精华内容
下载资源
问答
  • 《数理统计》课本上对二项分布、泊松分布以及正态分布的特征函数的推导过程没有详细描述,我在利用现有公式对上述三种分布推导一遍,并对相关性质知识进行回顾,以此记录。 特征函数 特征函数是实变量的复值函数,...

    《数理统计》课本上对二项分布、泊松分布以及正态分布的特征函数的推导过程没有详细描述,我在利用现有公式对上述三种分布推导一遍,并对相关性质知识进行回顾,以此记录。


    特征函数

    特征函数\varphi_{x}\left ( t \right )是实变量的复值函数,它在一切实数t\in \left ( -\infty,+\infty \right )都有定义,在不引起混淆的情况下,将\varphi_{x}\left ( t \right )简记为\varphi\left ( t \right )

    X是离散型随机变量,其概率分布列为p_{x}=P\left \{ X=x_{k} \right \},则它的特征函数为

                                                                                \varphi\left ( t \right )=E(e^{itX})=\sum_{k}^{ }p_{k}e^{itx_{k}}

    X是连续型随机变量,其概率密度为f(x),则它的特征函数为

                                                                          \varphi\left ( t \right )=E(e^{itX})=\int_{-\infty }^{+\infty }e^{itx}f(x)dx


    二项分布特征函数推导

    二项分布:离散型概率分布,B\sim (n,p)P\left \{ X=k \right \}=\binom{n}{k}p^{k}(1-p)^{n-k}

    期望:E(x)=np

    方差:D(x)=np(1-p)

    特征方程的推导:

    \varphi \left ( t \right )=\sum_{k}^{ }p_{k}e^{itk}

             =\sum_{k}^{ }e^{itk}\binom{n}{k}p^{k}(1-p)^{n-k}

             =\sum_{k}^{ }\binom{n}{k}\left ( pe^{it} \right )^{k}\left ( 1-p \right )^{n-k}

             =\left ( pe^{it}+\left ( 1-p \right ) \right )^{n}


    泊松分布特征函数推导

    泊松分布:离散型概率分布,P\left \{ X=k \right \}=\frac{\lambda ^{k}}{k!}e^{-\lambda },k=0,1,...

    期望:E(x)=\lambda

    方差:D(x)=\lambda

    特征方程的推导:

    \varphi \left ( t \right )=\sum_{k}^{ }p_{k}e^{itk}

             =\sum_{k}^{ }\frac{\lambda ^{k}}{k!}e^{-\lambda }e^{itk}

             =e^{-\lambda }\sum_{k}^{ }\frac{\left ( e^{it}\lambda \right )^{k}}{k!}

             =e^{-\lambda }e^{e^{it}\lambda }

             =exp\left \{ \left ( e^{it}-1 \right )\lambda \right \}


    正态分布特征函数推导

    正态分布:连续型概率分布,X\sim \left ( \mu ,\sigma ^{2} \right )f\left ( x \right )=\frac{1}{\sqrt{2\Pi}\sigma }exp\left \{ -\frac{\left ( x-\mu \right )^{2}}{2\sigma ^{2}} \right \}

    期望:E(x)=\mu

    方差:D(x)=\sigma ^{2}

    特征方程的推导:

    方法一:

    \varphi \left ( t \right )=\int_{-\infty }^{+\infty }e^{itx}\frac{1}{\sqrt{2\Pi }\sigma }exp\left \{ -\frac{\left ( x-\mu \right )^{2}}{2\sigma ^{2}} \right \}dx

             =\int_{-\infty }^{+\infty }\frac{1}{\sqrt{2\Pi }\sigma }exp\left \{ -\frac{\left [ \left ( x-\mu \right )-\sigma ^{2} it\right ]^{2}-2\sigma ^{2}\mu it-\sigma ^{4}i^{2}t^{2}}{2\sigma ^{2}} \right \}dx

             =exp\left \{ i\mu t+\frac{\sigma ^{4}i^{2}t^{2}}{2\sigma ^{2}} \right \}

    由于\int_{-\infty }^{+\infty }\frac{1}{\sqrt{2\Pi }\sigma }exp\left \{ -\frac{\left ( x-\mu -\sigma ^{2}it \right )^{2}}{2\sigma ^{2}} \right \}dx=1U\sim N\left ( (\mu +\sigma ^{2}it),\sigma ^{2} \right )

