泊松分布,正态分布,指数分布特征函数推导

泊松分布特征函数推导

X X X服从参数为 λ \lambda λ的泊松分布,则其特征函数为:
g ( t ) = E ( e i t X ) = ∑ x = 0 ∞ e i t x ⋅ e − λ ⋅ λ x x ! = e − λ ⋅ ∑ x = 0 ∞ ( λ ⋅ e i t ) x x ! = e − λ ⋅ e λ ⋅ e i t = e λ ( e i t − 1 ) \begin{aligned} g(t) &= E(e^{itX}) \\ &= \sum_{x=0}^{\infty}e^{itx}\cdot e^{-\lambda}\cdot\frac{\lambda^x}{x!} \\ &=e^{-\lambda}\cdot\sum_{x=0}^{\infty}\frac{(\lambda\cdot e^{it})^x}{x!} \\ &=e^{-\lambda}\cdot e^{\lambda\cdot e^{it}} \\ &=e^{\lambda(e^{it}-1)} \end{aligned} g(t)=E(eitX)=x=0eitxeλx!λx=eλx=0x!(λeit)x=eλeλeit=eλ(eit1)

正态分布特征函数推导

X ∼ N ( μ , σ 2 ) X\sim\mathcal{N}(\mu,\sigma^2) XN(μ,σ2),则其特征函数为:
g ( t ) = E ( e i t X ) = ∫ − ∞ + ∞ e i t x ⋅ 1 2 π σ ⋅ e x p { − ( x − μ ) 2 2 σ 2 } d x = 1 2 π σ ∫ − ∞ + ∞ e x p { − [ x − ( μ − σ 2 i t ) ] 2 − 2 μ σ 2 i t − σ 4 i 2 t 2 2 σ 2 } d x = e i μ t − 1 2 σ 2 t 2 ∫ − ∞ + ∞ 1 2 π σ e x p { − [ u − ( μ − σ 2 i t ) ] 2 2 σ 2 } d u = e i μ t − 1 2 σ 2 t 2 \begin{aligned} g(t) &= E(e^{itX}) \\ &= \int_{-\infty}^{+\infty}e^{itx}\cdot\frac{1}{\sqrt{2\pi}\sigma}\cdot exp\{-\frac{(x-\mu)^2}{2\sigma^2}\}dx\\ &=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{+\infty}exp\{-\frac{[x-(\mu-\sigma^2it)]^2-2\mu\sigma^2it-\sigma^4i^2t^2}{2\sigma^2}\}dx\\ &=e^{i\mu t-\frac{1}{2}\sigma^2t^2}\int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}\sigma}exp\{-\frac{[u-(\mu-\sigma^2it)]^2}{2\sigma^2}\}du \\ &=e^{i\mu t-\frac{1}{2}\sigma^2t^2} \end{aligned} g(t)=E(eitX)=+eitx2π σ1exp{2σ2(xμ)2}dx=2π σ1+exp{2σ2[x(μσ2it)]22μσ2itσ4i2t2}dx=eiμt21σ2t2+2π σ1exp{2σ2[u(μσ2it)]2}du=eiμt21σ2t2
其中 ∫ − ∞ + ∞ 1 2 π σ e x p { − [ u − ( μ − σ 2 i t ) ] 2 2 σ 2 } d u = 1 \int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}\sigma}exp\{-\frac{[u-(\mu-\sigma^2it)]^2}{2\sigma^2}\}du=1 +2π σ1exp{2σ2[u(μσ2it)]2}du=1。因为对于该式,有 U ∼ N ( μ − σ 2 i t ) , σ 2 ) U\sim\mathcal{N}(\mu-\sigma^2it), \sigma^2) UN(μσ2it),σ2)

指数分布的特征函数推导

X X X服从参数为 λ \lambda λ的指数分布,则其特征函数为:
g ( t ) = E ( e i t X ) = ∫ − ∞ 0 e i t x ⋅ 0 d x + ∫ 0 + ∞ e i t x ⋅ λ ⋅ e − λ x d x = 0 + λ ⋅ 1 i t − λ e ( i t − λ ) x ∣ 0 + ∞ = ( i t λ − 1 ) − 1 [ 0 − 1 ] = ( 1 − i t λ ) − 1 \begin{aligned} g(t) &= E(e^{itX}) \\ &= \int_{-\infty}^0e^{itx}\cdot0dx+\int_0^{+\infty}e^{itx}\cdot\lambda\cdot e^{-\lambda x}dx \\ &=0 + \lambda\cdot\frac{1}{it-\lambda}e^{(it-\lambda)x}|_0^{+\infty} \\ &=(\frac{it}{\lambda}-1)^{-1}[0-1]\\ &=(1-\frac{it}{\lambda})^{-1} \end{aligned} g(t)=E(eitX)=0eitx0dx+0+eitxλeλxdx=0+λitλ1e(itλ)x0+=(λit1)1[01]=(1λit)1
对于 ∣ e ( i t − λ ) x ∣ = ∣ e i t x ∣ ⋅ e − λ x = e − λ x |e^{(it-\lambda)x}|=|e^{itx}|\cdot e^{-\lambda x}=e^{-\lambda x} e(itλ)x=eitxeλx=eλx,所以对 + ∞ +\infty +时取 0 0 0

  • 31
    点赞
  • 131
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
二项分布、泊松分布正态分布和t分布都是常见的概率分布模型。它们之间的特征以及均值和方差可以通过以下方式进行比较: 1. 二项分布是一种离散概率分布,适用于具有固定样本数和二元结果的事件。它的特征是具有固定的成功概率和试验次数。二项分布的均值为样本数乘以成功概率,方差为样本数乘以成功概率乘以失败概率。 2. 泊松分布也是一种离散概率分布,适用于描述发生某一事件的次数的模型。它的特征是事件在时间上独立地发生,并且平均发生率是固定的。泊松分布的均值和方差都等于平均发生率。 3. 正态分布是一种连续概率分布,也被称为高斯分布。它的特征是具有对称的钟形曲线和无穷尾巴。正态分布的均值决定了曲线的位置,方差决定了曲线的宽度。正态分布的均值和方差都可以通过统计数据进行估计。 4. t分布是一种连续概率分布,用于估计小样本的均值。它的特征是相对于正态分布而言,它的曲线更平坦,更宽。t分布的均值为0,方差为自由度除以自由度减1。 因此,可以看出,二项分布和泊松分布都是离散概率分布,而正态分布和t分布都是连续概率分布。二项分布和泊松分布的均值和方差可以通过固定的参数计算,而正态分布和t分布的均值和方差则可以通过统计数据进行估计。此外,t分布相对于正态分布而言,更适用于小样本数据的推断。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值