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508

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

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