    由于i=\sqrt{-1},所以i^{2}=-1

             =exp\left \{ i\mu t-\frac{\sigma ^{2}t^{2}}{2} \right \}

    方法二:

    \varphi \left ( t \right )=\int_{-\infty }^{+\infty }e^{itx}\frac{1}{\sqrt{2\Pi }\sigma }exp\left \{ -\frac{\left ( x-\mu \right )^{2}}{2\sigma ^{2}} \right \}dx

             (a=\frac{x-\mu }{\sigma })

             =\frac{1}{\sqrt{2\Pi }\sigma }\int_{-\infty }^{+\infty }exp\left \{ it\left ( a\sigma +\mu \right )-\frac{a^{2}}{2} \right \}\sigma da

             =e^{i\mu t}\frac{1}{\sqrt{2\Pi }}\int_{-\infty }^{+\infty }exp\left \{ -\frac{a^{2}}{2} +ita\sigma \right \}da

             =e^{i\mu t}\frac{1}{\sqrt{2\Pi }}\int_{-\infty }^{+\infty }exp\left \{ -\frac{\left ( a-it\sigma \right )^{2}}{2}+\frac{\left ( it\sigma \right )^{2}}{2} \right \}da

    同理由于i=\sqrt{-1},所以i^{2}=-1

             =\frac{1}{\sqrt{2\Pi }}exp\left \{{i\mu t-\frac{t^{2}\sigma ^{2}}{2}} \right \}\int_{-\infty }^{+\infty }exp\left \{ -\frac{\left ( a-it\sigma \right )^{2}}{2} \right \}da

    由于\int_{-\infty }^{+\infty }exp\left \{ -\frac{\left ( a-it\sigma \right )^{2}}{2} \right \}da=\sqrt{2\Pi }

             =exp\left \{{i\mu t-\frac{t^{2}\sigma ^{2}}{2}} \right \}

    以上就是全部推导过程!

    其他函数就不一一展示了,公式在最上方,通过计算可以得到每一种分布的特征函数!

     

    展开全文
  • 二项分布的定义、性质、分布图形特征、相互关系、与正态分布的关系
  • 许多的统计分布都是指数型分布,彼此之间具有一定的共性,在研究其统计性质分布特征时,利用指数型分布族的特征,可以将这一族分布特征分别表示出。在广义线性模型的统计推断中,常假设样本服从指数型分布。 ...

    1、什么是指数分布族

    1.1 基本描述

            指数型分布是一类重要的分布族,在统计推断中,指数型分布族占有重要的地位,在各领域应用广泛。许多的统计分布都是指数型分布,彼此之间具有一定的共性,在研究其统计性质与分布特征时,利用指数型分布族的特征,可以将这一族分布的特征分别表示出。在广义线性模型的统计推断中,常假设样本服从指数型分布。

    1.2 定义

           指数分布族可以写成如下的形式:
                                                         
            在这里,η叫做分布的自然参数,a(η)叫做累积量母函数(又称log partition function)。exp(-α(η))这个量是分布p(y;η)的归一化常数,用来确保分布p(y;η)对y的积分为1。T(y)称为充分统计量(sufficient statistic),对于我们考虑的分布,一般认为T(y)=y。
    一组确定的T,a和b定义了这样一个以η为参数的分布族。对于不同的η,我们可以得到指数分布族中不同的分布。

    1.3 数学特征

            对于单参数指数型分布的随机变量,记,分别表示关于η的函数a对η求一二阶导数,则有以下结论:
    1. 指数型分布随机变量的期望
    2. 指数型分布随机变量的方差

    2、高斯分布属于指数分布族的证明

            对于高斯分布,当方差已知时,(方差对模型的参数没有影响,所以我们可以任意地选一个方差),在这里我们令,则其分布可以表示为:
                                            
            为了将其向指数分布族靠拢,我们进行如下表示:
                                             
            这显示了高斯分布可以被写成是指数分布族的形式,所以高斯分布属于指数分布族。
            进一步地,我们用指数分布族的性质去验证一下,有:
                                            
