泊松分布，中心极限定理，势函数

huhu_1389

已于 2024-02-27 10:36:43 修改

阅读量723

点赞数 10

分类专栏：非参数统计基础知识 R语言文章标签：概率论 r语言

于 2024-02-26 21:40:37 首次发布

本文链接：https://blog.csdn.net/huhu_1389/article/details/136308135

版权

R语言同时被 2 个专栏收录

4 篇文章 13 订阅

订阅专栏

非参数统计基础知识

3 篇文章 0 订阅

订阅专栏

本文详细介绍了泊松分布的基本概念，包括其概率分布律、期望和方差的计算，以及泊松分布的可加性和独立同分布随机变量的中心极限定理的应用实例。还通过编程展示了如何运用这些理论进行具体计算和可视化.

摘要由CSDN通过智能技术生成

一. 泊松分布

设随机变量 $X$ 的分布律为

$P(X=k)=\frac{\lambda ^k}{k!}e^{-\lambda },$ $k=0,1,2,\cdots$

则称随机变量 $X$ 服从参数为 $\lambda$ 的泊松分布，其中 $\lambda>0,$ 记为 $P(\lambda ).$

查询分布律

dpois(0:7, lambda = 0.1)   #输出k=0,1,2,...,7,参数lambda为0.1时的概率

[1] 9.048374e-01 9.048374e-02 4.524187e-03 1.508062e-04 3.770156e-06
[6] 7.540312e-08 1.256719e-09 1.795312e-11

累积概率 $P(X \leqslant k)$

ppois(2,lambda = 0.1)     # 三个概率之和,P(k=0)+P(k=1)+P(k=2),参数为0.1

0.9998453

二. 泊松分布的期望和方差

$E(X)=$ $\sum kp_{k}=$ $\sum k \frac{\lambda ^k}{k!}e^{-\lambda }=\lambda .$

$E(X^2)=E(X(X-1))+E(X)=\lambda ^2+\lambda.$

$D(X)=E(X^2)-[E(X)]^2=\lambda .$

三. 泊松分布的可加性

若 $X_{1}$ ~ $P(\lambda _{1})$ , $X_{2}$ ~ $P(\lambda _{2})$ ，且 $X_{1}$ 与 $X_{2}$ 相互独立，则 $X_{1}+X_{2}$ ~ $P(\lambda _{1}+\lambda _{2}).$

四. 独立同分布的中心极限定理:

(1) 设 $X_{1}$ ， $X_{2}$ ， $\cdots$ ，是一个独立同分布的随机变量序列，且 $E(X_{i})=$ $\mu$ ， $D(X_{i})=\sigma ^{2}$

$(i=1,2,\cdots)$ , 则对任意一个 $x,-\infty <x<+\infty$ , 总有

$\displaystyle{\lim_{n\rightarrow\infty}}$ $\displaystyle{P\bigl(\frac{\sum X_{i}-n\mu}{\sqrt{n}\sigma}\leq x\bigr)}=\Phi (x).$

五. 相关例题

六. 具体的计算：

（1）使用中心极限定理. 记 $g(\lambda)$ 表示势函数.

$\alpha (\lambda )=g(\lambda)= \displaystyle{P\bigl(\sum X_{i}< C\bigr)}$

$=\displaystyle{P\bigl(\frac{\sum X_{i}-10\lambda }{\sqrt{10\lambda }}<\frac{C-10\lambda}{\sqrt{10\lambda }} \bigr)}$

$\displaystyle=\Phi (\frac{C-10\lambda}{\sqrt{10\lambda }}), \lambda \geq 1.$

$\beta (\lambda )=1-g(\lambda )=1-\displaystyle{P\bigl(\sum X_{i}< C\bigr)}$

$\displaystyle=1-\Phi (\frac{C-10\lambda}{\sqrt{10\lambda }}), \lambda < 1.$

（2）由泊松分布的可加性： $\sum X_{i}$ ~ $P(n\lambda ).$ 取 $n=10,C=5$ .

$\alpha (\lambda )= \displaystyle{P\bigl(\sum X_{i}< 5\bigr)},\lambda \geq 1.$

$\beta (\lambda )=1-\displaystyle{P\bigl(\sum X_{i}< 5\bigr)}, \lambda < 1.$

画图的代码

> s1<-c(0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0) #对参数Lamda取0~1之间不同的值，构成一个向量

> s2<-c(1,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2.0)

> s<-c(s1,s2)                                       

> m1<-1-ppois(4,lambda =s1*10)   #计算s1中Lamda取不同值时，1- 泊松分布的累积概率（小于5）

> m2<-ppois(4,lambda =s2*10)      #计算s2中Lamda取不同值时，泊松分布的累积概率（小于5）

> m<-c(m1,m2)                     #合并两个向量

> plot(s,m,pch=21,lty=3,ann=FALSE,xlim=c(0,2),ylim=c(0,1))  #画散点图

> lines(s,m)                       #画线