще удивительные альтернативные характеристики гауссовских мер вы знаете? Я приму самый удивительный ответ

робин джирард
источник

Ответы:

39

Мое личное удивление связано со средним и дисперсией выборки, но вот еще одна (может быть) удивительная характеристика: если и являются IID с конечной дисперсией, причем и независимы, то и нормальны.XYX+YXYXY

Интуитивно, мы обычно можем определить, когда переменные не являются независимыми с диаграммой рассеяния. Итак, представьте диаграмму рассеяния пар, которая выглядит независимой. Теперь поверните на 45 градусов и посмотрите снова: если он все еще выглядит независимым, то координаты и отдельности должны быть нормальными (конечно, все это говорит свободно).(X,Y)XY

Чтобы понять, почему работает интуитивный бит, взгляните на

[cos45sin45sin45cos45][xy]=12[xyx+y]
user1108
источник
3
Джей - это в основном переосмысление среднего значения и дисперсии как независимой. - это пересчитанное среднее значение, а - пересчитанное стандартное отклонение. X - YX+YXY
вероятностная
5
@probabilityislogic - мне нравится интуиция того, что вы сказали, но я не думаю, что это точно переформулировка, потому что не точно перемасштабирует SD: SD забывает знак. Таким образом, независимость от среднего и SD следует из независимости , (когда ), но не наоборот. Возможно, это то, что вы имели в виду под «в основном». Во всяком случае, это хорошие вещи. X + Y X - Y n = 2XYX+YXYn=2
4
Где мы можем найти доказательства этого свойства?
Рой
1
@Royi см. Здесь 16 . Для (а) обратите внимание, что . Для (b) обратите внимание, что который жаждет замены из которого вы получаете . Если , то , следовательно, для всех , и существует последовательность такая, что и для всех , что противоречит непрерывности вφ ( 2 t ) φ ( - 2 t ) = ( φ ( t ) φ ( - t ) ) 4 ψ ( t ) = φ ( t ) φ ( - t ) ψ ( t ) = ψ 2 2 n2X=(X+Y)+(XY)φ(2t)φ(2t)=(φ(t)φ(t))4ψ(t)=φ(t)φ(t)φ(t0)=0ψ(t0)=0nψ(t0ψ(t)=ψ22n(t2n)φ(t0)=0ψ(t0)=0ntntn0φ(tn)=0nψ(t02n)=0tntn0φ(tn)=0n0φ0, (с) прямолинейный [продолжение]
Габриэль Ромон
1
Для (d) . Обратите внимание, что , следовательно, . Включите это в предыдущее равенство и докажите, что для фиксированного , что подразумевает для всех . Это означает, что является действительным, и равенство в (a) превращается в то, что задают. Еще раз, докажите, что и используйте чтобы получить . Следовательно, иφ(t)=1-t2γ(t)=γ2n(t2n)φ(t)=1t22+o(t2)γ(t)=1+o(t2)tlimnγ2n(t2n)=1γ(t)=1tφφ(t)=φ22n(t2n)φ(t)=1t22+o(t2)limnφ22n(t2n)=et2/2φ(t)=et2/2X нормально.
Габриэль Ромон
22

Об этом написана целая книга: «Характеристики нормального вероятностного закона», AM Mathai & G. Perderzoli. Краткий обзор в JASA (декабрь 1978) упоминает следующее:

Пусть - независимые случайные величины. Тогда и независимы, где , если и только если [нормально] распределены.X1,,Xni=1naixii=1nbixiaibi0Xi

whuber
источник
3
должно быть условие, такое отсутствует? например, если n = 2 и не являются независимыми. <a,b>=0ai=bi=1 X1+X2X1+X2
Робин Жирар
1
@ Робин хороший улов. Я тоже ломал голову над неявными квантификаторами. К сожалению, все, к чему у меня есть доступ, это цитата из обзора, а не книга. Было бы интересно найти его в библиотеке и просмотреть его ...
whuber
Это похоже на обобщение ответа Дж. Керна (в настоящее время № 1).
vqv
Я думаю, что вы, возможно, ищете бумагу Lukacs & King (1954). Смотрите этот ответ на math.SE со ссылкой на вышеупомянутую статью.
кардинал
2
Где это предложение говорит: «где », означает ли это для КАЖДОГО набора скаляров, где «? Я ненавижу видеть« где »используется вместо« для каждого »или« для некоторых »». Где «следует использовать для объяснения обозначений, например,« где - скорость света, а - валовой внутренний продукт »и т. Д.a i b i0 c gaibi0aibi0cg
Майкл Харди
17

