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
- 一元特征函数的 t x tx tx对应多元特征函数的什么?由此 a ⃗ T X ⃗ \vec a^T\vec X aTX的特征函数怎么求?
- 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。
- 边缘分布的特征函数怎么求?
- 说出如何用一元”傅里叶逆变换“公式记忆多元逆转公式。
- 唯一性定理和两个随机向量独立有什么联系?
- 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
- ”内积“, f a ⃗ T X ⃗ ( t ) = E e i t a ⃗ T X ⃗ = f X ⃗ ( t a ⃗ ) f_{\vec a^T \vec X}(t)=Ee^{it\vec a^T\vec X}=f_{\vec X}(t\vec a) faTX(t)=EeitaTX=fX(ta)
-
∣
∣
f
(
t
⃗
)
∣
∣
≤
f
(
0
)
=
1
,
f
(
−
t
⃗
)
=
f
ˉ
(
t
⃗
)
,
f
Σ
X
⃗
+
μ
⃗
(
t
⃗
)
=
e
i
t
⃗
T
μ
⃗
f
X
⃗
(
Σ
T
t
⃗
)
||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)
∣∣f(t)∣∣≤f(0)=1,f(−t)=fˉ(t),fΣX+μ(t)=eitTμfX(ΣTt)(注意转置)
E X 1 2 X 2 2 = i − 4 ∂ t 1 t 1 t 2 t 2 f ∣ t ⃗ = 0 , f X ⃗ + Y ⃗ ( t ⃗ ) = f X ⃗ ( t ⃗ ) f Y ⃗ ( t ⃗ ) EX_1^2X_2^2=i^{-4} \partial_{t_1t_1t_2t_2}f|_{\vec t=0},f_{\vec X+\vec Y}(\vec t)=f_{\vec X}(\vec t)f_{\vec Y}(\vec t) EX12X22=i−4∂t1t1t2t2f∣t=0,fX+Y(t)=fX(t)fY(t)(注:最后一式不等价于独立) - 根据定义,得只用把向量 t ⃗ \vec t t若干维设为0.
- 先记忆一元,即 F ( b ) − F ( a ) = 1 2 π l i m T → + ∞ ∫ − T T e − i t b − e − i t a − i t d t F(b)-F(a)=\frac 1{2\pi}lim_{T\to+\infty}\int_{-T}^T\frac{e^{-itb}-e^{-ita}}{-it}dt F(b)−F(a)=2π1limT→+∞∫−TT−ite−itb−e−itadt,然后乘。注意系数别漏。
- 分布由特征函数唯一决定。因此 f 总 ( a ⃗ , b ⃗ ) = f 1 ( a ⃗ ) f 2 ( b ⃗ ) f_总(\vec a,\vec b)=f_1(\vec a)f_2(\vec b) f总(a,b)=f1(a)f2(b)时独立。
- 连续
数字特征练习
- 利用二项分布 B ( n , p ) B(n,p) B(n,p), B ( n , q ) B(n,q) B(n,q)和 B ( n , p + q ) B(n,p+q) B(n,p+q)的数字特征计算多项分布 P ( X i = k i , i = 1 , ⋯ , r ) = n ! ∏ i k i ! ∏ i p i k i P(X_i=k_i,i=1,\cdots,r)=\frac{n!}{\prod_ik_i!}\prod_ip_i^{k_i} P(Xi=ki,i=1,⋯,r)=∏iki!n!∏ipiki中 X i X_i Xi与 X j X_j Xj的相关系数。
- 二元随机变量,边缘分布是正态分布,联合分布一定是吗?
- 相比对总体 N N N(可以理解为 N N 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 n n次结果和 S n S_n Sn的方差 n σ 2 n\sigma^2 nσ2,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 n n次结果和的方差。
- 2.与超几何分布有何联系?
- 利用 Γ \Gamma Γ函数求正态随机变量的 k k k阶矩。直接背诵4阶中心矩。
- 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。
- 5.中出现的 ρ σ 2 / σ 1 , σ 2 2 ( 1 − ρ 2 ) \rho \sigma_2/\sigma_1,\sigma^2_2(1-\rho^2) ρσ2/σ1,σ22(1−ρ2)和最佳线性预测有什么联系?
答案
- 利用和的方差的公式。
- 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.
