机敏问答[概率][2] #20210619

---

本专栏主要作个人复习自测，有相关知识预备的同学也可作复习用。不保证无相应基础的人士能看明白。
万一考试考到了，或者对你的学习有较大帮助，一键三连不过分吧（斜眼笑）

母函数

0. $X$取非负整数，下同。可以把母函数表示成用（）为系数的（）级数，说明收敛半径。用定义求出$G(p),P(\lambda )$的母函数，验证母函数在$s=1$处总是取（）。
1. 把母函数表示成期望的形式。为什么说母函数是分布的特征？
2. 一致收敛时求导和（）交换顺序，由此可以用（）处的0至（）阶导计算非负整数随机变量的3阶矩。
3. 绝对收敛的幂级数可以做（）法，所以独立随机变量和的母函数等于（），所以$B(n,p)$的母函数为（）。
4. 回忆$W$个独立随机变量的和（$W$是与他们都独立的随机变量）的期望用（）公式计算。所以母函数是复合。简述复合泊松分布。
5. （均假设独立）$W$以$p$概率取$X$，其余取$Y$，试用$X,Y,\xi (\xi \sim B(1,p))$表示$W$，并写出$g_W(s)$的表达式。刚刚的表达式有两项，如果两项系数和小于1那表示什么实际意义？

答案

0. $P(X=k),k\ge 0$，幂，收敛半径至少为1，且端点处收敛。$ps/(1-qs)$，$e^{\lambda (s-1)}$，1
1. $g(s)=E{s}^X$，分布相同则母函数相同。
2. 积分（期望），1，3
3. 乘，母函数的乘积，$(q+ps{)}^n$
4. 重期望。$W$是泊松随机变量，这时假设内层母函数是$g(s)$，总体母函数就是$E(g(s{)}^W)$（回忆3.）即$e^{\lambda (g(s)-1)}$
5. W = X 1 { ξ = 1 } + Y 1 { ξ = 0 } , g W ( s ) = p g X + ( 1 − p ) g Y W=X1_{\{\xi=1\}}+Y1_{\{\xi=0\}},g_W(s)=pg_X+(1-p)g_Y W=X1{ξ=1}​+Y1{ξ=0}​,gW​(s)=pgX​+(1−p)gY​，$W$是$X,Y,0$三个独立随机变量的“凸组合”。

特征函数

0. 背诵$P(\lambda )$的特征函数，并说出特征函数和母函数有何异同。（至少包含收敛性、特殊点值等考察角度）
1. 刚才考察收敛性的手法也可以用于考察一致连续性。简要阐述，并着重突出分两段放缩是哪两段。这种放缩思想和数学分析中哪个黎曼可积充要条件类似？
2. 特征函数半正定是说$\forall t_1,\cdots ,t_n\in \mathbb{R}$，矩阵（）半正定。请先依特征函数定义验证$f(-t)=\bar{f}(t)$（共轭）从而上述矩阵是（）矩阵，然后回忆半正定定义，验证该矩阵半正定。
3. 实际上我们有$f(0)=1$且连续半正定的函数一定是某个随机变量的特征函数。在应用中，为了从特征函数得到这样的随机变量（的分布），有对于（）点处的逆转公式。为了记忆逆转公式，可以记忆条件更强时的结论，即$\int ||f||dt<\infty$时$p(x)=$（）。比较上式与$f(t)$用$p(x)$表出的表达式。
4. 独立随机变量的函数仍独立，所以独立随机变量和的特征函数等于（）。类比前述母函数的凸组合，阐述特征函数的凸组合。
5. $k$阶矩存在时写出$f^{(k)}(0)$，并用期望和方差将$f$（在0附近）展开到二阶。
6. 背诵$N(\mu ,\sigma )$的特征函数，说明在求特征函数过程中的复平面上的路径积分是怎么计算的。用$X$的特征函数和密度表示$aX+b(a\ne 0)$的。联系6.考察5.
7. 求指数分布$Exp(1)$的特征函数。利用凸组合得到$p(x)=\frac{1}{2}{e}^{-|x|}$（拉普拉斯分布）的特征函数。
8. 利用7.回忆3.，求柯西分布$p(x)=\frac{1}{\pi }\frac{1}{1+x^2}$的特征函数。
9. 以前面的哪三个问题为基础可以得出$n$个独立同分布柯西变量和的分布和一个柯西变量的$n$倍同分布？

答案

0. $f(t)=e^{\lambda (exp(it)-1)}$，用$exp(it)$替代$s$。特征函数是复值函数，$f(0)=1$，由积分模小于等于模积分得到总收敛。
1. $||f(t+ϵ)-f(t)||\le E||exp(i(t+ϵ)X)-exp(itX)||=E||exp(iϵX)-1||$. 略（提示：模足够大的时候概率小，概率大的部分模小）。
2. $(f(t_i-t_j){)}_{n\times n}$，Hermite
3. 分布函数任意两个连续，$\frac{1}{2\pi }\int e^{-itx}f(t)dt,f(t)=\int e^{itx}p(x)dx$. 傅里叶逆变换。（请特别注意$f(t)$是对$x$积分，$p(x)$是对$t$积分。当然8.中出现了$f(x)$这样的记号，那里是利用了傅里叶正逆变换形式上的类似）
4. 特征函数的乘积，略。
5. $i^{k}E{X}^k,f(x)=1+itEX-\frac{t^2}{2}(var(X)+(EX{)}^2)+o(t^2)$
6. $e^{it\mu -\frac{1}{2}{\sigma }^2{t}^2}$，换元变成某条直线（但不是实轴）上的路径积分，然后对“条带”用柯西定理。
   $p_{aX+b}(y)=p_X(x)/y_x^{\prime }=p_x(\frac{y-b}{a})/a,f_{aX+b}(t)=E{e}^{itb+i(at)X}=e^{itb}{f}_X(at)$
   $e^{-t^2/2}\approx 1-t^2/2$
7. $f_{Exp(a)}(t)={\int }_0^{\infty }a{e}^{itx-ax}dx=\int a/(it-a)d(e^{(it-a)x})=\frac{-a}{it-a}$
   $f_{Exp(1)}(t)=(1-it{)}^{-1}$
   $Y$满足拉普拉斯分布，则$Y$的分布为（独立的）$X_1,-X_2$的（概率各为$\frac{1}{2}$的）凸组合的分布，其中$X_i\sim Exp(1)$
   则$f_Y(t)=\frac{1}{2}((1-it{)}^{-1}+(1+it{)}^{-1})=(1+t^2{)}^{-1}$
8. 根据特征函数和密度的关系有$p(y)=\frac{1}{2}{e}^{-|y|}=\frac{1}{2\pi }\int (1+t^2{)}^{-1}{e}^{-ity}dt=\frac{1}{2}{\bar{f}}_{柯西}(y)$
   故$f_{柯西}(t)=e^{-|t|}$
9. 4.6.8.