高斯模型，也被称为正态分布或者高斯分布，是一种在自然和社会科学中广泛存在的连续概率分布。
定义
高斯模型的概率密度函数（PDF）为： 其中，是均值，是方差。
统计性质
- 均值（Mean）：
- 众数（Mode）：
- 标准差（Standard Deviation）：
- 方差（Variance）：
- 偏度（Skewness）：0
累积分布函数
高斯模型的累积分布函数（CDF）为：
百分位数
- 10th：
- 25th：
- 50th：
- 75th：
- 90th：
应用
高斯模型在许多领域都有广泛的应用。以下是一些具体的应用案例：
1. 信号处理：在信号处理中，噪声通常被假设为高斯分布。这是因为许多独立的小效应的总和通常会形成高斯噪声。
2. 机器学习：在机器学习中，许多算法（如线性回归、支持向量机等）的误差项通常被假设为高斯分布。此外，高斯混合模型和高斯过程也是机器学习中常用的模型。
3. 统计质量控制：在制造业中，产品的质量通常被假设为高斯分布。这使得我们可以使用各种统计方法（如控制图）来监控和改进制造过程。
4. 自然科学：在物理学、生物学等自然科学中，许多现象的测量结果都服从高斯分布。例如，测量误差、生物种群的身高和体重等。
5. 社会科学：在经济学、心理学等社会科学中，许多现象也服从高斯分布。例如，人们的收入、智商分数等。
6. 医学研究：在医学研究中，许多生物标志物的测量结果通常服从高斯分布。这使得我们可以使用各种统计方法来分析数据和做出推断。
7. 金融：在金融中，资产的收益率和价格变动通常被假设为高斯分布。这使得我们可以使用各种统计方法来分析风险和做出投资决策。
8. 天文学：在天文学中，许多测量结果（如星星的亮度、行星的位置等）也服从高斯分布。这使得我们可以使用各种统计方法来分析数据和研究宇宙。
中心极限定理
中心极限定理是高斯分布的一个重要性质，它表明，如果我们从任何一个分布中抽取大量的样本，那么这些样本的平均值将服从高斯分布。这也是为什么高斯分布在自然和社会科学中如此普遍的原因。
参数估计
对于高斯模型，我们通常使用最大似然估计来估计其参数（均值和方差）。这些参数的最大似然估计可以通过简单的公式直接计算。
多元高斯分布
除了一元高斯分布，还存在多元高斯分布，用于描述多个随机变量的联合分布。多元高斯分布的参数包括一个均值向量和一个协方差矩阵。
高斯过程
高斯过程是一种随机过程，其任何有限个维度的边缘分布都是高斯分布。高斯过程在机器学习中有广泛的应用，例如在高斯过程回归和高斯过程分类中。
正态性检验
在实际应用中，我们通常需要检验一个数据集是否服从高斯分布。这可以通过多种正态性检验方法来实现，例如Kolmogorov-Smirnov检验、Shapiro-Wilk检验等。