一、
Γ
\Gamma
Γ函数的定义
二、应用
设随机变量X服从指数分布
e
(
λ
)
e\left ( \lambda \right )
e(λ) ,概率密度为
f
(
x
)
=
{
1
λ
e
−
x
λ
,
x
>
0
0
,
x
≤
0
f\left ( x \right ) =\begin{cases} & \frac{1}{\lambda }e^{-\frac{x}{\lambda } }, x>0\\ & 0, x\le 0 \end{cases}
f(x)={λ1e−λx,x>00,x≤0求随机变量X的k阶原点矩及三阶、四阶中心矩。
【解答】X的k阶原点矩
ν
X
=
E
(
X
k
)
=
1
λ
∫
0
+
∞
x
k
e
−
x
/
λ
d
x
\nu _{X} =E\left ( X^{k} \right ) =\frac{1}{\lambda } \int_{0}^{+ \infty } x^{k} e^{-x/\lambda }dx
νX=E(Xk)=λ1∫0+∞xke−x/λdx置换变量
x
λ
=
t
\frac{x}{\lambda } =t
λx=t,得到
ν
k
(
X
)
=
λ
k
∫
0
+
∞
t
k
e
−
t
d
t
\nu _{k} \left ( X \right ) =\lambda ^{k} \int_{0}^{+ \infty } t^{k} e^{-t} dt
νk(X)=λk∫0+∞tke−tdt利用
Γ
\Gamma
Γ函数及其性质即得
n
u
k
(
X
)
=
λ
k
Γ
(
k
+
1
)
=
k
!
λ
k
,
\\nu _{k\left ( X \right ) } =\lambda ^{k} \Gamma \left ( k+1 \right ) =k!\lambda ^{k} ,
nuk(X)=λkΓ(k+1)=k!λk,k=1,2,3…
二阶中心矩为
μ
2
=
ν
2
−
ν
1
2
\mu _{2} =\nu _{2} -\nu _{1}^{2}
μ2=ν2−ν12
三阶中心距为
μ
3
=
ν
3
−
3
ν
2
ν
1
+
2
ν
1
3
=
2
λ
3
\mu _{3} =\nu _{3} -3\nu _{2}\nu _{1} +2\nu _{1}^{3}=2\lambda ^{3}
μ3=ν3−3ν2ν1+2ν13=2λ3
四阶中心矩为
μ
4
=
ν
4
−
4
ν
3
ν
1
+
6
ν
2
ν
1
2
−
3
ν
1
4
=
9
λ
4
\mu _{4} =\nu _{4} -4\nu _{3}\nu _{1} +6\nu _{2}\nu _{1}^{2}-3\nu _{1}^{4}=9\lambda ^{4}
μ4=ν4−4ν3ν1+6ν2ν12−3ν14=9λ4
三、
χ
2
\chi ^{2}
χ2 分布
设随机变量
X
1
,
X
2
,
X
3
,
.
.
.
,
X
k
,
X_{1} ,X_{2} ,X_{3} ,...,X_{k} ,
X1,X2,X3,...,Xk,相互独立,都服从标准正态分布N(0,1),则随机变量
χ
2
=
X
1
2
+
X
2
2
+
.
.
.
X
k
2
\chi ^2=X_{1}^2+X_{2}^2+...X_{k}^2
χ2=X12+X22+...Xk2
的概率密度函数为
则称随机变量
χ
2
\chi ^2
χ2服从自由度为k的
χ
2
\chi ^2
χ2分布,记作
χ
2
∼
χ
2
(
k
)
\chi ^{2}\sim \chi ^{2}\left ( k \right )
χ2∼χ2(k)
其中,k为对立随机变量的个数
其具有可叠加性
χ
1
2
+
χ
2
2
∼
χ
2
(
k
1
+
k
2
)
\chi _{1}^{2} +\chi _{2}^{2}\sim \chi^2\left ( k_{1}+k_{2} \right )
χ12+χ22∼χ2(k1+k2)
P
(
χ
2
≥
χ
α
2
)
=
∫
χ
2
+
∞
f
χ
2
(
x
)
=
α
P\left (\chi ^2\ge \chi _{\alpha }^{2} \right )=\int_{\chi^2}^{+\infty } f_{\chi^2} \left ( x \right )=\alpha
P(χ2≥χα2)=∫χ2+∞fχ2(x)=α,在已知自由度k和alpha的条件下,可以求出
χ
2
\chi^2
χ2
四、t分布
设随机变量X与Y相互独立,X服从标准正态分布N(0,1),Y服从自由度为k的
χ
2
\chi^2
χ2分布,则随机变量
t
=
X
Y
/
k
t=\frac{X}{\sqrt{Y/k} }
t=Y/kX 的概率密度为
f
t
(
x
)
=
Γ
(
k
+
1
2
)
k
π
Γ
(
k
2
)
(
1
+
x
2
k
)
−
k
+
1
2
f_{t} \left ( x \right )=\frac{\Gamma \left ( \frac{k+1}{2} \right ) }{\sqrt{k\pi}\Gamma \left ( \frac{k}{2} \right ) } \left ( 1+\frac{x^{2} }{k} \right ) ^{-\frac{k+1}{2} }
ft(x)=kπΓ(2k)Γ(2k+1)(1+kx2)−2k+1
称随机变量t服从自由度为k的t分布,记作t~t(k)
五、F分布
设随机变量X与Y相互独立,分别服从自由度为k1和k2的
χ
2
\chi^2
χ2分布,则随机变量
F
=
X
/
k
1
Y
/
k
2
F=\frac{X/k_{1} }{Y/k_{2} }
F=Y/k2X/k1的概率密度为
f
F
(
x
)
=
{
Γ
(
k
1
+
k
2
2
)
Γ
(
k
1
2
)
Γ
(
k
2
2
)
k
1
k
1
/
2
k
2
k
2
/
2
x
k
1
2
−
1
(
k
1
x
+
k
2
)
k
1
+
k
2
2
,
x
>
0
0
,
x
≤
0
f_{F} \left ( x \right ) =\begin{cases} & \frac{\Gamma \left ( \frac{k_1+k_2}{2} \right ) }{\Gamma \left ( \frac{k_1}{2} \right )\Gamma \left ( \frac{k_2}{2} \right ) } k_1^{k_1/2}k_2^{k_2/2}\frac{x^{\frac{k_1}{2}-1 }}{\left ( k_1x+k_2 \right )^{\frac{k_1+k_2}{2} } } , x> 0 \\ & 0, x\le 0 \end{cases}
fF(x)=⎩⎨⎧Γ(2k1)Γ(2k2)Γ(2k1+k2)k1k1/2k2k2/2(k1x+k2)2k1+k2x2k1−1,x>00,x≤0
称随机变量F服从自由度为(k1,k2)的F分布,记作F~F(k1,k2)。其中k1为分子的自由度,为第一自由度,k2是分母自由度,成为第二自由度。
Gamma函数及其应用-chi方分布,t分布及F分布
最新推荐文章于 2024-01-08 00:20:45 发布