                                              
            刚好是高斯分布的期望和方差,所以验证成功。
     
     

    3、二项分布属于指数分布族的证明

            对于二项分布(伯努利分布),每一个取不同均值的参数Φ,就会唯一确定一个y属于{0,1}之间的分布。所以可以表示为
                                       
            故二项分布的分布函数只以Φ作为参数,统一这样表示二项分布:
                                                   
            这样,自然参数为:,翻转一下,有:
            为了进一步将二项分布向指数分布族靠拢,我们可以进行如下表示:
                                                     
            这显示了二项分布可以被写成是指数分布族的形式,所以二项分布属于指数分布族。
     
            进一步地,我们用指数分布族的性质去验证一下,有:
                                           
                                           
            刚好是二项分布的期望与方差,故满足性质。

    转载于:https://www.cnblogs.com/linyuanzhou/p/4947931.html

    展开全文
  • 假设有一批产品,不合格品率为P,从这批产品中随机地抽出n件作为被检样品,其中不合格品数X服从的分布为二项分布。 X的概率分布为: 0 x=0,1,……,n X的期望 E(X)=np X的方差 D(X)=np(1-p) 3.2.3 ...
  • 2、二项分布 3、泊松分布 4、均匀分布 注:公式中那个(b-a)/2应为(a+b)/2 5、指数分布 6、正态分布 D(X)=σ2 三、方差的性质 注:X1、X2···、Xn相互独立时 四、契比雪夫不等式 注:只需要知道期望和方差,...

    一、定义
    方差:

    标准差:

    方差公式:

    二、重要分布的方差
    1、两点分布

    2、二项分布

    3、泊松分布

    4、均匀分布

    注:公式中那个(b-a)/2应为(a+b)/2
    5、指数分布

    6、正态分布
    D(X)=σ2

    三、方差的性质

    注:X1、X2···、Xn相互独立时

    四、契比雪夫不等式

    注:只需要知道期望和方差,不需要知道分布

    五、小结

    展开全文
  • 概率论(三)随机变量的数字特征基本概念数学期望离散型随机变量的数学期望连续型随机变量的数学期望数学期望的性质随机变量函数的数学期望方差方差的定义方差计算公式方差的性质重要分布的数学期望与方差(0-1)分布...

    基本概念

    数学期望

    离散型随机变量的数学期望

    离散型随机变量XX的分布律为P={X=xk}=pk(k=1,2,),P=\{X=x_k\}=p_k(k = 1,2,\cdots), 如果级数k=1xkpk\sum_{k=1}^{\infty}x_kp_k绝对收敛,称此级数的和为XX的数学期望,记 EX=k=1xkpk.EX=\sum_{k=1}^{\infty}x_kp_k.

    连续型随机变量的数学期望

    连续型随机变量XX的概率密度为f(x),f(x),若广义积分+xf(x)dx\int_{-\infty}^{+\infty}{xf(x)dx}绝对收敛,称+xf(x)dx\int_{-\infty}^{+\infty}{xf(x)dx}的值为XX的数学期望, 记 EX=+xf(x)dx.EX=\int_{-\infty}^{+\infty}{xf(x)dx}.

    数学期望的性质

    1. CC为常数,则有 E(C)=C.E(C) = C.
    2. CC为常数,X,X为随机变量, 则有E(CX)=CE(X).E(CX ) = CE(X).
    3. X,YX,Y为任意两个随机变量,则有E(X+Y)=E(X)+E(Y).E(X+Y) = E(X)+E(Y).
    4. X,YX,Y为相互独立的随机变量, 则有E(XY)=E(X)E(Y).E(XY) = E(X)E(Y).

    随机变量函数的数学期望

    设随机变量Y=g(X)Y=g(X)是连续函数,当XX为离散型随机变量时,其分布律为P{X=xk}=pk,k=1,2,,P\{ X = x_k\}=p_k,k = 1,2,\cdots,
    E(Y)=E(g(X))=k=1g(xk)pk. E(Y)=E(g(X))=\sum_{k=1}^{\infty}g(x_k)p_k.
    XX为连续型随机变量时,其密度函数为f(x),f(x),
    E(Y)=E(g(X))=+g(x)f(x)dx. E(Y)=E(g(X))=\int_{-\infty}^{+\infty}{g(x)f(x)dx}.

