UA MATH564 概率论III 期望
UA MATH564 概率论III 期望
- 随机变量的函数的期望
- 特征函数,矩生成函数,累积量生成函数,概率生成函数
这一讲讨论一元随机变量。
随机变量的函数的期望
对于随机变量XXX,假设ggg是定义在它样本空间上的可测函数,则随机变量的函数的期望指的是E[g(X)]E[g(X)]E[g(X)]。这种表示具有一般性,它可以表示概率、矩、生成函数。比如取g(x)=I(x≤a)g(x) = I(x \le a)g(x)=I(x≤a),则
E[g(X)]=E[I(X≤a)]=∫x≤aP(dx)=P(x≤a)E[g(X)] = E[I(X \le a)] = \int_{x \le a} P(dx) = P(x \le a)E[g(X)]=E[I(X≤a)]=∫x≤aP(dx)=P(x≤a)
随机变量的函数的期望就成了概率。下面讨论用随机变量的函数的期望表示矩和生成函数。
如果g(x)=(x−EX)kg(x) = (x-EX)^kg(x)=(x−EX)k,则E[g(X)]=E[X−EX]kE[g(X)] = E[X-EX]^kE[g(X)]=E[X−EX]k,这个是XXX的kkk阶中心原点矩。如果g(x)=xkg(x) = x^kg(x)=xk,则E[g(X)]=E[Xk]E[g(X)] = E[X^k]E[g(X)]=E[Xk],这个是XXX的kkk阶中心矩。一阶原点矩叫期望、二阶中心矩叫方差,γ1\gamma_1γ1叫偏度,γ2\gamma_2γ2叫峰度:
γ1=E[(X−μσ)3],γ2=E[(X−μσ)4]−3\gamma_1 = E \left[ \left( \frac{X-\mu}{\sigma} \right)^3 \right],\ \ \gamma_2 = E \left[ \left( \frac{X-\mu}{\sigma}\right)^4 \right]-3γ1=E[(σX−μ)3], γ2=E[(σX−μ)4]−3
那个3是标准正态分布的峰度。
特征函数,矩生成函数,累积量生成函数,概率生成函数
如果g(x)=exp(iθx)g(x)=\exp(i\theta x)g(x)=exp(iθx),E[g(X)]=Eexp(iθX)=ϕX(θ)E[g(X)] = E\exp(i\theta X) = \phi_X(\theta)E[g(X)]=Eexp(iθX)=ϕX(θ),这个叫特征函数,也是分布函数的Fourier变换。因为∣g(x)∣=1|g(x)|=1∣g(x)∣=1,ϕX(θ)\phi_X(\theta)ϕX(θ)对所有分布都存在。
如果g(x)=exp(tx)g(x)=\exp(tx)g(x)=exp(tx),E[g(X)]=Eexp(tX)=MX(t)E[g(X)] = E\exp(tX) = M_X(t)E[g(X)]=Eexp(tX)=MX(t),这个叫矩生成函数,或者矩母函数,或者分布函数的Laplace变换。它有一个比较有用的性质:
MX(k)(t)=E[Xkexp(tX)],M(k)(0)=E[Xk]M^{(k)}_X(t) = E[X^k \exp(tX)],\ \ M^{(k)}(0) = E[X^k]MX(k)(t)=E[Xkexp(tX)], M(k)(0)=E[Xk]
也就是根据它的导数可以确定出各阶原点矩,因此得名矩母函数。根据积分变换的唯一性,特征函数与矩母函数和分布之间都具有一一对应的关系,当变换法不适用的时候,也可以通过矩母函数来确定某个随机变量的函数的分布。
定义KX(t)=lnMX(t)K_X(t) = \ln M_X(t)KX(t)=lnMX(t),这个叫cumulant生成函数,κk\kappa_kκk是XXX的kkk阶cumulant:
κk=KX(k)(0)\kappa_k = K_X^{(k)}(0)κk=KX(k)(0)
这个cumulant不太直观,但可以简单计算一下
κ1=EX,κ2=VarX\kappa_1 = EX,\kappa_2 = Var Xκ1=EX,κ2=VarX
cumulant的一个比较有用的应用是作为Edgeworth级数的系数的一部分。
如果g(x)=zx,x∈Z+g(x)=z^x,x \in \mathbb{Z}^+g(x)=zx,x∈Z+,E[g(X)]=E[zX]=ρX(z)E[g(X)] = E[z^X]=\rho_X(z)E[g(X)]=E[zX]=ρX(z),这个是离散型随机变量的概率母函数或者概率生成函数,或者分布列的z变换。它的性质是
P(X=x)=1x!ρX(x)(0),ρX(k)(1)=E(X)kP(X = x) = \frac{1}{x!} \rho^{(x)}_X(0),\ \ \rho_X^{(k)}(1)=E(X)_kP(X=x)=x!1ρX(x)(0), ρX(k)(1)=E(X)k
其中E(X)kE(X)_kE(X)k是XXX的kkk阶factorial moment,
E(X)k=EX(X−1)⋯(X−k+1)E(X)_k = EX(X-1)\cdots (X-k+1)E(X)k=EX(X−1)⋯(X−k+1)
UA MATH564 概率论III 期望相关推荐
- UA MATH564 概率论 QE练习题 信封问题
UA MATH564 概率论 QE练习题 信封问题 2015年1月的第二题 2015年5月的第一题 这一篇介绍QE理论中出现了两个信封问题相关的题目:2015年1月的第二题和2015年5月的第一题.信 ...
