随机过程| 特征函数篇
为什么会有特征函数?
“a generating function is like a clothesline on which we hang up a sequence of numbers.”__________Herbert Wilf
ψx(t)=E(eitx)\psi_x(t)=E(e^{itx})ψx(t)=E(eitx)
观察eitxe^{itx}eitx的泰勒展开
eitx=1+itx1−t2x22...+(it)nxnn!e^{itx}=1+\frac{itx}{1}-\frac{t^2x^2}{2}...+\frac{(it)^nx^n}{n!}eitx=1+1itx−2t2x2...+n!(it)nxn
E(eitx)=eitx=1+itE(x)1−t2E(x2)2...+(it)nE(xn)n!E(e^{itx})=e^{itx}=1+\frac{itE(x)}{1}-\frac{t^2E(x^2)}{2}...+\frac{(it)^nE(x^n)}{n!}E(eitx)=eitx=1+1itE(x)−2t2E(x2)...+n!(it)nE(xn)
包含分布函数所有矩。即包含该分布函数的全部特征。而且根据泰勒级数,两个函数的各阶导数相同的越多,则这两个函数越相似。
因此,如果特征函数相等,则该分布的各个特征相等,则该分布相同。
“a generating function is like a clothesline on which we hang up a sequence of numbers.”__________Herbert Wilf
傅立叶逆变换
当随机变量X为连续随机变量,密度函数为p(x),特征函数为ψ(x)\psi(x)ψ(x),可以用傅立叶逆变换(实质上是一对互逆变换)。
ψ(t)=∫−∞∞eitxp(x)dx\psi(t)=\int^{\infty}_{-\infty}e^{itx}p(x)dxψ(t)=∫−∞∞eitxp(x)dx
p(x)=12π∫−∞∞e−itxψ(t)dtp(x)=\frac{1}{2\pi}\int^{\infty}_{-\infty}e^{-itx}\psi(t)dtp(x)=2π1∫−∞∞e−itxψ(t)dt
逆转公式
唯一性定理
随机变量的分布由其特征函数惟一决定
即随机变量的特征函数相同,其分布就相同,可用逆转公式进行证明
应用:验证正态分布的可加性…
根据特征函数判断分布
专门用来使用特征函数的乘积来处理独立随机变量和的分布
特征函数的性质
常用分布的特征函数
分布函数的连续性定理
分布函数序列Fn(x){F_n(x)}Fn(x) 弱收敛于分布函数F(x)F(x)F(x)的充要条件是其 特征函数序列ψx(t)\psi_x(t)ψx(t)收敛于F(x)的特征函数ψ(t)\psi(t)ψ(t).
随机过程| 特征函数篇相关推荐
- 特征函数篇2——与概率密度的函数
摘自<随机信号分析> 赵淑清, 第1.2.2节, Page 20
- 特征函数篇1——定义与性质
摘自<随机信号分析> 赵淑清, 第1.2.1节, Page 19
- 随机过程及应用(一) - 特征函数
随机过程及应用-特征函数(Stocbastic Processes With Its Applications ): || **1.通过随机变量来描述随机现象,由随机变量的分布函数来了解它的统计规律, ...
- 随机过程(1.3)—— 随机变量的特征函数
我们通常使用分布函数研究随机变量的性质,但是分布函数往往很难求.特征函数是研究随机变量分布的另一个重要工具,它和分布函数具有一一对应的关系,它们对随机变量的刻画是等同的,但是特征函数要好求得多 文章目 ...
- 退化分布的特征函数及期望与方差 - 随机过程
[退化分布的特征函数及期望与方差]
- 统计篇(二)-- 概率论、随机过程、信息论知识汇总
4 高斯分布 4.1 一维正态分布 正态分布的概率密度函数为 : p ( x ) = 1 2 π σ e − ( x − μ ) 2 / ( 2 σ 2 ) , − ∞ < x < ∞ ( ...
- 【随机过程】t分布、卡方分布、F分布、均匀分布、正态分布、指数分布、几何分布、二项分布、泊松分布、0-1分布等分布的分布律、期望、方差和特征函数汇总
分布 分布律或概率密度 期望 方差 特征函数 0-1分布 P(X=1)=p,P(X=0)=q,0<p<1,p+q=1P(X=1)=p,P(X=0)=q,\\0<p<1,p+q= ...
- 伽马函数的特征函数及期望与方差 - 随机过程
[伽马函数的特征函数及期望与方差]
- 随机过程(2.2)—— 多维高斯分布
随机过程(2.1)-- 多维随机变量(随机向量) 多维高斯分布是一种特殊的多维随机分布,应用非常广泛.本文参考[机器学习][白板推导系列] 文章目录 1. 定义 2. 理解 2.1 几何意义 2.2 ...
最新文章
- 人类是怎么从猩猩身上惹来艾滋病的?人与兽的关系很单纯!
- nginx 访问控制 防盗链
- LeetCode Longest Palindrome(计算最长的对称串)
- 有趣的linux指令
- sql server:删除表数据,标识列Id从1开始
- C++类模板中的static成员
- qfile 创建文件_Qt之二进制文件读写
- 【渝粤教育】21秋期末考试计量经济学10551k1
- flink sql udf jar包_Flink 生态:一个案例快速上手 PyFlink
- linux futex 进程同步,Linux的新式线程同步原语——Futex
- python+OpenCV图像处理(十)霍夫变换简单图形检测
- redis在java中的方法_redis在java中的使用方法
- jquery插件实现分页
- android小米卸载app,MIUI系统软件卸载工具
- 测试技术总监需要具备哪些能力
- 应用MySQL数据库的实现本地BLAST及BLAST2GO
- 古琴入门-古琴十大名曲-古琴教学——唐畅古琴
- 20189320《网络攻防》第八周作业
- 2019-2-14SQLserver中拼音查询数据
- 高精度数乘法进位c语言,C语言中的高精度乘法