    设随机变量Z=g(x,y)Z=g(x,y)是连续函数,当离散型二维随机变量(X,Y)(X,Y)的分布律为P={X=xi,Y=yj}=pijP=\{X=x_i,Y=y_j\}=p_{ij}时,
    EZ=ijg(xi,yj)pij; EZ=\sum_{i}\sum_{j}g(x_i,y_j)p_{ij};

    当连续型二维随机变量(X,Y)(X,Y)的概率密度为f(x,y)f(x,y)时,
    E(Y)=E(g(X))=++g(x,y)f(x,y)dxdy. E(Y)=E(g(X))=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}{g(x,y)f(x,y)dxdy}.

    数学期望是反映平均取值的一个指标.

    方差

    方差的定义

    XX是一个随机变量,若E{[XE(X)]2}E\{[X —E( X )]^2 \}存在,则称E{[XE(X)]2}E\{[X —E( X )]^2 \}XX的方差,记为$D( X) Var(X),D(X) = Var( X) = E{[X-E(X)]^2}.$

    在应用上还引人量D(X)\sqrt{D(X)},记为σ(X)\sigma(X),称为标准差或均方差.

    方差计算公式

    DX=E(X2)(EX)2 D X = E( X^ 2 ) - ( E X )^2

    方差的性质

    1. CC为常数,则D(C)=0.D(C) = 0.

    2. 设 X 为随机变量, C 为常数, 则有D(CX)=C2D(X).D( C X ) = C^2 D( X ).

    3. 设随机变量 X 与 Y 相互独立, 则有D(X±Y)=D(X)+D(Y);D( X\pm Y)=D(X)+ D(Y);

    4. D(X)=0D(X) = 0的充要条件是X依概率1取常数EX, 即P{X=EX}=1.P\{ X = E X\} = 1.

    重要分布的数学期望与方差

    (0-1)分布

    KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ &P\{X=1\}=p,P\…

    二项分布XB(n,p)X\sim B( n,p)

    E(X)=np,D(X)=np(1p). E(X)=np,D(X)=np(1—p).

    泊松分布XP(λ)X\sim P(\lambda)

    E(X)=λ,D(X)=λ. E( X ) =\lambda,D( X)=\lambda.

    均匀分布XU(a,b)X\sim U( a,b )

    E(X)=12(a+b),D(X)=(ba)212. E(X)={1\over2}(a+b),D(X)=\frac{(b-a)^2}{12}.

    指数分布XE(λ)X\sim E(\lambda)

    E(X)=1λ,D(X)=1λ2 E(X)={1\over \lambda},D(X)={1\over \lambda^2}

    几何分布XG(p)X\sim G(p)

    E(X)=1p,D(X)=1pp2 E(X)={1\over p},D(X)={1-p\over p^2}

    正态分布XN(μ,σ2)X\sim N(\mu,\sigma^2)

    E(X)=μ,D(X)=σ2 E(X)=\mu,D(X)=\sigma^2

    特例:标准正态分布XN(0,1)X\sim N(0,1)
    E(X)=0D(X)=1. E( X ) = 0, D(X) = 1.

    协方差及相关系数

    协方差

    对于二维随机变量(X,Y),Cov(X,Y)=E[XE(X)][YE(Y)](X,Y),Cov(X,Y)=E[X-E(X)][Y-E(Y)]是其协方差,或用Cov(X,Y)=E(XY)EXEYCov(X,Y)=E(XY)-EXEY表示.

    其中
    EXY={ijg(xi,yj)P{X=xi,Y=yj}();++xyf(x,y)dxdy(). EXY= \begin{cases} \sum_{i}\sum_{j}g(x_i,y_j)P\{X=x_i,Y=y_j\}(离散型);\\ \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}{xyf(x,y)dxdy}(连续型). \end{cases}

    协方差的性质

    KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ &(1) Cov(X,X) …

    相关系数

    ρXY=Cov(X.Y)D(X)D(Y)(D(X)>0,D(Y)>0). \rho_{XY}={Cov( X.Y)\over\sqrt{D(X)}\sqrt{D(Y)}}(D(X)>0,D(Y)>0).

