KNOWECON WIKI

ARTICLE

高斯分布

高斯分布（Gaussian Distribution），亦称正态分布（Normal Distribution），是概率论与统计学中最重要的连续概率分布。其概率密度函数呈对称的钟形曲线，由数学王子卡尔·弗里德里希·高斯于1809年在研究天体运动误差时正式提出。高斯分布之所以在自然科学和社会科学中无处不在，根源在于中心极限定理——大量独立随机变量之和的分布趋近于

浏览 5 更新 2025-11-09

高斯分布（Gaussian Distribution），亦称正态分布（Normal Distribution），是概率论与统计学中最重要的连续概率分布。其概率密度函数呈对称的钟形曲线，由数学王子卡尔·弗里德里希·高斯于1809年在研究天体运动误差时正式提出。高斯分布之所以在自然科学和社会科学中无处不在，根源在于中心极限定理——大量独立随机变量之和的分布趋近于高斯分布，无论这些变量本身的分布为何。这一汇聚性质使高斯分布成为描述自然测量误差、金融资产收益率、生物特征数据以及热力学涨落等现象的通用数学模型。

1. 数学定义与性质

1.1 概率密度函数

高斯分布的概率密度函数由两个参数完全确定：均值 μ \mu （位置参数）和方差 σ2 \sigma^2 （尺度参数）。其表达式为：

f(x∣μ,σ2)=12πσ2exp⁡(−(x−μ)22σ2)f(x \mid \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right)

该函数在整个实数轴上取值非负且积分为1。最大值出现在 x=μ x = \mu 处，峰值为 1/2πσ2 1/\sqrt{2\pi\sigma^2} ；曲线在 x=μ±σ x = \mu \pm \sigma 处各有一个拐点。指数部分为二次型这一事实具有深远意义：它保证了高斯密度函数属于指数族分布，因而具有共轭先验、充分统计量有限等优良性质，是贝叶斯统计推断的基础构件。

1.2 累积分布函数与分位数

标准高斯分布 N(0,1) N(0,1) 的累积分布函数为 Φ(z)=12π∫−∞ze−t2/2dt \Phi(z) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^z e^{-t^2/2} dt ，该积分无解析表达式，可通过误差函数联系：Φ(z)=12[1+erf⁡(z/2)] \Phi(z) = \frac{1}{2}[1 + \operatorname{erf}(z/\sqrt{2})] 。常用分位数包括：Φ−1(0.975)≈1.96 \Phi^{-1}(0.975) \approx 1.96 （95\%置信区间）、Φ−1(0.995)≈2.576 \Phi^{-1}(0.995) \approx 2.576 （99\%置信区间），这些数值在整个推断统计学中反复出现。

高斯分布的矩生成函数为 MX(t)=exp⁡(μt+σ2t2/2) M_X(t) = \exp(\mu t + \sigma^2 t^2/2) ，前四阶矩为：期望 μ \mu ，方差 σ2 \sigma^2 ，偏度 0 0 （对称性），峰度 3 3 。偏度为零意味着分布关于均值对称，残差围绕零对称是模型拟合良好的直观标志。

1.3 线性变换与标准化

若 X∼N(μ,σ2) X \sim N(\mu, \sigma^2) ，则 aX+b∼N(aμ+b,a2σ2) aX + b \sim N(a\mu + b, a^2\sigma^2) 。这一线性封闭性是高斯分布区别于大多数分布的关键特征。标准化变换 Z=(X−μ)/σ∼N(0,1) Z = (X - \mu)/\sigma \sim N(0,1) 使任意高斯分布的概率计算可归结为标准正态分布的查询。

2. 中心极限定理

中心极限定理是高斯分布在统计学中占据核心地位的根本原因。设 X1,X2,…,Xn X_1, X_2, \dots, X_n 为独立同分布的随机变量，具有有限均值 μ \mu 和方差 σ2 \sigma^2 ，则样本均值 Xˉn \bar{X}_n 的标准化形式满足：

Xˉn−μσ/n→dN(0,1),n→∞\frac{\bar{X}_n - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0, 1), \quad n \to \infty

该定理不要求原始变量服从高斯分布——无论原始分布是二项分布、泊松分布还是均匀分布，只要样本量足够大，样本均值的分布就趋近于高斯分布。这一结果的实用价值无论如何强调都不为过：它使得研究者可以在对总体分布知之甚少的情况下，依然使用高斯分布进行统计推断。例如在民意调查中，即便每个选民的投票倾向服从伯努利分布，样本中支持率的分布在大样本下仍近似为正态，从而可以使用正态逼近计算置信区间和进行假设检验。

