El producto de dos funciones gaussianas es una función gaussiana, y la convolución de dos funciones gaussianas también es una función gaussiana, siendo la varianza la suma de las varianzas originales: . Sin embargo, el producto de dos funciones de densidad de probabilidad (PDF) gaussianas no es, en general, una PDF gaussiana.
Tomando la transformada de Fourier (convención unitaria de frecuencia angular) de una función gaussiana con parámetros a = 1 , b = 0 y c se obtiene otra función gaussiana, con parámetros , b = 0 y . [2] Así, en particular, las funciones gaussianas con b = 0 y se mantienen fijas por la transformada de Fourier (son funciones propias de la transformada de Fourier con valor propio 1). Una realización física es la del patrón de difracción : por ejemplo, una diapositiva fotográfica cuya transmitancia tiene una variación gaussiana también es una función gaussiana.
El hecho de que la función gaussiana sea una función propia de la transformada continua de Fourier nos permite derivar la siguiente identidad interesante [ aclaración necesaria ] a partir de la fórmula de suma de Poisson :
Integral de una función gaussiana
La integral de una función gaussiana arbitraria es
Una forma alternativa es
donde f debe ser estrictamente positiva para que la integral converja.
Relación con la integral gaussiana estándar
La integral
de algunas constantes reales a , b y c > 0 se puede calcular poniéndola en forma de una integral gaussiana . Primero, la constante a se puede simplemente factorizar de la integral. A continuación, la variable de integración se cambia de x a y = x − b :
y luego a :
En dos dimensiones, la potencia a la que se eleva e en la función gaussiana es cualquier forma cuadrática definida negativamente. En consecuencia, los conjuntos de niveles de la función gaussiana siempre serán elipses.
Un ejemplo particular de una función gaussiana bidimensional es
Aquí el coeficiente A es la amplitud, x 0 , y 0 es el centro, y σ x , σ y son las extensiones x e y de la mancha. La figura de la derecha se creó utilizando A = 1, x 0 = 0, y 0 = 0, σ x = σ y = 1.
El volumen bajo la función gaussiana está dado por
En general, una función gaussiana elíptica bidimensional se expresa como
donde la matriz
es definida positiva .
Usando esta formulación, la figura de la derecha se puede crear usando A = 1 , ( x 0 , y 0 ) = (0, 0) , a = c = 1/2 , b = 0 .
Significado de los parámetros de la ecuación general
Para la forma general de la ecuación, el coeficiente A es la altura del pico y ( x 0 , y 0 ) es el centro de la mancha.
Si lo establecemos , rotamos el blob en un ángulo positivo en sentido antihorario (para una rotación negativa en el sentido de las agujas del reloj, invertimos los signos en el coeficiente b ). [3]
Para recuperar los coeficientes , y de , y utilizar
En los siguientes ejemplos se pueden ver ejemplos de rotaciones de manchas gaussianas:
Usando el siguiente código de Octave , uno puede ver fácilmente el efecto de cambiar los parámetros:
A = 1 ; x0 = 0 ; y0 = 0 ;sigma_X = 1 ; sigma_Y = 2 ;[ X , Y ] = malla ( - 5 :. 1 : 5 , - 5 :. 1 : 5 );para theta = 0 : pi / 100 : pi a = cos ( theta ) ^ 2 / ( 2 * sigma_X ^ 2 ) + sen ( theta ) ^ 2 / ( 2 * sigma_Y ^ 2 ); b = sen ( 2 * theta ) / ( 4 * sigma_X ^ 2 ) - sen ( 2 * theta ) / ( 4 * sigma_Y ^ 2 ); c = sen ( 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 ) ; sombreado interp ; vista ( -36 , 36 ) esperarapretarboton fin
Función gaussiana de orden superior o supergaussiana
Se puede adoptar una formulación más general de una función gaussiana con un vértice plano y una caída gaussiana elevando el contenido del exponente a una potencia :
Esta función se conoce como función supergaussiana y se utiliza a menudo para la formulación de haces gaussianos. [4] Esta función también puede expresarse en términos del ancho total a la mitad del máximo (FWHM), representado por w :
En una formulación bidimensional, una función gaussiana a lo largo de y se puede combinar [5] con y potencialmente diferentes para formar una distribución gaussiana rectangular:
o una distribución gaussiana elíptica:
Función gaussiana multidimensional
En un espacio dimensional, una función gaussiana se puede definir como
donde es una columna de coordenadas, es una matriz definida positiva y denota transposición de matrices .
