一、一维高斯分布
先来看看一维正态（高斯）分布的公式：( N(x|mu,sigma^2) = frac{1}{sqrt{2pisigma^2}}exp[-frac{(x-mu)^2}{2sigma^2}] )
比如对334个人的身高进行统计，如下图：
学过大学高数的同学应该还记得，正态分布的一个背景知识点是，95%的数据分布在均值周围2个标准差的范围内。本例中大约20到30左右是标准差参数的取值，均值在180cm左右，因此大多数数据都分布在120cm到240cm之间
上面的一维高斯公式是概率密度函数，也就是在已知参数的情况下，输入变量指x，可以获得相对应的概率密度。还要注意一件事，就是在实际使用前，概率分布要先进行归一化，也就是说曲线下面的面积之和需要为1，这样才能确保返回的概率密度在允许的取值范围内。
如果需要计算指定区间内的分布概率，则可以计算在区间首尾两个取值之间的面积的大小。另外除了直接计算面积，还可以用更简便的方法来获得同样的结果，就是减去区间x对应的累积密度函数（cumulative density function，CDF）。因为CDF表示的是数值小于等于x的分布概率。
二、多维高斯分布
一维拓展到高维：( N(ar{x}|ar{mu},sum) = frac{1}{({2pi})^{D/2}}*frac{1}{|sum|^{1/2}}*exp^{frac{-(ar{x}-ar{mu})^T*sum ^{-1}*(ar{x}-ar{mu})}{2}} )
其中( ar{x} )表示维度为D的向量，( ar{mu} )表示这些向量的平均值，( sum )表示向量( ar{x} )的协方差矩阵
下面以二维为例，试着推导上面的多维高斯分布公式：
假设所有变量都是相互独立的。即对于概率分布函数( f(x_1,x_2,...,x_n) )而言，有( f(x_1,x_2,...,x_n) = f(x_1)*f(x_2)*...*f(x_n) )成立，假设存在多个样本，每个样本有两维特征，即每个样本：
(ar{x} = egin{bmatrix}x_1\ x_2end{bmatrix})，他们的均值是：(ar{mu} = egin{bmatrix}mu_1\ mu_2end{bmatrix})，方差是：(ar{sigma } = egin{bmatrix}sigma_1\ sigma_2end{bmatrix})
由于假设样本得两个特征(x_1,x_2)相互独立，所以样本(ar{x})的高斯分布函数可以表示为：
对于二维的向量(ar{x})而言，其协方差矩阵为：(sum = egin{bmatrix}sigma_{11} &sigma_{12} \ sigma_{21}& sigma_{22}end{bmatrix} = egin{bmatrix}sigma_1^2 &0 \ 0& sigma_2^2end{bmatrix})，注意负对角线由于两个特征相互独立，即没有相关性，结果为0
而(sum)的行列式(sum = sigma_1^2sigma_2^2)，所以下面的公式成立：
为了帮助理解，穿插一些行列式知识：
这样一来，我们已经推出了公式的左半部分，下面，开始处理右面的(exp)函数：原始的高维高斯函数的(exp^{frac{-(ar{x}-ar{mu})^T*sum ^{-1}*(ar{x}-ar{mu})}{2}})
根据前面算出来的(sum)，我们可以求出它的逆：(sum^{-1} = frac{1}{sigma_1^2sigma_2^2}egin{bmatrix}sigma_2^2 &0 \ 0& sigma_1^2end{bmatrix})
接下来根据这个二维的例子，将原始的(exp)展开：
综上，完成了二维高斯混合模型的公式
三、函数的图像
知道多维的公式后，下面再简单比较一下一维和二维的图像区别
上图展示的是4个一维高斯函数的图像。高斯函数是一个对称的山峰状，山峰的中心是均值(mu)，山峰的胖瘦由标准差(sigma)决定，如果(sigma)越大，证明数据分布越广，那么山峰越「矮胖」，反之，则数据分布比较集中，因此很大比例的数据集中在均值附近，山峰越「瘦高」
下面看二维的例子：
有了一维图像的例子，二维图像就可以类比出来了。如果说，一维只是山峰的一个横截面，那么二维则是一个完整的有立体感的山峰。山峰的「中心」和「胖瘦」和一维的情况是一致的，而且，对于偏离中心较远的位置，数据出现的概率几乎为 0，因此，函数图像在这些地方就逐渐退化成「平原」了。