机敏问答[概率][3] #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）

多元特征函数

0. 一元特征函数的$tx$对应多元特征函数的什么？由此${\vec{a}}^T\vec{X}$的特征函数怎么求？
1. 将一元特征函数的上界1、“共轭”、一致连续、线性变换、矩、独立与乘积等相应结论推广到多元。
2. 边缘分布的特征函数怎么求？
3. 说出如何用一元”傅里叶逆变换“公式记忆多元逆转公式。
4. 唯一性定理和两个随机向量独立有什么联系？
5. 为了考察随机变量列的收敛性，我们往往考察特征函数列的收敛性。连续性定理：如果特征函数列收敛于（）函数，则收敛结果一定是某个分布函数对应的特征函数。

答案

0. ”内积“，$f_{{\vec{a}}^T\vec{X}}(t)=E{e}^{it{\vec{a}}^T\vec{X}}=f_{\vec{X}}(t\vec{a})$
1. $||f(\vec{t})||\le f(0)=1,f(-\vec{t})=\bar{f}(\vec{t}),f_{\Sigma \vec{X}+\vec{\mu }}(\vec{t})=e^{i{\vec{t}}^T\vec{\mu }}{f}_{\vec{X}}({\Sigma }^T\vec{t})$（注意转置）
   $E{X}_1^2{X}_2^2=i^{-4}{\partial }_{t_1{t}_1{t}_2{t}_2}f{|}_{\vec{t}=0},f_{\vec{X}+\vec{Y}}(\vec{t})=f_{\vec{X}}(\vec{t})f_{\vec{Y}}(\vec{t})$（注：最后一式不等价于独立）
2. 根据定义，得只用把向量$\vec{t}$若干维设为0.
3. 先记忆一元，即$F(b)-F(a)=\frac{1}{2\pi }li{m}_{T\to +\infty }{\int }_{-T}^T\frac{e^{-itb}-e^{-ita}}{-it}dt$，然后乘。注意系数别漏。
4. 分布由特征函数唯一决定。因此$f_{总}(\vec{a},\vec{b})=f_1(\vec{a})f_2(\vec{b})$时独立。
5. 连续

数字特征练习

0. 利用二项分布$B(n,p)$，$B(n,q)$和$B(n,p+q)$的数字特征计算多项分布$P(X_i=k_i,i=1,\cdots ,r)=\frac{n!}{{\prod }_i{k}_i!}{\prod }_i{p}_i^{k_i}$中$X_i$与$X_j$的相关系数。
1. 二元随机变量，边缘分布是正态分布，联合分布一定是吗？
2. 相比对总体$N$（可以理解为$N$张写有不同数的卡片）进行有放回抽样（独立重复实验）时$n$次结果和$S_n$的方差$n{\sigma }^2$，无放回抽样时的方差为什么变了？直观说明是变大还是变小，并通过求两次抽样结果的协方差求$n$次结果和的方差。
3. 2.与超几何分布有何联系？
4. 利用$\Gamma$函数求正态随机变量的$k$阶矩。直接背诵4阶中心矩。
5. 背诵二元正态随机变量的条件密度并指出这是什么分布，直觉上指出条件期望、方差与边缘分布的期望和方差之间的大小关系。
6. 5.中出现的$\rho {\sigma }_2/{\sigma }_1,{\sigma }_2^2(1-{\rho }^2)$和最佳线性预测有什么联系？

答案

0. 利用和的方差的公式。
1. 不一定。提示：二元积分，两种顺序内层积分恒为0，二元函数不一定恒为0.
2. 变小，因为“不确定性”更小。$N{\sigma }^2+N(N-1)cov=0,cov=-{\sigma }^2/(N-1),D{S}_n=n{\sigma }^2\frac{N-n}{N-1}$
3. $N$张卡片，$M$张写1，无放回抽取$n$张。
4. 只用考虑偶数阶，此时换元令$e$指数为$z$，则得到含有$\Gamma$函数$\Gamma (\frac{k+1}{2})$的结果。再注意$\Gamma (1/2)=\sqrt{\pi },\Gamma (x+1)=x\Gamma (x)$. $3{\sigma }^4$
5. $p_{y|x}(y)=\frac{1}{\sqrt{2\pi }{\sigma }_2\sqrt{1-{\rho }^2}}exp(-\frac{1}{2{\sigma }_2^2(1-{\rho }^2)}(y-({\mu }_2+\rho \frac{{\sigma }_2}{{\sigma }_1}(x-{\mu }_1))))$
   期望根据相关性变。方差相比边缘分布更小，因为“确定”了一些东西。
6. “斜率”估计值$cov(X,Y)/var(X)$. 均方误差。

母函数、特征函数练习

0. 为什么对非负整数随机变量，母函数和分布一一对应？借此简要说明泊松逼近定理。
1. 帕斯卡分布表示独立重复实验中第$r$次（）出现时的（）$Z$的概率分布，$Z$可以拆成$r$个相互独立的（）分布的随机变量之和，所以帕斯卡分布的母函数为（）。
2. 求有多少种有序排列$(a,b,c,d,e)$，其中每个数都是1~6（含）的正整数且可以重复，使得它们的和为15.
3. 请利用母函数证明复合泊松分布在每个${\xi }_i$的分布取（）时，是参数为（）的泊松分布。
4. 用定义求$\Gamma (r,\lambda )$的特征函数并由此求指数分布和卡方分布的特征函数。（已知：通过复分析的柯西定理，可以证明${\int }_0^{\infty }{x}^{r-1}{e}^{-x}dx={\int }_{{\gamma }_{0\to \infty ,方向与正实轴成锐角}}{z}^{r-1}{e}^{-z}dz$）
5. 形式运算说明泊松变量$EXf(X)=\lambda Ef(X+1)$，标准正态变量$EXf(X)=E{f}^{\prime }(X)$

答案

0. 泰勒。$(q+ps{)}^n=(1+p(s-1){)}^n:=(1+px{)}^n=(1+px{)}^{(1/xp)\cdot xpn}\to e^{\lambda (s-1)}$
1. 成功，总试验次数，几何，$(\frac{ps}{1-qs}{)}^r$
2. 丢5个色子。母函数$(s+\cdots +s^6{)}^5/6^5$. 注意为了求$s^{15}$项系数，需要考虑二项式和负二项式展开
   $(1-s^6{)}^5=1-5s^6\cdots -s^{30}$
   $(1-s{)}^{-5}=1+5s+C_6^2{s}^2+C_7^3{s}^3\cdots$
3. （相互独立）$B(1,p)$，$\lambda p$
4. ${\int }_0^{\infty }{e}^{itx}\frac{{\lambda }^r}{\Gamma (r)}{x}^{r-1}{e}^{-\lambda x}dx={\int }_{\gamma }{\lambda }^r{y}^{r-1}{e}^{-y}/\Gamma (r)dy\cdot (\lambda -it{)}^{-r}=(1-it/\lambda {)}^{-r}$
   $r=1,(1-it/\lambda {)}^{-1}$
   $\lambda =\frac{1}{2},r=\frac{n}{2},(1-2it{)}^{-\frac{n}{2}}$
5. 后者分部积分（并特别注意密度的导数）。