Função Gaussiana - Gaussian function
Em matemática , uma função gaussiana , muitas vezes referida simplesmente como gaussiana , é uma função da forma
para constantes reais arbitrárias a , be diferentes de zero c . Recebeu o nome do matemático Carl Friedrich Gauss . O gráfico de um Gaussiano é uma forma simétrica de " curva de sino " característica. O parâmetro a é a altura do pico da curva, b é a posição do centro do pico ec (o desvio padrão , às vezes chamado de largura RMS gaussiana ) controla a largura do "sino".
Funções gaussianas são muitas vezes utilizados para representar a função de densidade de probabilidade de um normalmente distribuído variável aleatória com valor esperado μ = b e variância σ 2 = c 2 . Neste caso, o Gaussiano é da forma
As funções gaussianas são amplamente utilizadas em estatística para descrever as distribuições normais , no processamento de sinais para definir filtros gaussianos , no processamento de imagens onde gaussianas bidimensionais são usadas para desfocagens gaussianas e na matemática para resolver equações de calor e equações de difusão e para definir o Weierstrass transformar .
Propriedades
As funções gaussianas surgem pela composição da função exponencial com uma função quadrática côncava :
Onde
As funções gaussianas são, portanto, aquelas funções cujo logaritmo é uma função quadrática côncava.
O parâmetro c está relacionado à largura total na metade do máximo (FWHM) do pico de acordo com
A função pode então ser expressa em termos de FWHM, representado por w :
Alternativamente, o parâmetro c pode ser interpretado dizendo que os dois pontos de inflexão da função ocorrem em x = b ± c .
A largura total no décimo do máximo (FWTM) para um Gaussiano pode ser de interesse e é
As funções gaussianas são analíticas e seu limite como x → ∞ é 0 (para o caso acima de b = 0 ).
As funções gaussianas estão entre aquelas funções elementares, mas sem antiderivadas elementares ; a integral da função gaussiana é a função de erro . No entanto, suas integrais impróprias ao longo de toda a linha real podem ser avaliadas exatamente, usando a integral de Gauss
e um obtém
Este é um integrante se e somente se (a constante de normalização ), e neste caso o Gaussiana é a função de densidade de probabilidade de um normalmente distribuído variável aleatória com valor esperado μ = b e variância σ 2 = c 2 :
Esses gaussianos estão representados na figura a seguir.
As funções gaussianas centradas em zero minimizam o princípio da incerteza de Fourier .
O produto de duas funções de Gauss é uma Gaussiana, e a convolução de duas funções gaussianas é também uma Gaussiana, com variância sendo a soma dos desvios originais: . O produto de duas funções de densidade de probabilidade gaussiana (PDFs), no entanto, não é, em geral, uma PDF gaussiana.
Tomando a transformada de Fourier (unitário, convenção angular-frequência) de uma função de Gauss com parâmetros de um = 1 , b = 0 e c produz uma outra função de Gauss, com parâmetros , b = 0 e . Assim, em particular, as funções gaussianas com b = 0 e são mantidas fixas pela transformada de Fourier (são autofunções da transformada de Fourier com autovalor 1). Uma realização física é a do padrão de difração : por exemplo, um slide fotográfico cuja transmitância tem uma variação gaussiana também é uma função gaussiana.
O fato de que a função Gaussiana é uma autofunção da transformada contínua de Fourier nos permite derivar a seguinte identidade interessante da fórmula de soma de Poisson :
Integral de uma função gaussiana
A integral de uma função Gaussiana arbitrária é
Uma forma alternativa é
onde f deve ser estritamente positivo para a integral convergir.
Relação com integral gaussiana padrão
O integral
para algumas constantes reais , a , b , c > 0 pode ser calculado colocando-o na forma de uma integral gaussiana . Primeiro, a constante a pode simplesmente ser fatorada fora da integral. Em seguida, a variável de integração é alterada de x para y = x - b :
e então para :
Então, usando a identidade integral gaussiana
temos
Função Gaussiana bidimensional
Em duas dimensões, a potência à qual e é elevado na função gaussiana é qualquer forma quadrática definida negativa. Conseqüentemente, os conjuntos de níveis do Gaussiano sempre serão elipses.
Um exemplo particular de uma função gaussiana bidimensional é
Aqui, o coeficiente A é a amplitude, x 0 , y 0 é o centro, e σ x , σ y são a x e y para barrar da bolha. A figura à direita foi criada usando A = 1, x 0 = 0, y 0 = 0, σ x = σ y = 1.
O volume sob a função gaussiana é dado por
Em geral, uma função elíptica gaussiana bidimensional é expressa como
onde a matriz
Usando esta formulação, a figura à direita pode ser criada usando A = 1, ( x 0 , y 0 ) = (0, 0), a = c = 1/2, b = 0.
Significado dos parâmetros para a equação geral
Para a forma geral da equação, o coeficiente A é a altura do pico e ( x 0 , y 0 ) é o centro da bolha.