3. 多元高斯分布

3.1 定义与密度函数

多元高斯分布将一元高斯分布推广到 d d 维向量空间。对于 d d 维随机向量 X=(X1,…,Xd)T \mathbf{X} = (X_1, \dots, X_d)^T ，其联合概率密度函数为：

f(x∣μ,Σ)=1(2π)d/2∣Σ∣1/2exp⁡(−12(x−μ)TΣ−1(x−μ))f(\mathbf{x} \mid \boldsymbol{\mu}, \Sigma) = \frac{1}{(2\pi)^{d/2} |\Sigma|^{1/2}} \exp\left(-\frac{1}{2}(\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu})\right)

其中 μ∈Rd \boldsymbol{\mu} \in \mathbb{R}^d 为均值向量，Σ∈Rd×d \Sigma \in \mathbb{R}^{d \times d} 为协方差矩阵（对称正定）。马氏距离 (x−μ)TΣ−1(x−μ) (\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu}) 在指数中扮演关键角色：等密度面是超椭球体，其形状和方向由 Σ \Sigma 的特征值和特征向量决定。

3.2 条件分布与边缘分布

多元高斯分布最引人注目的代数性质是：边缘分布和条件分布仍然是高斯分布。将向量 X \mathbf{X} 分为两部分 X1 \mathbf{X}_1 和 X2 \mathbf{X}_2 ，对应均值和协方差也做分块：

μ=(μ1μ2),Σ=(Σ11Σ12Σ21Σ22)\boldsymbol{\mu} = \begin{pmatrix} \boldsymbol{\mu}_1 \\ \boldsymbol{\mu}_2 \end{pmatrix}, \quad \Sigma = \begin{pmatrix} \Sigma_{11} & \Sigma_{12} \\ \Sigma_{21} & \Sigma_{22} \end{pmatrix}

则条件分布 X1∣X2=x2 \mathbf{X}_1 \mid \mathbf{X}_2 = \mathbf{x}_2 的均值为 μ1∣2=μ1+Σ12Σ22−1(x2−μ2) \boldsymbol{\mu}_{1|2} = \boldsymbol{\mu}_1 + \Sigma_{12}\Sigma_{22}^{-1}(\mathbf{x}_2 - \boldsymbol{\mu}_2) ，协方差为 Σ1∣2=Σ11−Σ12Σ22−1Σ21 \Sigma_{1|2} = \Sigma_{11} - \Sigma_{12}\Sigma_{22}^{-1}\Sigma_{21} 。这一更新公式是高斯过程回归和卡尔曼滤波的理论基础：在获得新观测后，对未知量的后验认知仍然保持高斯形式，使得递推推断在计算上极为便利。

3.3 独立性与相关性

对于多元高斯分布，不相关等价于独立——这是高斯分布独有的特性。若协方差矩阵为对角矩阵，则各分量相互独立。这一性质在高维数据处理中至关重要：协方差矩阵的零元素对应条件独立性关系，极大简化了模型解释和推理算法设计。

4. 参数估计

4.1 极大似然估计

给定 n n 个独立同分布样本 x1,…,xn∼N(μ,σ2) x_1, \dots, x_n \sim N(\mu, \sigma^2) ，对数似然函数为：

ℓ(μ,σ2)=−n2ln⁡(2π)−n2ln⁡(σ2)−12σ2∑i=1n(xi−μ)2\ell(\mu, \sigma^2) = -\frac{n}{2}\ln(2\pi) - \frac{n}{2}\ln(\sigma^2) - \frac{1}{2\sigma^2}\sum_{i=1}^n (x_i - \mu)^2

极大化该函数得到闭式解：μ^=xˉ=1n∑i=1nxi \hat{\mu} = \bar{x} = \frac{1}{n}\sum_{i=1}^n x_i ，σ^2=1n∑i=1n(xi−xˉ)2 \hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (x_i - \bar{x})^2 。样本均值是 μ \mu 的无偏估计，样本方差 σ^2 \hat{\sigma}^2 则是有偏的（其无偏修正为除以 n−1 n-1 的版本 s2 s^2 ）。在多元情形下，极大似然估计的均值向量和协方差矩阵同样具有简洁的闭式形式：μ^=1n∑i=1nxi \hat{\boldsymbol{\mu}} = \frac{1}{n}\sum_{i=1}^n \mathbf{x}_i ，Σ^=1n∑i=1n(xi−μ^)(xi−μ^)T \hat{\Sigma} = \frac{1}{n}\sum_{i=1}^n (\mathbf{x}_i - \hat{\boldsymbol{\mu}})(\mathbf{x}_i - \hat{\boldsymbol{\mu}})^T 。

