统计上的三大分布

最新推荐文章于 2023-04-26 00:57:06 发布

Louis-Henry

最新推荐文章于 2023-04-26 00:57:06 发布

阅读量7.2k

点赞数 3

分类专栏： Mathematics 文章标签：概率数学

本文链接：https://blog.csdn.net/louzp_ustc/article/details/83548977

版权

Mathematics 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

正态分布和两个重要的函数

设随机变量 $\bm{X}_1, \bm{X}_2$ 独立，且分别服从正态分布 $\bm{N}(\mu_1, \sigma_1^2)$ 和 $\bm{N}(\mu_2, \sigma_2^2)$ ，则随机变量 $\bm{Y} = \bm{X}_1 + \bm{X}_2$ 服从正态分布 $\bm{N}(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2)$ ，这被称为正态分布的“再生性”
- 再生性可以直接推广到 $n$ 个服从正态分布的独立随机变量的情形
如果随机变量 $\bm{X}_1, \bm{X}_2$ 不独立，但其联合分布为二维正态分布 $\bm{N}(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$ ，则随机变量 $\bm{Y} = \bm{X}_1 + \bm{X}_2$ 服从正态分布 $\bm{N}(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2) + 2\rho\sigma_1\sigma_2$

$\Gamma$ 函数

$\Gamma(x) = \int _{ 0 }^{ \infty }{e^{-t}t^{x-1}\rm{d}t}, \quad x > 0$
$\Gamma(1) = 1, \quad \Gamma(\frac { 1 }{ 2 } ) = \sqrt { \pi }, \quad \Gamma(n) = (n-1)!$
$\Gamma(x+1) = x\Gamma(x)$

$\Beta$ 函数

$\Beta(x, y) = \int _{ 0 }^{1}{t^{x-1}(1-t)^{y-1}\rm{d}t}, \quad x > 0, y > 0$
$\Beta(x, y) = \frac{\Gamma(x)\Gamma(y)}{\Gamma(x+y)}$

1. 卡方分布

设随机变量 $\bm{X}_1, \bm{X}_2, ..., \bm{X}_n$ 独立，且都服从正态分布 $\bm{N}(0, 1)$ ，则随机变量 $\bm{Y} = \bm{X}_1^2 + \bm{X}_2^2 + ... + \bm{X}_n^2$ 服从自由度 $n$ 的卡方分布

$\chi }_{ n }^{ 2 }(x)=\frac { { e }^{ -\frac { x }{ 2 } }{ x }^{ \frac { n-2 }{ 2 } } }{ \Gamma \left( \frac { n }{ 2 } \right) { 2 }^{ \frac { n }{ 2 } } }, \quad x > 0$

卡方分布的性质

设随机变量 $\bm{X}_1, \bm{X}_2$ 独立，且分别服从卡方分布 $\chi }_{ m }^{ 2 }$ 和 $\chi }_{ n }^{ 2 }$ ，则随机变量 $\bm{Y} = \bm{X}_1 + \bm{X}_2$ 服从卡方分布 $\chi }_{ m+n }^{ 2 }$
卡方分布的期望
$E(\bm{Y}) = n$
卡方分布的方差

$Var(\bm{Y}) = 2n$

2. $t$ 分布

设随机变量 $\bm{X}_1, \bm{X}_2$ 独立，且分别服从卡方分布 $\chi }_{ n }^{ 2 }$ 和正态分布 $\bm{N}(0, 1)$ ，则随机变量 $\bm{Y} = { { X }_{ 2 } }/{ \sqrt { \frac { { X }_{ 1 } }{ n } } }$ 服从自由度 $n$ 的 $t$ 分布

$t_n(y) = \frac { \Gamma \left( \frac { n+1 }{ 2 } \right) }{ \sqrt { n\pi } \Gamma \left( \frac { n }{ 2 } \right) } { \left( 1+\frac { { y }^{ 2 } }{ n } \right) }^{ -\frac { n+1 }{ 2 } }$

$t$ 分布的性质

$t$ 分布关于原点对称，其图形与正态分布 $\bm{N}(0, 1)$ 相似，当 $n$ 很大时， $t$ 分布接近标准正态分布
$t$ 分布的期望

$E(\bm{Y}) = 0$

$t$ 分布的方差

$Var(\bm{Y}) = \frac{n}{n-2}, \quad n > 2$

3. $\bm{F}$ 分布

设随机变量 $\bm{X}_1, \bm{X}_2$ 独立，且分别服从卡方分布 $\chi }_{ n }^{ 2 }$ 和 $\chi }_{ m }^{ 2 }$ ，则随机变量 $Y=\frac { { m }^{ -1 }{ X }_{ 2 } }{ { n }^{ -1 }{ X }_{ 1 } }$ 服从自由度 $(m, n)$ 的 $\bm{F}$ 分布

$f_{mn}(y)={ m }^{ \frac { m }{ 2 } }{ n }^{ \frac { n }{ 2 } }\frac { \Gamma \left( \frac { m+n }{ 2 } \right) }{ \Gamma \left( \frac { m }{ 2 } \right) \Gamma \left( \frac { n }{ 2 } \right) } { y }^{ \frac { m }{ 2 } -1 }{ \left( my+n \right) }^{ -\frac { m+n }{ 2 } }, \quad y > 0$

$\bm{F}$ 分布的性质

$\bm{F}$ 分布的期望
$E(\bm{Y}) = \frac{n}{n-2}, \quad n > 2$
$\bm{F}$ 分布的方差
$Var(\bm{Y}) = \frac{2n^2(m+n-2)}{m(n-2)^2(n-4)}, \quad n > 4$

Louis-Henry

关注

3
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
统计上的三大分布

正态分布和两个重要的函数设随机变量 X1,X2\bm{X}_1, \bm{X}_2X1,X2 独立，且分别服从正态分布 N(μ1,σ12)\bm{N}(\mu_1, \sigma_1^2)N(μ1,σ12) 和 N(μ2,σ22)\bm{N}(\mu_2, \sigma_2^2)N(μ2,σ22)，则随机变量 Y=X1+X2\bm{Y} = \bm{X}_1 + \bm{X}_2...
复制链接

扫一扫