随机变量的矩
X
X
X是一个随机变量对于任何正整数
n
n
n, 定义
E
(
X
n
)
=
∫
p
(
x
)
x
n
d
x
E(X^n)=\int p(x)x^ndx
E(Xn)=∫p(x)xndx
- 当 n = 1 n=1 n=1时, E ( X ) E(X) E(X)为随机变量的期望
- 当 n = 2 n=2 n=2时, E ( X 2 ) − E ( X ) 2 E(X^2)-E(X)^2 E(X2)−E(X)2为随机变量的方差
- 特征函数,
E
(
e
i
t
X
)
=
∑
n
=
0
∞
E
(
X
n
)
n
!
(
i
t
)
n
E(e^{itX})=\sum{^\infty_{n=0}}\frac{E(X^n)}{n!}(it)^n
E(eitX)=∑n=0∞n!E(Xn)(it)n
矩可以描述随机变量的一些特征, 期望是 X X X"中心"位置的一种描述, 反差可以描述 X X X的分散程度, 特征函数可以全面描述概率分布
切比雪夫不等式
设
X
X
X为随机变量, 期望值为
μ
\mu
μ, 标准差为
σ
\sigma
σ, 对于任何实数
k
>
0
k>0
k>0
P
(
∣
X
−
μ
∣
≥
k
σ
)
≤
1
k
2
P(|X-\mu|\geq k\sigma)\leq \frac{1}{k^2}
P(∣X−μ∣≥kσ)≤k21
切比雪夫不等式给出反差对
X
X
X分散程度的描述提供了一个定量的估计
随机变量的相关系数
X , Y X,Y X,Y是两个随机变量
- X , Y X,Y X,Y的协方差: c o v ( X , V ) = E ( X Y ) − E ( X ) E ( Y ) cov(X,V)=E(XY)-E(X)E(Y) cov(X,V)=E(XY)−E(X)E(Y)
- X , Y X,Y X,Y的相关系数: c o v ( X , V ) / ( V a r ( X ) V a r ( Y ) ) ∈ [ − 1 , 1 ] cov(X,V)/\sqrt{(Var(X)Var(Y))}\in[-1,1] cov(X,V)/(Var(X)Var(Y))∈[−1,1]
独立随机变量
X , Y X,Y X,Y是两个随机变量, 如果联合分布 p ( x , y ) = p ( x ) p ( y ) p(x,y)=p(x)p(y) p(x,y)=p(x)p(y), 则 X , Y X,Y X,Y为独立随机变量
- 独立随机变量相关系数为0
- 相关系数为0, 两个随机变量不见得独立
利用特征函数研究概率分布
如下列举一些特征函数 ϕ X ( t ) = E ( e i t X ) \phi_X(t)=E(e^{itX}) ϕX(t)=E(eitX)自身的重要性质
- 对于任何 X , ϕ X ( t ) X,\phi_X(t) X,ϕX(t)都存在
- ϕ ( 0 ) = 1 \phi(0)=1 ϕ(0)=1且 ∣ ϕ ( t ) ∣ ≤ 1 , ∀ t |\phi(t)|\leq1,\forall t ∣ϕ(t)∣≤1,∀t
- ϕ ( t ) \phi(t) ϕ(t)是一个连续函数
- ϕ X ( t ) ‾ = ϕ − X ( t ) \overline{\phi_X(t)}=\phi_{-X}(t) ϕX(t)=ϕ−X(t), 所以如果 X X X关于中心对称, 那么 ϕ X ( t ) \phi_X(t) ϕX(t)就是一个实函数
- 如果 X X X的 n n n阶矩存在, 那么 ϕ X ( t ) \phi_X(t) ϕX(t)至少 n n n阶可微, 并且 E ( X n ) = ( − i ) n ϕ ( n ) ( 0 ) E(X^n)=(-i)^n\phi^{(n)}(0) E(Xn)=(−i)nϕ(n)(0)
如下列举一些不同的随机变量的特征函数的重要性质
- 如果 X , Y X,Y X,Y是两个独立随机变量, 那么 ϕ X + Y ( t ) = ϕ X ( t ) ϕ Y ( t ) \phi_{X+Y}(t)=\phi_X(t)\phi_Y(t) ϕX+Y(t)=ϕX(t)ϕY(t)
- 如果 ϕ X ( t ) = ϕ Y ( t ) \phi_X(t)=\phi_Y(t) ϕX(t)=ϕY(t), 那么 X , Y X,Y X,Y服从同一个分布