4.2 贝叶斯估计

在贝叶斯框架下，高斯分布的共轭先验具有封闭形式：均值（方差已知）的共轭先验为高斯分布，方差（均值已知）的共轭先验为逆伽马分布，二者均未知时为正态-逆伽马分布。这一封闭性使贝叶斯更新可在解析形式下进行，是高斯模型在贝叶斯分析中广泛使用的基础。

5. 应用领域

5.1 误差分析与最小二乘法

高斯最初提出正态分布正是为了分析天文观测的测量误差。最小二乘估计的残差在模型正确设定且误差独立同分布时趋于高斯分布，这一结论构成了经典线性回归模型推断的基础。在回归诊断中，残差的正态性检验（如Shapiro-Wilk检验、Jarque-Bera检验）是模型诊断的标准流程——若残差显著偏离正态性，则可能意味着模型存在非线性、异方差或其他设定问题。

5.2 金融与风险管理

在金融领域，高斯分布长期被用于建模资产收益率，尽管实证研究表明收益率具有"厚尾"特征（峰度大于3）。Black-Scholes期权定价模型假设标的资产价格服从对数正态分布（即对数收益率服从高斯分布），这一假设是衍生品定价的理论基石。在风险管理中，RiskMetrics体系使用高斯分布计算VaR（风险价值）——假设投资组合收益服从高斯分布时，95\%置信水平下的VaR为 μ−1.645σ \mu - 1.645\sigma ，但该假设在极端市场条件下常导致对尾部风险的低估，金融危机后已受到广泛批评和修正。

5.3 机器学习与信号处理

高斯分布在机器学习中扮演多重角色。高斯朴素贝叶斯分类器假设特征服从高斯分布，是文本分类的经典算法。高斯混合模型通过多个高斯分量的加权和逼近任意分布，是聚类分析的主流方法。高斯过程将高斯分布推广到函数空间，为回归任务提供贝叶斯非参数框架。在信号处理中，白噪声常建模为高斯分布，卡尔曼滤波利用高斯分布的线性封闭性实现最优状态估计。

5.4 自然与社会科学

在生物学中，人类身高、血压、智商测试得分等大量性状的群体分布接近高斯分布（或经适当变换后接近）。在教育测量学中，项目反应理论假设被试能力服从高斯分布，据此编制标准化考试并解释分数百分等级。在物理学中，麦克斯韦-玻尔兹曼分布描述理想气体分子速率——速率分量的分布恰为高斯分布，而速率本身服从麦克斯韦分布（卡方分布的特例）。在量子光学中，相干态的光子数分布遵循泊松分布，而热光场的光子数分布则呈玻色-爱因斯坦分布——前者在大量光子极限下趋近高斯分布。

6. 局限性与推广

高斯分布的主要局限在于其对称性和轻尾特征。许多现实数据呈现非对称（偏态）或厚尾特征，高斯分布无法刻画。为此，研究者发展了多种推广形式：偏正态分布在标准高斯密度基础上引入偏度参数，通过一个额外的形状参数控制分布的不对称性；学生 t t 分布通过自由度参数控制尾部厚度，自由度越低尾部越厚，是稳健统计中替代高斯分布的标准选择；稳定分布（如列维分布）则进一步放松了方差有限的条件，适用于建模股票收益率等极端波动现象。在检验领域，Anderson-Darling检验和D'Agostino检验专门用于评估样本是否来自高斯总体，偏离显著时需考虑上述替代分布。

总结

高斯分布以其优美的数学形式和深刻的理论内涵，成为概率论与统计学中最核心的分布模型。从中心极限定理的理论支撑，到多元高斯分布的封闭性质，再到参数估计的闭式解，高斯分布为数据科学提供了不可替代的工具。尽管在偏态和厚尾数据面前存在局限，但偏正态分布、t t 分布和稳定分布等推广形式从不同角度弥补了这些不足。无论是经典统计学的最小二乘推断，还是机器学习的贝叶斯方法与高斯过程，高斯分布始终是概率建模的基石。