Se nós definirmos
em seguida, giramos a bolha em um ângulo no sentido horário (para rotação no sentido anti-horário, inverta os sinais no coeficiente b ). Isso pode ser visto nos seguintes exemplos:
Usando o seguinte código Octave , pode-se ver facilmente o efeito da alteração dos parâmetros:
A = 1;
x0 = 0; y0 = 0;
sigma_X = 1;
sigma_Y = 2;
[X, Y] = meshgrid(-5:.1:5, -5:.1:5);
for theta = 0:pi/100:pi
a = cos(theta)^2 / (2 * sigma_X^2) + sin(theta)^2 / (2 * sigma_Y^2);
b = -sin(2 * theta) / (4 * sigma_X^2) + sin(2 * theta) / (4 * sigma_Y^2);
c = sin(theta)^2 / (2 * sigma_X^2) + cos(theta)^2 / (2 * sigma_Y^2);
Z = A * exp(-(a * (X - x0).^2 + 2 * b * (X - x0) .* (Y - y0) + c * (Y - y0).^2));
surf(X, Y, Z);
shading interp;
view(-36, 36)
waitforbuttonpress
end
Essas funções são frequentemente usadas no processamento de imagens e em modelos computacionais de função do sistema visual - consulte os artigos sobre escala espacial e adaptação de forma afim .
Veja também a distribuição normal multivariada .
Função gaussiana de ordem superior ou função super-gaussiana
Uma formulação mais geral de uma função gaussiana com um topo plano e uma queda gaussiana pode ser tomada elevando o conteúdo do expoente a uma potência :
Esta função é conhecida como função super-gaussiana e é freqüentemente usada para formulação de feixe gaussiano. Em uma formulação bidimensional, uma função gaussiana ao longo e pode ser combinado com potencialmente diferente e para formar uma distribuição de Gauss elíptica:
ou uma distribuição retangular de Gauss:
Função Gaussiana multidimensional
Em um espaço dimensional, uma função gaussiana pode ser definida como
onde é uma coluna de coordenadas, é uma matriz definida positiva e denota a transposição da matriz .
A integral desta função Gaussiana sobre todo o espaço dimensional é dada como
Ele pode ser facilmente calculado diagonalizando a matriz e alterando as variáveis de integração para os vetores próprios de .
Mais geralmente, uma função gaussiana deslocada é definida como
onde é o vetor de deslocamento e a matriz pode ser considerada simétrica , e definida como positiva. Os seguintes integrais com esta função podem ser calculados com a mesma técnica:
Onde
Estimativa de parâmetros
Vários campos, como fotometria estelar , caracterização de feixe gaussiano e espectroscopia de linha de emissão / absorção funcionam com funções gaussianas amostradas e precisam estimar com precisão os parâmetros de altura, posição e largura da função. Existem três parâmetros desconhecidos para uma função gaussiana 1D ( a , b , c ) e cinco para uma função gaussiana 2D .
O método mais comum para estimar os parâmetros gaussianos é pegar o logaritmo dos dados e ajustar uma parábola ao conjunto de dados resultante. Embora isso forneça um procedimento de ajuste de curva simples , o algoritmo resultante pode ser enviesado pela ponderação excessiva de pequenos valores de dados, o que pode produzir grandes erros na estimativa do perfil. Pode-se compensar parcialmente esse problema por meio da estimativa de mínimos quadrados ponderados , reduzindo o peso de pequenos valores de dados, mas isso também pode ser tendencioso, permitindo que a cauda do Gaussiano domine o ajuste. Para remover o viés, pode-se usar um procedimento de mínimos quadrados reponderados iterativamente , no qual os pesos são atualizados a cada iteração. Também é possível realizar regressões não lineares diretamente sobre os dados, sem envolver a transformação logarítmica dos dados ; para mais opções, consulte ajuste de distribuição de probabilidade .
Precisão do parâmetro
Uma vez que se tenha um algoritmo para estimar os parâmetros da função gaussiana, também é importante saber o quão precisas são essas estimativas. Qualquer algoritmo de estimativa de mínimos quadrados pode fornecer estimativas numéricas para a variância de cada parâmetro (ou seja, a variância da altura, posição e largura estimadas da função). Também se pode usar a teoria do limite de Cramér-Rao para obter uma expressão analítica para o limite inferior nas variâncias dos parâmetros, dadas certas suposições sobre os dados.
- O ruído no perfil medido é iid Gaussiano ou o ruído é distribuído por Poisson .
- O espaçamento entre cada amostragem (ou seja, a distância entre os pixels que medem os dados) é uniforme.
- O pico é "bem amostrado", de modo que menos de 10% da área ou volume sob o pico (área se for um gaussiano 1D, volume se for um gaussiano 2D) está fora da região de medição.
- A largura do pico é muito maior do que a distância entre os locais da amostra (ou seja, os pixels do detector devem ser pelo menos 5 vezes menores do que o FWHM gaussiano).
