更新时间：作者：小小条
正态分布里的π和e从哪来？
摘要
正态分布作为概率论与统计学中极为重要的分布，其概率密度函数中出现了数学常数π和e。本文深入探讨了正态分布里π和e的来源，从正态分布的起源、推导过程等多个角度进行分析，揭示了这两个常数在正态分布中的本质意义以及它们与正态分布所描述的随机现象之间的内在联系。
一、引言
正态分布，也被称为高斯分布，是一种在自然界和社会现象中广泛存在的概率分布。许多自然现象，如测量误差、人的身高、考试成绩等都近似服从正态分布。正态分布的概率密度函数为\(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^2}{2\sigma^2}}\)，其中\(\mu\)是均值，\(\sigma\)是标准差，而π和e这两个神奇的数学常数在函数中扮演着关键角色。π通常与圆、周长、面积等几何概念相关，e则与指数增长、复利等问题紧密相连。那么，它们是如何出现在正态分布这个看似与几何和指数增长并无直接关联的概率分布中的呢？这正是本文要探讨的核心问题。
二、正态分布的起源与发展
2.1 早期的探索
正态分布的历史可以追溯到18世纪。当时，数学家们在研究天文学中的测量误差问题时，开始关注到一种特殊的分布规律。天文学家在进行天体位置测量时，由于各种因素的影响，每次测量的结果都会存在一定的误差。这些误差似乎并不是随机无序的，而是呈现出某种规律性。
最早对这种误差分布规律进行研究的是棣莫弗（Abraham de Moivre）。在1733年，棣莫弗为了近似计算二项分布\(B(n,p)\)（当\(n\)很大时）的概率，推导出了一个近似公式。他考虑了抛硬币的问题，设抛\(n\)次硬币，正面出现的次数为\(X\)，\(X\sim B(n,\frac{1}{2})\)。当\(n\)很大时，棣莫弗发现\(X\)的分布可以用一个连续的曲线来近似。他得到了一个关于概率的表达式，其中首次出现了类似正态分布的形式，并且在推导过程中涉及到了π和e的雏形。
2.2 高斯的贡献
19世纪初，高斯（Carl Friedrich Gauss）在研究天体运动的轨道预测时，也遇到了测量误差的问题。高斯假设测量误差服从一种分布，并且通过最小二乘法的原理，推导出了误差分布的概率密度函数。他发现，当假设误差的概率密度函数为\(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^2}{2\sigma^2}}\)时，能够很好地拟合实际的测量数据。高斯的这一发现使得正态分布得到了广泛的认可和应用，因此正态分布也被称为高斯分布。
三、π在正态分布中的来源
3.1 从几何角度理解
3.1.1 二维正态分布与圆的联系
考虑二维正态分布，设\(X\)和\(Y\)是两个相互独立的随机变量，且都服从正态分布\(N(0,1)\)，即\(X\sim N(0,1)\)，\(Y\sim N(0,1)\)。它们的联合概率密度函数为\(f(x,y)=\frac{1}{2\pi}e^{-\frac{x^2 + y^2}{2}}\)。
我们可以通过极坐标变换来理解π的出现。令\(x = r\cos\theta\)，\(y = r\sin\theta\)，则\(x^{2}+y^{2}=r^{2}\)，雅可比行列式\(J=\begin{vmatrix}\frac{\partial x}{\partial r}&\frac{\partial x}{\partial \theta}\\\frac{\partial y}{\partial r}&\frac{\partial y}{\partial \theta}\end{vmatrix}=r\)。
那么联合概率密度函数在极坐标下变为\(f(r,\theta)=\frac{1}{2\pi}e^{-\frac{r^2}{2}}r\)。对\(\theta\)从\(0\)到\(2\pi\)积分，对\(r\)从\(0\)到\(\infty\)积分，就可以得到二维正态分布在整个平面上的概率为\(1\)。这里的\(2\pi\)正是圆的周长公式\(C = 2\pi r\)（在角度积分时体现了圆的周向性质）中的\(2\pi\)，说明二维正态分布与圆的几何性质有着内在联系，从而引入了π。
3.1.2 单位圆与概率的关系
在一维正态分布中，我们可以通过一种间接的方式与圆联系起来。考虑标准正态分布\(N(0,1)\)，其概率密度函数为\(f(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}\)。我们知道，概率密度函数在整个实数轴上的积分\(\int_{-\infty}^{\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx = 1\)。
