Une distribution gaussienne normalisée sur peut être définie en donnant explicitement sa densité: 1
ou sa fonction caractéristique.
Comme rappelé dans cette question, il s'agit également de la seule distribution pour laquelle la moyenne et la variance de l'échantillon sont indépendantes.
Quelles sont les autres caractérisations alternatives surprenantes des mesures gaussiennes que vous connaissez? J'accepterai la réponse la plus surprenante
la source
La distribution continue à variance fixe qui maximise l' entropie différentielle est la distribution gaussienne.
la source
Un livre entier a été écrit à ce sujet: "Caractérisations de la loi de probabilité normale", AM Mathai & G. Perderzoli. Un bref compte rendu de JASA (décembre 1978) mentionne ce qui suit:
la source
Les distributions gaussiennes sont les seules distributions à somme stable avec une variance finie.
la source
Le lemme de Stein fournit une caractérisation très utile. est gaussien standard si et seulement si E f ' ( Z ) = E Z f ( Z ) pour toutes les fonctions absolument continues f avec E | f ' ( Z ) | < ∞ .Z
la source
Théorème [Herschel-Maxwell]: Soit un vecteur aléatoire pour lequel (i) les projections dans des sous-espaces orthogonaux sont indépendantes et (ii) la distribution de Z ne dépend que de la longueur ‖ Z ‖ . Alors Z est normalement distribué.Z∈ Rn Z ∥ Z∥ Z
Cité par George Cobb dans Teaching statistics: Quelques tensions importantes (Chilean J. Statistics, vol. 2, n ° 1, avril 2011), p. 54
Cobb utilise cette caractérisation comme point de départ pour dériver les , et , sans utiliser le calcul (ou beaucoup de théorie de probabilité). t Fχ2 t F
la source
Soit et ξ deux variables aléatoires indépendantes ayant une distribution symétrique commune telle queη ξ
Alors ces variables aléatoires sont gaussiennes. ( De toute évidence, si le et η sont centrées gaussienne, il est vrai.)ξ η
C'est le théorème de Bobkov-Houdre
la source
Ce n'est pas une caractérisation mais une conjecture, qui remonte à 1917 et est due à Cantelli:
Mentionné par Gérard Letac ici .
la source
Supposons que l' on est l' estimation d' un paramètre de localisation en utilisant les données iid . Si ˉ x est l'estimateur du maximum de vraisemblance, alors la distribution d'échantillonnage est gaussienne. Selon la théorie des probabilités de Jaynes : La logique de la science, pages 202-4, c'est ainsi que Gauss l'a dérivé à l'origine.{x1,...,xn} x¯
la source
Une caractérisation plus particulière de la distribution normale parmi la classe des distributions infiniment divisibles est présentée dans Steutel et Van Harn (2004) .
Ce résultat caractérise la distribution normale en terme de comportement en queue.
la source
Dans le contexte du lissage d'image (par exemple , l'espace d'échelle ), la gaussienne est le seul noyau séparable * à rotation symétrique.
Autrement dit, si nous avons besoin de où [ x , y ] = r [ cos θ , sin θ ] , alors la symétrie de rotation nécessite F θ
Exiger que soit un noyau approprié requiert alors que la constante soit négative et que la valeur initiale soit positive, ce qui donne le noyau gaussien.f[x]
* Dans le contexte des distributions de probabilités, séparable signifie indépendant, tandis que dans le contexte du filtrage d'images, cela permet de réduire la convolution 2D en calculs à deux convolutions 1D.
la source
Ejsmont [1] a récemment publié un article avec une nouvelle caractérisation du gaussien:
Laisser(X1,…,Xm,Y) and (Xm+1,…,Xn,Z) Xi ∑ni=1aiXi+Y+Z ∑ni=1a2i ai∈R 1≤m<n Xi cov(Xi,Y)=cov(Xi,Z)=0 i∈{1,…,n}
[1]. Ejsmont, Wiktor. "Une caractérisation de la distribution normale par l'indépendance d'un couple de vecteurs aléatoires." Statistics & Probability Letters 114 (2016): 1-5.
la source
Sa fonction caractéristique a la même forme que son pdf. Je ne suis pas sûr d'une autre distribution qui fait ça.
la source
L'espérance plus moins l'écart type sont les points de selle de la fonction.
la source