矩母函数
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
.
14
拉式变换与概率分布函数
定理:一函数L(s) (s≥0)是某一分布函数的 Laplace变换的充要条件为L(0)=1,无穷 次可导,且满足 (-1)nL(n)(s) ≥0, (s≥0, n≥0)
.
15
矩母函数(Moment Generating Functions)
矩母函数:用于计算矩、随机变量和的分布和定理证明
X |Y y
xfX|Y x | y 离散情况 xfX|Y x | y dx 连续情况
如果r x, y 是x和y的函数,那么
r X,Y |Y y
r x, y fX|Y x | y 离散情况 r x, y fX|Y x | y dx 连续情况
X :数字
X |Y y :y的函数。在知道y的值之前,不知道
条件期望、矩母函数
山东财经大学保险学院 谭璐
.
1
主要内容
一、条件期望 二、混合分布 三、矩母函数 四、特征函数
.
2
一、条件期望
fX|Y x | y
给定变量Y时,在 X上的概率分布 对Y的每个可能取值,对X都定义有一个概率
分布 也能求期望,称为条件期望
.
3
定义 给定Y y时,X的条件期望是
因而
Y |Xx x 1 y f fY Y||X X y y||x xd y 1/1 1- 1 -x x x 1 y d y1 2 x
Y|X 1 X/2
fY|X y|x 1/ 1-x
注意: Y|X 1 X/2是随机变量,当X x 时, 其值为
Y|X x 1 x/2
思考题:当X与Y独立时, X |Y y 的值?
X|Y y
X | Y :随机变量,当Y=y时, X |Y y 的值
r X,Y |Y :随机变量
.
4
假定对 X~Uniform0,1 采样,在给定x后,在对
Y|X~ Uniformx,1采样 直观地,期望
Y|X x 1 x/2
事实上,对x y 1 ,有 fY|X y|x 1/1-x 得到期望
X|Y~Binomial Y,p
(X x)
(X x,Y y)
(X x|Y y) (Y y)
y0
y0
ypx 1 py x e y
yx x
y!
e p px x!
.
12
X~Poission p
期望: X p 亦可通过条件期望计算:
X X |Y p Y p
方差: X p 亦可通过条件期望计算:
X X |Y
渐增式地定义一个复杂的模型:通过条件分 布与边缘分布
希望知道 f x ,至少是其期望和均值(条
件期望和方差)
.
11
混合分布举例
例:假设昆虫会产很多数量的蛋,蛋的数量为一个 随机变量,用 Y~Poission 表示;另外假设每
个蛋的是否存活是独立的,存活的概率为p, 为 Bernoulli分布,用X表示存活的数量,则
X |Y Y p1p Y p
p1p Y p 2 Y p1p p 2 p
.
13
三、矩母函数(Moment Generating Functions)
矩母函数的得名起因于下述公式: E(Xk)=M(k)(0)
对于非负随机变量X来说,习惯上做一变换 s=-t,LX(s)=MX(t)
L X (s ) E [es X ] es X d F (x ) ,s0 通常称上式为X的laplace变换。
Y |X Y Y |X Y |X Y|X Y 0 0
所以
Y Y |X Y |X
.
10
二、混合分布
在一个分布族中,分布族由一个/一些参数决定, 如 f x,| 这些参数 通常又是一个随机变量 (贝叶斯学派的观点,参数也是随机变量), 则最终的分布称为混合分布(mixture distribution)
2
I
Y Y|X
2
II
Y|X Y
2
Y Y|X |X Y|X
III 2 Y Y | X Y | X Y
Y
Y|X Y|X Y|X Y |X
.
9
在给定X的情况下,条件分布为 Y | X ,Y为随机变量,因此上式中 Y| X , X 为常数,因此
Y Y | X Y | X Y | XY | X Y Y Y | X | X
16
矩母函数(Moment Generating Functions)
定
X是离散型r. v
义
X是连续型r. v
矩母函数与分布间的一一对应
唯一性定理:如果,MX(θ)=MY(θ)<∞在θ的某个
区间上成立,则随机变量X与Y同分布。
.
17
.
18
矩母函数与随机变量X的各阶矩
X的矩母函数可 以变形为:
于是:
1+ 1 X = 2 =3 4
2
2
.
7
条件方差
定义:条件方差定义为
2
Y |Xx y x f y|xd y
其中
x Y|X x
定理:对随机变量X和Y,
Y= Y|X Y|X
.
8
证明: Y
根据定义,
Y
Y
Y|X
Y2
Y
2
Y Y|X
Y|X
Y|X Y|X
2
Y|X Y
2
Y 2Y
Y|X
Y|X Y
I II III
.
19
另一方面:
于是:
.
20
性质1: 例:
从而:
.
21
再考虑:
于是:
.
22
而 从而
特别 性质2:设X,Y是相互独立的随机变量,则:
.
23
证明:
系:设X 1…Xn是独立随机变量,则:
例:设Z1 …Z2 是相互独立的标准正 态分布随机变量,则:
.
24
证明:设z是标准正分布的随机变量
定义:X的矩母函数(MGF),或Laplace变换定义为
Xt
etX
其中t在实数上变化。
etxdF Xx
若MGF是有定义的,可以证明可以交换微分操作和求期 望操作,所以有:
0 de tX
d t
t0
d e tX d t t0
X e tX t0
X
取k阶导数,可以得到 k 0
Xk 方便计算分布的矩
.
.
5
定理:对随机变量X和Y,假设其期望存在,则
Y |X =Y , X |Y=X
与Y有关的随机变量
更一般地,对任意函数 r x , y
rX ,Y|X=rX ,Y
证明:利用条件期望的定义和f x,y f xf y|x
Y|X= Y|XxfXxd x yf y|xd yfXxd x yf y|xfXxd xd y yf x,yd xd y Y
Байду номын сангаас
.
6
X ~ U n ifo r m 0 ,1 , Y |X ~ U n ifo r m x ,1
怎样计算 Y ? 一种方法是计算联合密度 f x , y ,然后计算
Y yf x,ydxdy
另一种更简单的方法是分两步计算
计算 Y| X =1 X
计算 Y =
2 Y|X =
1
X
1+ X
2
2
= 1+