为了计算这个积分，我们可以构造一个二维的积分。设\(I=\int_{-\infty}^{\infty}e^{-\frac{x^2}{2}}dx\)，则\(I^{2}=\left(\int_{-\infty}^{\infty}e^{-\frac{x^2}{2}}dx\right)\left(\int_{-\infty}^{\infty}e^{-\frac{y^2}{2}}dy\right)=\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}e^{-\frac{x^2 + y^2}{2}}dxdy\)。
通过极坐标变换，令\(x = r\cos\theta\)，\(y = r\sin\theta\)，则\(I^{2}=\int_{0}^{2\pi}\int_{0}^{\infty}e^{-\frac{r^2}{2}}r drd\theta\)。先对\(r\)积分，令\(u=\frac{r^2}{2}\)，\(du = rdr\)，则\(\int_{0}^{\infty}e^{-\frac{r^2}{2}}r dr=\int_{0}^{\infty}e^{-u}du = 1\)；再对\(\theta\)积分，\(\int_{0}^{2\pi}d\theta = 2\pi\)，所以\(I^{2}=2\pi\)，即\(I=\sqrt{2\pi}\)。因此，\(\int_{-\infty}^{\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx = 1\)，这里的π是通过与圆的几何性质相关的积分计算引入的。
3.2 从统计物理角度理解
在统计物理中，许多物理量的分布也服从正态分布。例如，气体分子的速度分布。根据麦克斯韦 - 玻尔兹曼分布，气体分子在三个方向上的速度分量\(v_x\)，\(v_y\)，\(v_z\)都服从正态分布。
从物理的角度来看，气体分子在空间中的运动是各向同性的，这意味着分子在各个方向上的运动具有相同的概率分布。而这种各向同性的性质与圆（在二维平面）或球（在三维空间）的对称性密切相关。在推导气体分子速度分布的过程中，需要考虑分子在整个空间中的分布情况，而空间的几何性质（如球的表面积公式\(S = 4\pi r^2\)）就会引入π这个常数。
四、e在正态分布中的来源
4.1 从指数增长和衰减的角度
4.1.1 最大熵原理
最大熵原理是信息论中的一个重要原理，它指出在满足一定约束条件下，概率分布应该使得熵最大。熵是对不确定性的一种度量，对于一个连续型随机变量\(X\)，其概率密度函数为\(f(x)\)，熵\(H(X)=-\int_{-\infty}^{\infty}f(x)\ln f(x)dx\)。
对于正态分布，假设随机变量\(X\)的均值为\(\mu\)，方差为\(\sigma^{2}\)，在满足\(\int_{-\infty}^{\infty}f(x)dx = 1\)，\(\int_{-\infty}^{\infty}xf(x)dx=\mu\)，\(\int_{-\infty}^{\infty}(x - \mu)^2f(x)dx=\sigma^{2}\)这些约束条件下，通过拉格朗日乘数法求熵\(H(X)\)的最大值。
设\(L(f)=-\int_{-\infty}^{\infty}f(x)\ln f(x)dx+\lambda_1\left(\int_{-\infty}^{\infty}f(x)dx - 1\right)+\lambda_2\left(\int_{-\infty}^{\infty}xf(x)dx-\mu\right)+\lambda_3\left(\int_{-\infty}^{\infty}(x - \mu)^2f(x)dx-\sigma^{2}\right)\)。
对\(L(f)\)关于\(f(x)\)求变分并令其为\(0\)，经过一系列的计算可以得到\(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^2}{2\sigma^2}}\)。这里的e是因为在求解过程中涉及到指数函数的形式，指数函数\(y = e^x\)具有一些特殊的性质，如\(\frac{d}{dx}e^x = e^x\)，使得在满足最大熵原理的情况下，概率密度函数呈现出指数形式。
4.1.2 随机过程中的指数衰减
在许多随机过程中，如放射性衰变、生物种群的死亡过程等，都存在指数衰减的现象。正态分布可以看作是大量独立同分布的随机变量之和的极限分布（中心极限定理）。
