2.4常用分布与分布族（续）
上一讲已经把数理统计中的三大分布介绍了一遍，这里先补充非中心化的三大分布.
- 非中心
分布：
它的构造型定义也是正态随机变量平方和的形式，只不过每个正态随机变量的期望可以非0，但方差还是1.
定义 设
为具有自由度
它有三个性质：
※特征函数
若
※可加性
若
其中
※数字特征
若
由于
首先可加性利用它的构造型定义，对每个非中心
其次，求数字特征的话，考虑到它的可加性，只要计算
因此
其中利用了标准正态随机变量的四阶矩为3，进而对于自由度不是1的非中心
最后来计算下它的矩母函数，还是利用
其中第二个等号是随机变量函数的数学期望公式，计算这个积分就是将被积函数配凑称某个正态分布函数，进而利用正态分布函数积分为1来得到积分结果.
把矩母函数中的
- 非中心
分布
在原来
- 非中心
分布
在原来
我们接下来再介绍两个统计中常用的分布：
※
定义具有如下密度函数的分布为
其中
利用beta函数与gamma函数的关系
其中
不同自由度下，beta分布的密度函数如图所示
可以看出，beta分布在自由度变化时，其形状变化非常不规律.
下面给出beta分布的数字特征，求这种比较复杂的分布的数字特征时，首先是利用随机变量函数的数学期望公式，其次是要通过配一些常数，把被积函数转变成某个分布的密度函数，然后利用密度函数积分为1得到.
beta分布的k阶矩
beta分布的均值和方差
此外，利用均匀分布也能够生成beta分布：
例 设
这里直接写出次序统计量的密度函数与beta分布的密度进行比较即可.
我们在概率论中学过，一个随机变量的分布函数作用这个随机变量，可以得到均匀分布.即设
※
定义具有如下密度函数的分布为
其中
其数字特征还是没啥好说的，随机变量函数的数学期望公式+配凑密度函数.
Z分布的k阶矩为
特别地，
数学期望的形式可以适当记忆下，第一个参数比上第二个参数减1
划重点！！！Z分布是一类“交友广泛”的分布，通过它可以得到我们上两讲中介绍过的很多分布：
证明的话利用随机变量函数的密度变换公式即可，可以这样记忆：beta密度的支撑为0到1，而
设
并且
第一个就是gamma函数的可加性，单独证第二个可能有点麻烦，可以先写出联合密度然后利用随机变量函数的密度变换公式将两个结果以及独立性一同证明.
根据这个结果，还可以得到以下推论：
设
即两gamma的尺度参数相同且独立，那么①/①+②就beta分布.
证明 利用
设
由独立性得到
利用这个结果，我们可以通过Z分布的密度作变量替换的方式，来得到F分布的密度，这也是求F分布密度的常用方法.F分布的数学期望也可以利用Z分布的数学期望导出：
形式上之和第二自由度有关，并且第二自由度不能为2.
利用这个结果，还能得到F分布与beta分布的关系：
设
下面我们来学习一类非常广泛的分布族
2.6指数型分布族
定义 设参数分布族
则称该参数分布族为指数型分布族，或指数族；其中
直观上看，判断一个参数分布族是否为指数型分布族，即判断其中表示未知参数
如果作个变量替换，令
这个形式称为指数型分布族的自然形式，此时由
例1 正态分布族
其密度函数可以表示为
根据定义，取
可知它是一个指数型分布族.
例2 二项分布族
其概率分布列为
千万注意不能漏掉支撑
取
可知它是指数型分布族．如果令
根据
但如果
中，
例3 均匀分布族
这是因为该分布族的密度函数的支撑为
这个例子给出判断一个分布族不是指数型分布族的方法：如果当其支撑含有未知参数.
反过来，也得到了指数型分布族的一个重要性质：指数型分布族的支撑集与参数
此外，如果总体来自指数型分布族，那么从中抽取的简单随机样本也是指数型分布族，样本的联合密度函数可以写成
以及指数型分布族还有很好地解析性质：
在指数型分布族的自然形式中，如果它的自然参数空间有内点，且在内点集合中，对于实值函数
存在且有限，则
形式上很吓人，实际上想要说明的是，
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
