Гауссово распределение

Гауссово распределение (Gaussian Distribution) — это другое название нормального распределения, которое подчеркивает его происхождение от работ Карла Фридриха Гаусса. Оно описывает случайные величины, значения которых группируются вокруг среднего значения и симметрично распределены относительно него.

🧠 Математическая формулировка:

Гауссово распределение задаётся функцией плотности вероятности:

где:

• $\mu$ — среднее значение (математическое ожидание),
• ${\sigma }^2$ — дисперсия (разброс),
• $\sigma$ — стандартное отклонение.

🔑 Основные свойства:

• Симметрия относительно $\mu$.
• Максимальная вероятность приходится на значение, равное среднему.
• 68–95–99.7 правило: большая часть значений сосредоточена в интервале нескольких стандартных отклонений от $\mu$.
• Специальный случай: стандартное гауссово распределение $N(0,1)$.

📌 Применение:

• Моделирование случайного шума в системах связи и обработке сигналов.
• Инициализация весов в нейросетях (например, He и Xavier Initialization).
• Вероятностные модели в машинном обучении, такие как Гауссовы смеси (Gaussian Mixture Models, GMM).
• Методы байесовской статистики и фильтрация (например, фильтр Калмана).
• Гипотезы о распределении данных в статистическом анализе.

⚖️ Преимущества и недостатки:

✅ Преимущества:

• Простая и хорошо изученная форма.
• Универсальность благодаря центральной предельной теореме.
• Легкость вычислений и интерпретаций.

❌ Недостатки:

• Плохо моделирует распределения с асимметрией и тяжёлыми хвостами.
• Неприменим для данных, сильно отличающихся от гауссовой формы.

🧠 Связанные понятия:

• Нормальное распределение — синоним.
• Центральная предельная теорема.
• Гауссовы процессы (Gaussian Processes) в машинном обучении.

💡 Вывод:

Гауссово распределение — фундаментальное вероятностное распределение, лежащее в основе множества методов статистики и машинного обучения. Оно особенно полезно для моделирования случайных процессов, где предполагается наличие симметричного и гладкого распределения вероятностей.