[统计推断]第三章·常见分布族(二)

本篇列举常见的连续分布

1 均匀分布

f(x|a,b)={1ba,x[a,b]0,x[a,b]

期望EX=abxbadx=a+b2

方差 VarX=ab(xa+b2)2badx=(ab)212

2 伽玛分布

Γ 函数Γ(α)=0+tα1etdt 利用分部积分法易得递推式: Γ(α+1)=αΓ(α),α>0Γ(1)=1,因此对于正整数 nΓ(n)=(n1)!.


基于 Γ 函数,可以定义参数为 (α,β)伽玛分布族f(x|α,β)=1Γ(α)βαxα1ex/β,0<x<+,α>0,β>0 其中 α 主要影响分布的峰起状态,称为形状参数;β 主要影响分布的散度情况,称为尺度参数;记该分布为 Gamma(α,β).

期望 EX=1Γ(α)βα0+xαex/βdx=βΓ(α)0+tαetdtt=x/β=βΓ(α)Γ(α+1)=αβ

二阶矩 EX2=1Γ(α)βα0+xα+1ex/βdx=β2Γ(α)0+tα+1etdtt=x/β=β2Γ(α)Γ(α+2)=α(α+1)β2

方差

矩母函数:第二章已经推导过了

伽玛分布与泊松分布:设 是参数为 的伽玛随机变量,其中 为整数, 服从参数为 的泊松分布,则对任意 ,都有: Proof. 反复运用分部积分法。

3 分布

在伽玛分布中,若令 ,其中 是整数,则伽玛概率密度函数变为: 这是自由度为 概率密度函数。

4 指数分布

在伽玛分布中,若令 ,则得到指数概率密度函数:

期望(分部积分易得)

方差(分部积分易得)

无记忆性:对任意 ,有

5 Weibull 分布

服从参数为 的指数分布,则 服从参数为 Weibull 分布,即其概率密度函数为:

推导:由于 是单调函数,根据第二章的结论可知:

Weibull 分布广泛引用于寿命分析和危险率函数的建模。

6 正态分布

服从参数为 的正态分布: 记作 .


验证上述概率密度函数积分为 需要一些技巧,一个常见的证法是转换为二重积分。首先,作变量代换 ,则易知我们只需要证明: 我们计算其平方并使用极坐标换元: 事实上,若令 ,则上述积分本质是 ,即:

期望

方差

矩母函数

对正态分布的概率密度函数求导易知,其在 处取得极值, 是拐点。


正态分布常用于近似其他分布,但怎样的近似足够好并无绝对的标准。以二项分布为例,经验上当 时,可使用 近似 .

但由于二项分布是离散分布,在近似时使用连续性校正可以使近似更精确:设 ,则:

7 贝塔分布

函数 函数和 函数的关系: 一般不直接处理 函数,而是用这个关系式转化成 函数。


贝塔分布

阶矩

期望

二阶矩

方差

8 柯西分布

柯西分布是 上的一类对称钟形分布,概率密度函数为: 第二章已经证明过,柯西分布期望不存在,于是任意阶矩也不存在,矩母函数亦不存在。

两个标准正态分布之比就是柯西分布

9 对数正态分布

,则称 服从对数正态分布。利用第二章随机变量的单调函数相关结论,易知:

期望:设 ,则:

二阶矩

方差

对数正态分布广泛应用于右偏变量的建模,例如工资。

10 双指数分布

将指数分布关于原点作对称并平移 个单位,就得到了双指数分布,其概率密度函数为: 双指数分布是尾部很粗的对称分布,任意阶矩都存在。

期望

方差


[统计推断]第三章·常见分布族(二)
https://xyfjason.github.io/blog-main/2022/03/01/统计推断-第三章·常见分布族(二)/
作者
xyfJASON
发布于
2022年3月1日
许可协议