- 如果 X n {X_n} Xn是一个随机变量序列, 而且 ϕ X n ( t ) \phi_{X_n}(t) ϕXn(t)逐点收敛于一个函数 ϕ ∞ ( t ) \phi_\infty(t) ϕ∞(t), 如果 ϕ ∞ \phi_\infty ϕ∞在0处连续, 那么存在一个分布 X ∞ ( t ) X_\infty(t) X∞(t), 是的 X n X_n Xn按分布收敛于 X ∞ ( t ) X_\infty(t) X∞(t)
特殊分布的特征函数
- 独立分布 p ( a ) = 1 , ϕ ( t ) = e i a t p(a)=1, \phi(t)=e^{iat} p(a)=1,ϕ(t)=eiat
- 两点分布 p ( − 1 ) = p ( 1 ) = 1 2 , ϕ ( t ) = cos ( t ) p(-1)=p(1)=\frac{1}{2}, \phi(t)=\cos(t) p(−1)=p(1)=21,ϕ(t)=cos(t)
- 正太分布, 概率密度函数 f ( x ) = 1 2 π e − x 2 2 , ϕ ( t ) = e − t 2 2 f(x)=\frac{1}{\sqrt{2}\pi}e^{-\frac{x^2}{2}}, \phi(t)=e^{-\frac{t^2}{2}} f(x)=2π1e−2x2,ϕ(t)=e−2t2
- 泊松分布 p ( n ) = e − λ λ n n ! , ϕ ( t ) = e − λ ( 1 − e i t ) p(n)=e^{-\lambda}\frac{\lambda^n}{n!}, \phi(t)=e^{-\lambda(1-e^{it})} p(n)=e−λn!λn,ϕ(t)=e−λ(1−eit)
自然对数底数 e e e的定义
- lim n → ∞ ( 1 + 1 / n ) n \lim\limits_{n \to \infty}(1+1/n)^n n→∞lim(1+1/n)n存在, 且定义 e = lim n → ∞ ( 1 + 1 / n ) n e=\lim\limits_{n \to \infty}(1 + 1/n)^n e=n→∞lim(1+1/n)n
- 于是定义 e x = lim n → ∞ ( 1 + x / n ) n e^x=\lim\limits_{n \to \infty}(1+x/n)^n ex=n→∞lim(1+x/n)n
大数定律
X
X
X是随机变量,
μ
\mu
μ是
X
X
X的期望,
σ
\sigma
σ是
X
X
X的方差,
{
X
k
}
k
=
1
∞
\{X_k\}^\infty_{k=1}
{Xk}k=1∞是服从
X
X
X的独立同分布随机变量, 那么
X
ˉ
n
=
∑
k
=
1
n
X
k
n
\bar{X}_n=\frac{\sum\limits_{k=1}^nX_k}{n}
Xˉn=nk=1∑nXk依概率收敛于
μ
\mu
μ, 也就是说对于任何
ϵ
>
0
\epsilon>0
ϵ>0有
lim
n
→
∞
P
(
∣
X
ˉ
n
−
μ
∣
>
ϵ
)
=
0
\lim\limits_{n \to \infty}P(|\bar{X}_n-\mu|>\epsilon)=0
n→∞limP(∣Xˉn−μ∣>ϵ)=0
中心极限定理
X
X
X是随机变量,
ϕ
(
X
)
\phi(X)
ϕ(X)是
X
X
X的特征函数.
{
X
k
}
k
=
1
∞
\{X_k\}^\infty_{k=1}
{Xk}k=1∞是服从
X
X
X的独立同分布随机变量, 那么
Z
n
=
n
σ
(
X
ˉ
n
−
μ
)
Z_n=\frac{\sqrt{n}}{\sigma}(\bar{X}_n-\mu)
Zn=σn(Xˉn−μ)
依分布收敛于正太分布
N
(
0
,
1
)
N(0,1)
N(0,1)
也就是说对于任何
ϵ
>
0
\epsilon>0
ϵ>0有
lim
n
→
∞
P
(
Z
n
<
z
)
=
Φ
(
z
)
,
∀
z
\lim\limits_{n \to \infty}P(Z_n<z)=\Phi(z), \forall z
n→∞limP(Zn<z)=Φ(z),∀z
其中
Φ
\Phi
Φ是标准正太分布的分布函数