La integral de esta función gaussiana sobre todo el espacio dimensional se da como
Se puede calcular fácilmente diagonalizando la matriz y cambiando las variables de integración a los vectores propios de .
De manera más general, una función gaussiana desplazada se define como
donde es el vector de desplazamiento y se puede suponer que la matriz es simétrica, y definida positiva. Las siguientes integrales con esta función se pueden calcular con la misma técnica:
donde
Estimación de parámetros
Varios campos, como la fotometría estelar , la caracterización de haces gaussianos y la espectroscopia de líneas de emisión/absorción, trabajan con funciones gaussianas muestreadas y necesitan estimar con precisión los parámetros de altura, posición y ancho de la función. Hay tres parámetros desconocidos para una función gaussiana unidimensional ( a , b , c ) y cinco para una función gaussiana bidimensional .
El método más común para estimar los parámetros gaussianos es tomar el logaritmo de los datos y ajustar una parábola al conjunto de datos resultante. [6] [7] Si bien esto proporciona un procedimiento de ajuste de curva simple , el algoritmo resultante puede estar sesgado al ponderar excesivamente valores de datos pequeños, lo que puede producir grandes errores en la estimación del perfil. Se puede compensar parcialmente este problema a través de la estimación de mínimos cuadrados ponderados , reduciendo el peso de los valores de datos pequeños, pero esto también puede estar sesgado al permitir que la cola de la gaussiana domine el ajuste. Para eliminar el sesgo, se puede utilizar en cambio un procedimiento de mínimos cuadrados reponderados iterativamente , en el que los pesos se actualizan en cada iteración. [7]
También es posible realizar una regresión no lineal directamente sobre los datos, sin involucrar la transformación logarítmica de datos ; para más opciones, consulte ajuste de distribución de probabilidad .
Precisión de parámetros
Una vez que se dispone de un algoritmo para estimar los parámetros de la función gaussiana, también es importante saber qué tan precisas son esas estimaciones. Cualquier algoritmo de estimación de mínimos cuadrados puede proporcionar estimaciones numéricas para la varianza de cada parámetro (es decir, la varianza de la altura, posición y ancho estimados de la función). También se puede utilizar la teoría de límites de Cramér-Rao para obtener una expresión analítica para el límite inferior de las varianzas de los parámetros, dadas ciertas suposiciones sobre los datos. [8] [9]
El espaciado entre cada muestreo (es decir, la distancia entre los píxeles que miden los datos) es uniforme.
El pico está "bien muestreado", de modo que menos del 10% del área o volumen debajo del pico (área si es una gaussiana 1D, volumen si es una gaussiana 2D) se encuentra fuera de la región de medición.
El ancho del pico es mucho mayor que la distancia entre las ubicaciones de la muestra (es decir, los píxeles del detector deben ser al menos 5 veces más pequeños que el FWHM gaussiano).
Cuando se cumplen estos supuestos, la siguiente matriz de covarianza K se aplica para los parámetros de perfil 1D , , y bajo ruido gaussiano iid y bajo ruido de Poisson: [8]
donde es el ancho de los píxeles utilizados para muestrear la función, es la eficiencia cuántica del detector e indica la desviación estándar del ruido de medición. Por lo tanto, las varianzas individuales para los parámetros son, en el caso del ruido gaussiano,
y en el caso del ruido de Poisson,
Para los parámetros de perfil 2D que dan la amplitud , la posición y el ancho del perfil, se aplican las siguientes matrices de covarianza: [9]
donde las varianzas de los parámetros individuales están dadas por los elementos diagonales de la matriz de covarianza.
Gaussiano discreto
Se puede pedir un análogo discreto de la función gaussiana; esto es necesario en aplicaciones discretas, particularmente en el procesamiento de señales digitales . Una respuesta sencilla es muestrear la función gaussiana continua, lo que produce el núcleo gaussiano muestreado . Sin embargo, esta función discreta no tiene los análogos discretos de las propiedades de la función continua y puede provocar efectos no deseados, como se describe en el artículo Implementación del espacio de escala .