Гауссовы распределения являются единственными устойчивыми по сумме распределениями с конечной дисперсией.

shabbychef
источник
8
То, что они являются стабильными в сумме и что они являются уникальными с конечной дисперсией, навязано нам CLT. Интересная часть этого утверждения состоит в том, что существуют другие устойчивые к сумме распределения!
whuber
1
@whuber: действительно! эта характеристика немного искажена, а другие стабильные по сумме распределения, возможно, более любопытны.
Шаббычеф
@whuber на самом деле, я не понимаю, как CLT подразумевает этот факт. Это только говорит нам о том , что асимптотически сумма нормалей нормальна, а не то, что любая конечная сумма нормально распределена. Или вам нужно как-то использовать теорему Слуцкого?
Шаббычеф
3
Приняв обычную стандартизацию, сумма двух нормалей представляет собой сумму одного нормального распределения X_0 плюс предельное распределение ряда X_1, X_2, ..., откуда сумма является предельным распределением X_0, X_1, ..., которое по Линдебергу-Леви CLT это нормально.
whuber
17

Лемма Стейна дает очень полезную характеристику. является стандартным гауссовым тогда и только тогда, когда для всех абсолютно непрерывных функций с .E f ( Z ) = E Z f ( Z ) f E | f ( Z ) | < Z

Ef(Z)=EZf(Z)
fE|f(Z)|<
Vqv
источник
12

Теорема [Гершеля-Максвелла]: Пусть - случайный вектор, для которого (i) проекции на ортогональные подпространства независимы и (ii) распределение зависит только от длины, Тогда нормально распределен.ZRnZZZ

Цитируется Джорджем Коббом в « Обучающей статистике: некоторые важные противоречия» (Chilean J. Statistics Vol. 2, No. 1, апрель 2011 г.) на с. 54.

Кобб использует эту характеристику в качестве отправной точки для получения , и без исчисления (или теории вероятностей).χ2tF

whuber
источник
9

Пусть и две независимые случайные величины с таким общим симметричным распределением, чтоηξ

P(|ξ+η2|t)P(|ξ|t).

Тогда эти случайные величины являются гауссовыми. (Очевидно, что если и центрированы по Гауссу, это правда.)ξη

Это теорема Бобкова-Гудре

robin girard
источник
9

Это не характеристика, а предположение, которое восходит к 1917 году и связано с Кантелли:

Если - положительная функция на а и - независимых случайных величин, таких что - нормальное, то - постоянная почти всюду.fRXYN(0,1)X+f(X)Yf

Упомянутый Жерара Letac здесь .

ли
источник
это хорошо, что вы упоминаете об этом! Я не могу понять интуицию, а вы?
Робин Жирар
@robin Это то, что делает эту гипотезу такой особенной: совершенно элементарное утверждение, некоторые очевидные подходы, которые с треском проваливаются (характерные функции), и одному не остается ничего понять ... Кстати, стоит ли делать ставку на гипотезу, которая была бы верной или ложь? Даже это не очевидно (для меня).
сделал
2
Если Жерар Летак не смог доказать это, он может долго оставаться открытой догадкой ...!
Сиань
@ Сиань: я полностью согласен, конечно. (Не знаю , что вы были роуминг в этих кварталах Сети ... Хорошие новости , что вы.)
Сделал
6
@ Сиань Вот препринт Виктора Клепцына и Алины Курцманн с контрпримером к гипотезе Кантелли. Конструкция использует новый инструмент, который авторы называют броуновским переносом масс, и дает разрывную функцию . Авторы утверждают, что полагают, что гипотеза Кантелли справедлива, если спросить, что непрерывно (их смесь двух непрерывных функций). ff
сделал
8

