這個模拟世界中的各種物理過程都表現出一定程度的随機性，例如，請想想噪聲。高斯概率分布(Gaussian probability distributions)描述了許多噪聲過程，我們應該看看它的數學公式。

從一個非常簡單的公式開始，考慮高斯概率分布的“鐘形曲線(bell curve)”公式：

無需繪制圖片，我們知道公式1所描述的曲線在x值為零時具有y值，并且我們進一步知道随着x值朝向任一值，y值都變為零，負無窮大或正無窮大。

接下來，依照上面的公式添加“零”和數字“ 1”，這實際上并沒有改變任何内容，但是會引導我們進行下一步。下面的公式3引入了平均值和标準偏差。

本文的“平均值”是一個新的中心值，圍繞它的x值更改将影響y值。現在，當x值等于平均值時，y值将變為1，其中平均值可以為零，也可以為任何非零值。“标準偏差(standard deviation)”将影響随着x值偏離均值，y值向零下降的速度有多快。

标準偏差的較大值将要求x值與平均值相差很大，從而明顯降低y值。 另一方面，當标準偏差較小時，x值與均值的微小偏差将使y值更快地變為零。

現在，繪制幾張圖片，以圖形方式查看均值和标準偏差如何完成各自的工作(圖1)。

圖1 顯示平均值和标準偏差的影響。

接下來，透過标準偏差的倒數來縮放y值。請不要擔心為何我們要這樣做，請繼續往下看。

如果再仔細看一下圖片，會看到标準偏差的附加影響(圖2)。

圖2 顯示标準偏差的附加影響。

接下來，輸入另一個比例因子，即2 *π的平方根的倒數。再度呼籲，不用擔心為什麼，隻要繼續看下去。

現在，導入一個稱為“方差(variance)”的新術語。方差隻是标準偏差的平方。可以将公式重寫為：

至此，我們已經完成了。如圖2所示，如果針對從負無窮大到正無窮大的x值範圍内的y值整合這最後兩個公式中的任何一個并進行積分，則曲線下的面積等于1或等于1。使用我們進行的看似任意縮放，最後兩個公式中的任何一個将産生一個積分結果。

無論你選擇的是平均值、标準偏差還是方差，積分總是為1，這就是高斯概率分布，可以随意選擇。

現在，我想談談作為數學新手所經曆的一個問題。我試着理解卡爾·弗裡德裡希·高斯(Carl Friedrich Gauss)等如此偉大大師的作品。然而高斯工作時，純粹是行動上的智慧。

他推斷出上述公式中需要2 *π的平方根，但是高斯如何得出他的結果？我從未見過任何關于這方面的解釋，也從未見過關于羅必達(l’Hospital)如何得出他尋找極限規則的任何解釋，也沒有見過關于帕普斯(Pappus)理論中尋找環形物體積或其他定理的任何解釋。我隻是被教導了這些天才努力的最終結果，以及如何應用其結果，僅此而已。

不知何故，由于缺乏更深層的解釋，因此我覺得被哄騙。

更多技術文章，請點擊了解更多

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!