当我们考虑一个随机变量的变化过程时，如果其变化是由许多微小的、独立的因素共同作用的结果，那么在一定条件下，这个随机变量的分布会趋近于正态分布。而这些微小因素的作用可能具有指数衰减的性质。例如，在测量误差的产生过程中，每次测量的误差可能是由许多小的干扰因素叠加而成，这些小的干扰因素的影响可能随着时间或距离呈指数衰减，从而导致误差的分布服从正态分布，其中就包含了e这个指数常数。
4.2 从数学推导的角度
4.2.1 中心极限定理的推导
中心极限定理是概率论中的一个重要定理，它指出设\(X_1,X_2,\cdots,X_n\)是独立同分布的随机变量，且具有有限的均值\(\mu\)和方差\(\sigma^{2}\)，则当\(n\)充分大时，\(\frac{\sum_{i = 1}^{n}X_i - n\mu}{\sqrt{n}\sigma}\)近似服从标准正态分布\(N(0,1)\)。
在推导中心极限定理的过程中，通常会使用特征函数的方法。随机变量\(X\)的特征函数定义为\(\varphi(t)=E(e^{itX})\)，其中\(i=\sqrt{-1}\)。对于独立同分布的随机变量\(X_1,X_2,\cdots,X_n\)，它们的和\(S_n=\sum_{i = 1}^{n}X_i\)的特征函数为\(\varphi_{S_n}(t)=\left[\varphi(t)\right]^n\)。
当\(n\)很大时，通过对特征函数进行泰勒展开，并利用极限的方法，可以得到\(\varphi_{S_n}(t)\)趋近于标准正态分布的特征函数\(\varphi_{N(0,1)}(t)=e^{-\frac{t^2}{2}}\)。这里的e是在指数函数的运算和极限过程中自然出现的，因为指数函数的性质使得在处理大量独立随机变量的和的特征函数时，能够简洁地表示其极限形式。
五、π和e在正态分布中的综合意义
5.1 数学结构的和谐性
正态分布的概率密度函数\(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^2}{2\sigma^2}}\)中，π和e的同时出现体现了数学结构的和谐性。π代表了几何和对称的概念，而e代表了指数增长和衰减的概念。在正态分布中，这两个看似不同领域的常数相互配合，共同描述了随机变量的分布规律。
从函数的形式来看，\(e^{-\frac{(x - \mu)^2}{2\sigma^2}}\)决定了函数的形状，它是一个钟形曲线，具有对称性，而\(\frac{1}{\sigma\sqrt{2\pi}}\)则是为了保证概率密度函数在整个实数轴上的积分等于\(1\)，其中的π和e的组合使得函数在数学上具有严谨的规范性和合理性。
5.2 对现实世界的描述能力
正态分布能够很好地描述许多自然和社会现象，而π和e在其中起到了关键作用。例如，在生物学中，生物的许多生理特征（如身高、体重等）都近似服从正态分布。π和e的存在使得正态分布能够准确地反映这些生理特征在群体中的分布情况，帮助我们理解生物的遗传和变异规律。
在金融领域，股票价格的波动、投资回报率等也常常近似服从正态分布。通过正态分布，我们可以利用π和e所代表的数学性质来进行风险评估和投资决策。
六、结论
本文深入探讨了正态分布里π和e的来源。从正态分布的起源和发展来看，它是在解决实际问题（如测量误差、二项分布近似等）的过程中逐渐被发现和完善的。π的出现主要与几何和对称性质相关，无论是从二维正态分布的极坐标变换、统计物理中的各向同性，还是从积分计算的角度，都能看到圆或球的几何性质对正态分布的影响，从而引入了π。
e的来源则与指数增长、衰减以及最大熵原理、中心极限定理等密切相关。指数函数的特殊性质使得在描述随机变量的分布规律、处理大量独立随机变量的和以及满足最大熵条件时，自然地出现了e这个常数。
π和e在正态分布中的综合作用体现了数学结构的和谐性和对现实世界的强大描述能力。正态分布作为概率论与统计学中的核心分布，π和e这两个神奇的数学常数为其赋予了深刻的数学内涵和广泛的应用价值。对它们来源的深入理解有助于我们更好地掌握正态分布的本质，从而在各个领域中更有效地应用正态分布来解决实际问题。
未来的研究可以进一步探索正态分布与其他数学概念和物理现象之间的联系，以及如何利用正态分布和π、e的性质来解决更复杂的实际问题，如在大数据分析、人工智能等领域的应用。同时，也可以研究在不同条件下正态分布的变形和推广，以及π和e在这些推广分布中的作用和意义。
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除