Предположим, что один оценивает параметр местоположения, используя данные iid . Если является оценщиком максимального правдоподобия, то распределение выборки является гауссовым. Согласно теории вероятностей Джейнса : логика науки, с. 202-4, именно так Гаусс и получил ее.{x1,...,xn}x¯

Cyan
источник
Я не уверен, что понимаю это как характеристику нормального распределения, так что я, вероятно, что-то упускаю. Что если бы у нас были данные Пуассона и мы хотели оценить ? MLE - это но выборочное распределение не является гауссовским - во-первых, должен быть рациональным; во-вторых, если бы это было гауссово, то было бы но это . μx¯x¯x¯xiPoisson(nμ)
Серебряная рыбка
2
Среднее Пуассона не является параметром местоположения!
kjetil b halvorsen
6

Более конкретная характеристика нормального распределения среди классов бесконечно делимых распределений представлена ​​в Steutel и Van Harn (2004) .

бесконечно делимая случайная величина имеет нормальное распределение тогда и только тогда, когда она удовлетворяет X

lim supxlogP(|X|>x)xlog(x)=.

Этот результат характеризует нормальное распределение с точки зрения поведения хвоста.

оборота user10525
источник
1
Краткое доказательство указанного предела заключается в следующем: если стандартно нормальный, то как , поэтому . Но и поэтому результат следует. Грубый набросок для случая Пуассона, кажется, указывает на то, что заданный предел равен , но я не проверял это слишком внимательно. XxP(X>x)/φ(x)1xlogP(X>x)logφ(x)+logx02logφ(x)x2λ
кардинал
6

В контексте сглаживания изображения (например, масштабного пространства ) гауссово является единственным вращательно-симметричным сепарабельным * ядром.

То есть, если нам требуется где , то вращательная симметрия требует что эквивалентно .

F[x,y]=f[x]f[y]
[x,y]=r[cosθ,sinθ]
Fθ=f[x]f[y]xθ+f[x]f[y]yθ=f[x]f[y]y+f[x]f[y]x=0f[x]xf[x]=f[y]yf[y]=const.
log[f[x]]=cx

Требование, чтобы было собственным ядром, требует, чтобы константа была отрицательной, а начальное значение - положительным, в результате чего получилось ядро ​​Гаусса.f[x]


* В контексте распределения вероятностей отделимое означает независимое, в то время как в контексте фильтрации изображения оно позволяет вычислительно свести двумерную свертку до двух одномерных сверток.

GeoMatt22
источник
2
+1 Но не следует ли это из непосредственного применения теоремы Гершеля-Максвелла в 2D?
whuber
@whuber Действительно, каким-то образом мне удалось пропустить ваш ответ при просмотре этой темы!
амеба говорит восстановить
@whuber Да. Я не читал подробно эту старую ветку и просто добавил этот ответ по запросу.
GeoMatt22
1
@amoeba смотрите также здесь .
GeoMatt22
3

Недавно Эйсмонт [1] опубликовал статью с новой характеристикой Гаусса:

Пусть - независимые случайные векторы со всеми моментами, где невырождены, и пусть статистика имеют распределение, которое зависит только от , где и . Тогда независимы и имеют одинаковое нормальное распределение с нулевым и для .(X1,,Xm,Y) and (Xm+1,,Xn,Z)Xii=1naiXi+Y+Zi=1nai2aiR1m<nXii { 1 , , n }cov(Xi,Y)=cov(Xi,Z)=0i{1,,n}

[1]. Эйсмонт, Виктор. «Характеризация нормального распределения независимостью пары случайных векторов». Статистика и вероятностные письма 114 (2016): 1-5.

Даниил
источник
1
Это деликатная и захватывающая характеристика. Спасибо за улучшение этой темы, поделившись ею!
whuber
1

Его характерная функция имеет ту же форму, что и его PDF. Я не уверен в другом распределении, которое делает это.

Джейсон
источник
4
Смотрите этот мой ответ о путях построения случайных величин, характеристические функции которых совпадают с их PDF-файлов.
Дилип Сарвате
-1

Ожидание плюс минус стандартное отклонение - это седловые точки функции.

Таль Галили
источник
11
Конечно, это свойство нормального распределения, но оно не характеризует его, поскольку множество других распределений также имеют это свойство.
whuber