- UA MATH564 概率论I 离散型随机变量
UA MATH564 概率论I 离散型随机变量 古典概型 排列数与组合数 二项式定理,负二项式定理与多项式定理 第二类Stirling数 独立性与条件概率 全概率公式 贝叶斯公式 Bernoulli试 ...
- UA MATH564 概率论 高阶矩的计算:有限差算子方法1
UA MATH564 概率论 高阶矩的计算:有限差算子方法1 有限差算子及其性质 0的有限差与Stirling数之间的关系 计算离散型随机变量的n阶矩 有限差算子(finite difference) ...
- UA MATH564 概率论I 求离散型随机变量的分布1
UA MATH564 概率论I 求离散型随机变量的分布1 题目 解答 对于离散型随机变量 XXX,记它的概率分布列为 P(X=xi)=pi,i=1,2,⋯P(X = x_i) = p_i,i=1,2, ...
- UA MATH564 概率论VI 数理统计基础2 多元正态分布
UA MATH564 概率论VI 数理统计基础2 多元正态分布 矩母函数 概率密度 多元正态分布的矩 条件分布 独立性 抽样分布简单地说就是统计量服从的分布,正态分布时最常用的总体分布,因此研究正态总 ...
- UA MATH564 概率论II 连续型随机变量1
UA MATH564 概率论II 连续型随机变量1 随机变量的变换 一元随机变量的变换 多元随机变量的变换 均匀分布与Pareto分布 离散的均匀分布 连续的均匀分布 Zeta分布 Pareto分布 ...
- UA MATH564 概率论V 中心极限定理
UA MATH564 概率论V 中心极限定理 随机变量序列的极限 收敛模式之间的关系 大数法则 中心极限定理 Classical Central Limit Theorem Sugden法则 Delt ...
- UA MATH564 概率论 计算至少有一个发生的概率:Waring公式
UA MATH564 概率论 计算至少有一个发生的概率:Waring公式 基于组合学的证明方法 基于概率论的证明方法 在推出Poincare公式后,计算nnn个事件中至少有一个事件发生的概率的问题就彻 ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用2
UA MATH564 概率论 多元随机变量的变换 几个例题 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1,X2,X3∼ii ...
最新文章
- Mono for Andriod学习与实践(1)— 初体验
- tensorflow实现基于LSTM的文本分类方法
- 前端学习(2866):vue3数据劫持解析1
- Eclipse 插件用法:Eclipse 利用 Amateras UML 生成 Java 类图、时序图和 UML 类图
- poj 2965 The Pilots Brothers' refrigerator
- Qt creator5.7 OpenCV249之图片旋转(含源码下载)
- jQuery入门:认识jQuery
- IMP-00017: 由于 ORACLE 错误 6550解决办法
- vue无法监听对象的属性的增加和删除
- 【渝粤教育】电大中专工程图学基础作业 题库
- Alex 的 Hadoop 菜鸟教程: 第4课 Hadoop 安装教程 - HA方式 (2台服务器)
- neo4j图数据库导入scv文件
- 读书:Jenkins权威指南[2016京东畅销书]
- Unity优化百科(UWA 博客目录)
- Python 爬取网页数据的两种方法
- 腹肌锻炼视频(01):四种方法打造完美腹肌
- RTMP,RTSP,HLS 流服务器
- 从零打造一台计算机有多难?复旦本科生大神花费了一年心血!
- 【Java_Spring详解】
- 【产品经理三节课】第3章 需求挖掘入门
热门文章
- 阅读A Practical Guide to Support Vector Classification
- ext2和ext3文件系统知识
- 观察多个线程同时运行|| 查看进程线程的方法——未完待续
- jQuery 内容文本值|| 案例:购物车案例模块-增减商品数量 || 案例:购物车案例模块-修改商品小计
- JDK、J2EE、J2SE、J2ME的区别
- freeRtos学习笔记 (9) 移植和CPU利用率统计
- C语言 匿名联合体和匿名结构体
- A Simple Math Problem HDU - 5974
- 十三种基于直方图的图像全局二值化算法原理、实现、代码及效果。
- baidu+app+per+android,百度移动统计|移动应用APP统计|android统计分析|iOS统计分析