    ρXY=0\rho_{XY}= 0时,X与Y是不相关的.
    相关系数反映了两个随机变量的线性相关程度, 当其绝对值越接近 1 时,X,XYY的线性相关程度就越强,反之,越接近0时,X,XYY线性相关程度就越弱

    相关系数的性质

    (1)0ρXY10\leq\rho_{XY}\leq 1
    (2)ρXY=1\mid\rho_{XY}\mid=1的充分必要条件是存在不全为零的常数α和b,使得P(Y=ax+b)=1.P(Y=ax+b)=1.

    随机变量的独立性与相关性

    (1) 若随机变量X与Y 独立, 则X与Y—定不相关;但是若 X 与 Y 不相关, 则 X 与 Y 可能独立, 也可能不独立.
    (2 ) 若随机变量 X 与 Y 的联合分布是二维正态分布, 则 X 与 Y 独立的充分必要条件是 X 与 Y 不相关.

    矩 、 协方差矩阵(了解)

    随机变量的矩

    E(Xk)E(X^k)XXkk原点矩.

    E{[XE(X)]k}E\{[X-E(X)]^k\}X,YX,Ykk中心矩

    E(XkYl)E(X^kY^l)X,YX,Y(k+l)(k+l)混合原点矩

    E{[XE(X)]k[YE(Y)]l}E\{[X-E(X)]^k[Y-E(Y)]^l\}X,YX,Y(k+l)(k+l)混合中心矩

    数学期望E是X的一阶原点矩,方差DX是X的二阶中心矩,协方差 Cov(X,Y) 是 X 与 Y的混合二阶中心矩.

    协方差矩阵

    (X.Y)=Δ(c11c12c21c22) (X.Y)的协方差矩阵\frac{=}{^{\Delta}} \begin{pmatrix} c_{11} & c_{12} \\ c_{21}& c_{22}\\ \end{pmatrix}

    其中
    C11=E[(XEX)2],C12=E[(XEX)(YEY)],C21=E[(YEY)(XEX)],C22=E[(YEY)2]. C_{11}=E[(X- EX)^2],\\ C_{12}= E[(X-EX)(Y-EY)],\\ C_{21}= E[(Y-EY)(X-EX)],\\ C_{22}= E[(Y-EY)^2].

    nn维正态随机变量具有以下四条重要性质:

    (1) nn维正态随机变量(X1,X2,,Xn)(X_1,X_2,\cdots,X_n)的每个分量Xi,i=1,2,,nX_i,i=1,2,\cdots,n都是正态随机变量; 反之,若X1,X2,,XnX_1,X_2,\cdots,X_n都是正态随机变量, 且相互独立, 则(X1,X2,,Xn)(X_1,X_2,\cdots,X_n)nn维正态随机变量.

    (2) nn维正态随机变量(X1,X2,,Xn)(X_1,X_2,\cdots,X_n)服从nn维正态分布的充要条件X1,X2,,XnX_1,X_2,\cdots,X_n的任意线性组合l1X1+l2X2++lnXnl_1X_1+l_2X_2+\cdots+l_nX_n服从1维正态分布(其中l1,l2,,lnl_1,l_2,\cdots,l_n不全为零)

    (3) 若(X1,X2,,Xn)(X_1,X_2,\cdots,X_n)服从nn维正态分布,设Y1,Y2,,YnY_1,Y_2,\cdots,Y_nXj(j=1,2,,n)X_j(j=1,2,\cdots,n)的线性函数,则(Y1,Y2,,Yn)(Y_1,Y_2,\cdots,Y_n)也服从多维正态分布.这一性质称为正态变量的线性变换不变性.

    (4)设(X1,X2,,Xn)(X_1,X_2,\cdots,X_n)服从nn维正态分布,则"X1,X2,,XnX_1,X_2,\cdots,X_n相互独立"与"X1,X2,,XnX_1,X_2,\cdots,X_n两两不相关"是等价的.