Quando essas suposições são satisfeitas, o seguinte covariância matriz K aplica-se para os parâmetros do perfil 1D , e no ruído Gaussian iid e sob Poisson ruído:
onde é a largura dos pixels usados para amostrar a função, é a eficiência quântica do detector e indica o desvio padrão do ruído de medição. Assim, as variâncias individuais para os parâmetros são, no caso do ruído gaussiano,
e no caso do ruído de Poisson,
Para os parâmetros de perfil 2D que fornecem a amplitude , posição e largura do perfil, as seguintes matrizes de covariância se aplicam:
onde as variâncias dos parâmetros individuais são dadas pelos elementos diagonais da matriz de covariância.
Gaussiana Discreta
Pode-se pedir um análogo discreto ao gaussiano; isso é necessário em aplicações discretas, particularmente no processamento digital de sinais . Uma resposta simples é amostrar o Gaussiano contínuo, produzindo o kernel Gaussiano amostrado . No entanto, essa função discreta não tem os análogos discretos das propriedades da função contínua e pode levar a efeitos indesejáveis, conforme descrito na implementação do espaço de escala do artigo .
Uma abordagem alternativa é usar o kernel gaussiano discreto :
onde denota as funções de Bessel modificadas de ordem inteira.
Este é o análogo discreto do Gaussiano contínuo no sentido de que é a solução para a equação de difusão discreta (espaço discreto, tempo contínuo), assim como o Gaussiano contínuo é a solução para a equação de difusão contínua.
Formulários
As funções gaussianas aparecem em muitos contextos nas ciências naturais , ciências sociais , matemática e engenharia . Alguns exemplos incluem:
- Na estatística e na teoria da probabilidade , as funções gaussianas aparecem como a função densidade da distribuição normal , que é uma distribuição de probabilidade limitante de somas complicadas, de acordo com o teorema do limite central .
- As funções gaussianas são as funções de Green para a equação de difusão (homogênea e isotrópica) (e para a equação do calor , que é a mesma coisa), uma equação diferencial parcial que descreve a evolução temporal de uma densidade de massa sob difusão . Especificamente, se a densidade de massa no tempo t = 0 é dada por um delta de Dirac , o que essencialmente significa que a massa é inicialmente concentrada em um único ponto, então a distribuição de massa no tempo t será dada por uma função gaussiana, com o parâmetro a sendo linearmente relacionado a 1 / √ t e c linearmente relacionado a √ t ; este gaussiano variável no tempo é descrito pelo kernel de calor . Mais geralmente, se a densidade de massa inicial é φ ( x ), então a densidade de massa em tempos posteriores é obtida tomando a convolução de φ com uma função gaussiana. A convolução de uma função com uma Gaussiana também é conhecida como transformada de Weierstrass .
- Uma função gaussiana é a função de onda do estado fundamental do oscilador harmônico quântico .
- Os orbitais moleculares usados em química computacional podem ser combinações lineares de funções gaussianas chamadas orbitais gaussianos (veja também conjunto de bases (química) ).
- Matematicamente, as derivadas da função gaussiana podem ser representadas usando funções de Hermite . Para a variância unitária, a n- ésima derivada do gaussiano é a própria função gaussiana multiplicada pelo n- ésimo polinômio de Hermite , até a escala.
- Consequentemente, as funções gaussianas também estão associadas ao estado de vácuo na teoria quântica de campos .
- Os feixes gaussianos são usados em sistemas ópticos, sistemas de micro-ondas e lasers.
- Na representação do espaço em escala , as funções gaussianas são usadas como núcleos de suavização para gerar representações multi-escala em visão computacional e processamento de imagem . Especificamente, os derivados de Gaussianos ( funções de Hermite ) são usados como base para definir um grande número de tipos de operações visuais.
- Funções gaussianas são usadas para definir alguns tipos de redes neurais artificiais .
- Na microscopia de fluorescência, uma função gaussiana 2D é usada para aproximar o disco de Airy , descrevendo a distribuição de intensidade produzida por uma fonte pontual .
- No processamento de sinais, eles servem para definir filtros gaussianos , como no processamento de imagens, onde gaussianas 2D são usadas para desfocagens gaussianas . No processamento digital de sinais , usa-se um kernel gaussiano discreto , que pode ser definido por amostragem de um gaussiano, ou de outra forma.
- Em geoestatística, eles têm sido usados para entender a variabilidade entre os padrões de uma imagem de treinamento complexa . Eles são usados com métodos de kernel para agrupar os padrões no espaço de recursos.
Veja também
Referências
links externos
- Mathworld, inclui uma prova para as relações entre c e FWHM
- "Integrando a curva do sino" . MathPages.com .
- Implementação de Haskell, Erlang e Perl da distribuição Gaussiana
- Bensimhoun Michael, Função Cumulativa N- Dimensional e Outros Fatos Úteis Sobre Gaussianas e Densidades Normais (2009)
- Código para ajustar Gaussianos em ImageJ e Fiji.