Este es el análogo discreto de la gaussiana continua en el sentido de que es la solución de la ecuación de difusión discreta (espacio discreto, tiempo continuo), así como la gaussiana continua es la solución de la ecuación de difusión continua. [10] [11]
Las funciones gaussianas son la función de Green para la ecuación de difusión (homogénea e isótropa) (y para la ecuación del calor , que es lo mismo), una ecuación diferencial parcial que describe la evolución temporal de una densidad de masa bajo difusión . Específicamente, si la densidad de masa en el tiempo t = 0 está dada por un delta de Dirac , lo que esencialmente significa que la masa está inicialmente concentrada en un solo punto, entonces la distribución de masa en el tiempo t estará dada por una función gaussiana, con el parámetro a estando linealmente relacionado con 1/ √ t y c estando linealmente relacionado con √ t ; esta gaussiana variable en el tiempo se describe por el núcleo de calor . Más generalmente, si la densidad de masa inicial es φ( x ), entonces la densidad de masa en tiempos posteriores se obtiene tomando la convolución de φ con una función gaussiana. La convolución de una función con una gaussiana también se conoce como transformada de Weierstrass .
Matemáticamente, las derivadas de la función gaussiana se pueden representar mediante funciones de Hermite . Para la varianza unitaria, la derivada n -ésima de la gaussiana es la propia función gaussiana multiplicada por el n -ésimo polinomio de Hermite , hasta la escala.
En geoestadística, se han utilizado para comprender la variabilidad entre los patrones de una imagen de entrenamiento compleja. Se utilizan con métodos kernel para agrupar los patrones en el espacio de características. [13]
^ Squires, GL (30 de agosto de 2001). Física práctica (4.ª edición). Cambridge University Press. doi :10.1017/cbo9781139164498. ISBN 978-0-521-77940-1.
^ Weisstein, Eric W. "Transformada de Fourier – Gaussiana". MathWorld . Consultado el 19 de diciembre de 2013 .
^ Nawri, Nikolai. "Berechnung von Kovarianzellipsen" (PDF) . Archivado desde el original (PDF) el 14 de agosto de 2019. Consultado el 14 de agosto de 2019 .
^ Parent, A., M. Morin y P. Lavigne. "Propagación de distribuciones de campos supergaussianos". Electrónica óptica y cuántica 24.9 (1992): S1071–S1079.
^ "Manual de comandos del software óptico GLAD, entrada sobre el comando GAUSSIAN" (PDF) . Applied Optics Research . 2016-12-15.
^ Caruana, Richard A.; Searle, Roger B.; Heller, Thomas.; Shupack, Saul I. (1986). "Algoritmo rápido para la resolución de espectros". Química analítica . 58 (6). Sociedad Química Americana (ACS): 1162–1167. doi :10.1021/ac00297a041. ISSN 0003-2700.
^ ab Hongwei Guo, "Un algoritmo simple para ajustar una función gaussiana", IEEE Sign. Proc. Mag. 28(9): 134-137 (2011).
^ ab N. Hagen, M. Kupinski y EL Dereniak, "Estimación de perfil gaussiano en una dimensión", Appl. Opt. 46:5374–5383 (2007)
^ ab N. Hagen y EL Dereniak, "Estimación de perfil gaussiano en dos dimensiones", Appl. Opt. 47:6842–6851 (2008)
^ ab Lindeberg, T., "Espacio de escala para señales discretas", PAMI(12), No. 3, marzo de 1990, págs. 234–254.
^ Campbell, J, 2007, El modelo SMM como un problema de valor límite utilizando la ecuación de difusión discreta , Theor Popul Biol. 2007 diciembre;72(4):539–46.
^ Haddad, RA y Akansu, AN, 1991, Una clase de filtros binomiales gaussianos rápidos para el procesamiento de voz e imágenes , IEEE Trans. on Signal Processing, 39-3: 723–727
^ Honarkhah, M y Caers, J, 2010, Simulación estocástica de patrones utilizando modelos de patrones basados en la distancia , Geociencias matemáticas, 42: 487–517
Enlaces externos
Mathworld, incluye una prueba de las relaciones entre c y FWHM
"Integración de la curva de campana". MathPages.com .
Implementación de la distribución gaussiana en Haskell, Erlang y Perl
Bensimhoun Michael, Función acumulativa de dimensión N y otros datos útiles sobre gaussianas y densidades normales (2009)