    展开全文
  • GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence 代码解读   论文原文地址:GMS: Grid-based Motion Statistics... ① 利用上面的平滑性质,建立统计分析模型(二项分布),过滤ORB mat
  • 统计建模与R

    2020-06-01 19:00:49
    二项分布 连续型随机变量 均匀分布 指数分布 正态分布 随机向量 定义 联合分布函数 分布函数性质 离散型二维随机向量 连续性二维随机向量 边缘分布 二维均匀分布 二维正态分布 1.3随机变量的数字特征 数学期望 方差 ...
  • 《概率论与数理统计》重要概念复习概率随机变量及其分布大数定律与中心极限定理大数定律中心极限定理统计量及其分布三大统计分布充分性参数估计点...具有可加性的分布:二项分布、正态分布、泊松分布、二项分布、卡方分
  • 概率论知识总结

    2021-01-05 00:55:36
    文章目录基本概念随机试验样本空间随机事件事件运算频率概率性质等可能(古典)条件概型全概率公式贝叶斯独立随机变量离散型随机变量(0-1)分布伯努利分布二项分布泊松分布超几何分布连续随机变量均匀分布指数分布...
  • 线性代数基础知识-1

    2015-12-11 19:39:14
    事件的关系与运算概率的基本公式 贝叶斯公式 独立重复试验 随机变量及其概率分布 随机变量的数字特征 期望的性质 ...二项分布 泊松分布 均匀分布 指数分布 正态分布(高斯分布)
  • 第四章、随机变量的数字特征前言一、数学期望1.1概念理解1.2 性质推导二、方差2.1概念理解2.2性质推导2.3 切比雪夫不等式三、常见分布的数字特征3.1离散型3.1.1二项分布3.1.2 泊松分布3.2 连续型3.2.1 均匀分布3.2.2...
  • 一、一元随机变量与概率分布函数、概率分布函数的类型三、随机变量的数字...②分布函数的取值范围为[0, 1],即 ③分布函数当变量取值为无穷大时,函数值收敛到1,即 、两个常用的离散多元分布1、多项分布若 有...
  • 随机事件与随机变量

    2020-06-21 16:30:45
    一、随机事件与随机变量随机事件1 定义2 随机事件的概率3 古典概型4 条件概率5 全概率公式和贝叶斯公式5.1 全概率公式5.2 贝叶斯公式随机变量1 定义2 离散型随机变量和二项分布2.1 离散型随机变量2.2 二项分布3 随机...
  • 随机变量的分布函数随机变量随机变量的分布函数离散型随机变量常见的离散型分布二项分布(Bernoulli分布)随机变量的数字特征数学期望(均值)——离散型/连续型方差、均方差(标准差)、协方差、相关系数 ...
  • 8.1.1 二项分布的随机数据的产生 8.1.2 正态分布的随机数据的产生 8.1.3 常见分布的随机数产生 8.2 概率密度计算 8.2.1 通用函数概率密度值 8.2.2 专用函数概率密度值 8.3 累积概率分布 8.3.1 通用...
  • Python统计学基础

    2020-04-06 14:49:56
    统计学基础描述性统计数据类型数据的位置数据的离散度随机变量简介概率与概率分布离散型随机变量连续型随机变量期望值与方差二项分布正态分布其它分布变量的关系 描述性统计 数据类型 数据可分为两类: 1、定性数据...
  • 随机变量及其分布2.3 伯努利试验/二项分布2.4 随机变量的数字特征2.4.1 数学期望2.4.2 方差2.4.3 协方差以及相关系数 今天开始跟着Datawhale在学习一遍概率统计的基础知识,希望自己可以坚持下来 有些内容涉及概念...
  • 伯努利实验,二项分布4.随机变量的数字特征1.数学期望2.方差3.协方差和相关系数 一、随机事件 1.基本概念释义 现实生活中,一个动作或一件事情,在一定条件下,所得的结果不能预先完全确定,而只能确定是多种可能...
  • 伯努利实验,二项分布4.随机变量的数字特征1.数学期望2.方差3.协方差和相关系数 一、随机事件 1.基本概念释义 现实生活中,一个动作或一件事情,在一定条件下,所得的结果不能预先完全确定,而只能确定是多种可能...

空空如也

空空如也

1 2 3 4 5 6
收藏数 103
精华内容 41
关键字:

二项分布性质特征