- 变小,因为“不确定性”更小。 N σ 2 + N ( N − 1 ) c o v = 0 , c o v = − σ 2 / ( N − 1 ) , D S n = n σ 2 N − n N − 1 N\sigma^2+N(N-1)cov=0,cov=-\sigma^2/(N-1),DS_n=n\sigma^2\frac{N-n}{N-1} Nσ2+N(N−1)cov=0,cov=−σ2/(N−1),DSn=nσ2N−1N−n
- N N N张卡片, M M M张写1,无放回抽取 n n n张。
- 只用考虑偶数阶,此时换元令 e e e指数为 z z z,则得到含有 Γ \Gamma Γ函数 Γ ( k + 1 2 ) \Gamma(\frac{k+1}2) Γ(2k+1)的结果。再注意 Γ ( 1 / 2 ) = π , Γ ( x + 1 ) = x Γ ( x ) \Gamma(1/2)=\sqrt{\pi},\Gamma(x+1)=x\Gamma(x) Γ(1/2)=π,Γ(x+1)=xΓ(x). 3 σ 4 3\sigma^4 3σ4
-
p
y
∣
x
(
y
)
=
1
2
π
σ
2
1
−
ρ
2
e
x
p
(
−
1
2
σ
2
2
(
1
−
ρ
2
)
(
y
−
(
μ
2
+
ρ
σ
2
σ
1
(
x
−
μ
1
)
)
)
)
p_{y|x}(y)=\frac{1}{\sqrt{2\pi}\sigma_2\sqrt{1-\rho^2}}exp(-\frac1{2\sigma^2_2(1-\rho^2)}(y-(\mu_2 + \rho \frac{\sigma_2}{\sigma_1}(x-\mu_1))))
py∣x(y)=2πσ21−ρ21exp(−2σ22(1−ρ2)1(y−(μ2+ρσ1σ2(x−μ1))))
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。 - “斜率”估计值 c o v ( X , Y ) / v a r ( X ) cov(X,Y)/var(X) cov(X,Y)/var(X). 均方误差。
母函数、特征函数练习
- 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。
- 帕斯卡分布表示独立重复实验中第 r r r次()出现时的() Z Z Z的概率分布, Z Z Z可以拆成 r r 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()。
- 求有多少种有序排列 ( a , b , c , d , e ) (a,b,c,d,e) (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.
- 请利用母函数证明复合泊松分布在每个 ξ i \xi_i ξi的分布取()时,是参数为()的泊松分布。
- 用定义求 Γ ( r , λ ) \Gamma(r,\lambda) Γ(r,λ)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 ∫ 0 ∞ x r − 1 e − x d x = ∫ γ 0 → ∞ , 方 向 与 正 实 轴 成 锐 角 z r − 1 e − z d z \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 ∫0∞xr−1e−xdx=∫γ0→∞,方向与正实轴成锐角zr−1e−zdz)
- 形式运算说明泊松变量 E X f ( X ) = λ E f ( X + 1 ) EXf(X)=\lambda Ef(X+1) EXf(X)=λEf(X+1),标准正态变量 E X f ( X ) = E f ′ ( X ) EXf(X)=Ef'(X) EXf(X)=Ef′(X)
答案
- 泰勒。 ( q + p s ) n = ( 1 + p ( s − 1 ) ) n : = ( 1 + p x ) n = ( 1 + p x ) ( 1 / x p ) ⋅ x p n → e λ ( s − 1 ) (q+ps)^n=(1+p(s-1))^n:=(1+px)^n=(1+px)^{(1/xp)\cdot xpn}\to e^{\lambda(s-1)} (q+ps)n=(1+p(s−1))n:=(1+px)n=(1+px)(1/xp)⋅xpn→eλ(s−1)
- 成功,总试验次数,几何, ( p s 1 − q s ) r (\frac{ps}{1-qs})^r (1−qsps)r
- 丢5个色子。母函数
(
s
+
⋯
+
s
6
)
5
/
6
5
(s+\cdots+s^6)^5/6^5
(s+⋯+s6)5/65. 注意为了求
s
15
s^{15}
s15项系数,需要考虑二项式和负二项式展开
( 1 − s 6 ) 5 = 1 − 5 s 6 ⋯ − s 30 (1-s^6)^5=1-5s^6\cdots-s^{30} (1−s6)5=1−5s6⋯−s30
( 1 − s ) − 5 = 1 + 5 s + C 6 2 s 2 + C 7 3 s 3 ⋯ (1-s)^{-5}=1+5s+C_6^2s^2+C_7^3s^3\cdots (1−s)−5=1+5s+C62s2+C73s3⋯ - (相互独立) B ( 1 , p ) B(1,p) B(1,p), λ p \lambda p λp
-
∫
0
∞
e
i
t
x
λ
r
Γ
(
r
)
x
r
−
1
e
−
λ
x
d
x
=
∫
γ
λ
r
y
r
−
1
e
−
y
/
Γ
(
r
)
d
y
⋅
(
λ
−
i
t
)
−
r
=
(
1
−
i
t
/
λ
)
−
r
\int_0^\infty e^{itx}\frac{\lambda^r}{\Gamma(r)}x^{r-1}e^{-\lambda x}dx=\int_\gamma \lambda^ry^{r-1}e^{-y}/\Gamma(r)dy\cdot(\lambda-it)^{-r}=(1-it/\lambda )^{-r}
∫0∞eitxΓ(r)λrxr−1e−λxdx=∫γλryr−1e−y/Γ(r)dy⋅(λ−it)−r=(1−it/λ)−r
r = 1 , ( 1 − i t / λ ) − 1 r=1,(1-it/\lambda)^{-1} r=1,(1−it/λ)−1
λ = 1 2 , r = n 2 , ( 1 − 2 i t ) − n 2 \lambda=\frac 12,r=\frac n2,(1-2it)^{-\frac n2} λ=21,r=2n,(1−2it)−2n - 后者分部积分(并特别注意密度的导数)。