正态分布

本篇笔记内容来源
数理统计学导论（原书第7版） 机械工业出版社

---

概率密度函数pdf

$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{1}{2}(\frac{x-\mu }{\sigma }{)}^2}$$

$N(\mu ,{\sigma }^2)$ 中 $\mu$ 是期望，${\sigma }^2$ 是方差

---

矩母函数mgf

$$M_X(t)=e^{\mu t+\frac{1}{2}{\sigma }^2{t}^2}$$

---

正态分布与卡方分布

如果随机变量 $X$ 服从 $N(\mu ,{\sigma }^2)$ ，那么随机变量 $V=(X-\mu {)}^2/{\sigma }^2$ 服从 ${\chi }^2(1)$

证：

设 $W=（X-\mu ）/\sigma$ 服从 $N(0,1)$ ，则对于 $v⩾0$，$V$ 的cdf $G(v)$ 是

$$G(v)=P(W^2⩽v)=P(-\sqrt{v}⩽W⩽\sqrt{v})$$

即

$$G(v)=2{\int }_0^{\sqrt{v}}\frac{1}{\sqrt{2\pi }}{e}^{-w^2/2}\mathrm{d}w,v⩾0$$

而且

$$G(v)=0,v<0$$

作变量变换 $w=\sqrt{t}$

$$G(v)={\int }_0^v\frac{1}{\sqrt{2\pi t}}{e}^{-t/2}\mathrm{d}t$$

因此，连续型随机变量 $V$ 的 pdf 是

$$g(v)=\{\begin{array}{ll}\frac{1}{\sqrt{\pi }\sqrt{2}}{v}^{1/2-1}{e}^{-v/2},& 0<v<\infty \\ 0,& 其他\end{array}$$

所以，$V\sim \Gamma (\frac{1}{2},2)$ 即 $V\sim {\chi }^2(1)$

---

可加性

设 $X_1,\cdots ,X_n$ 是独立随机变量，对于 $i=1,\cdots ,n$ ，$X_i$ 服从 $N({\mu }_i,{\sigma }_i^2)$. 设 $Y={\sum }_{i=1}^n{a}_i{X}_i$，其中 $a_1,\cdots ,a_n$ 均为常数，于是，$Y$ 的分布是 $N({\sum }_{i=1}^n{a}_i{\mu }_i,{\sum }_{i=1}^n{a}_i^2{\sigma }_i^2)$.

证：

$Y$ 的 mgf 是

M Y ( t ) = ∏ i = 1 n exp ⁡ { t a i μ i + ( 1 / 2 ) t 2 a i 2 σ i 2 } = exp ⁡ { t ∑ i = 1 n a i μ i + ( 1 / 2 ) t 2 ∑ i = 1 n a i 2 σ i 2 } M_Y(t)=\prod^n_{i=1}\exp\{ta_i\mu_i+(1/2)t^2a^2_i\sigma^2_i\} =\exp\{t\sum^n_{i=1}a_i\mu_i+(1/2)t^2\sum^n_{i=1}a^2_i\sigma^2_i\} MY​(t)=i=1∏n​exp{tai​μi​+(1/2)t2ai2​σi2​}=exp{ti=1∑n​ai​μi​+(1/2)t2i=1∑n​ai2​σi2​}

正是 $N({\sum }_{i=1}^n{a}_i{\mu }_i,{\sum }_{i=1}^n{a}_i^2{\sigma }_i^2)$ 的 mgf