WikiDer > Свертка вероятностных распределений

В свертка распределений вероятностей возникает в теория вероятности и статистика как операция с точки зрения распределения вероятностей что соответствует добавлению независимый случайные переменные и, в более широком смысле, для формирования линейных комбинаций случайных величин. Здесь операция - частный случай свертка в контексте вероятностных распределений.

Вступление

В распределение вероятностей из суммы двух или более независимый случайные переменные свертка их индивидуальных распределений. Термин мотивирован тем, что функция массы вероятности или функция плотности вероятности суммы случайных величин является свертка соответствующих им функций массы вероятности или функций плотности вероятности соответственно. Многие известные дистрибутивы имеют простые свертки: см. Список сверток вероятностных распределений

Общая формула распределения суммы ${ Displaystyle Z = X + Y}$ двух независимых целочисленных (и, следовательно, дискретных) случайных величин есть^[1]

${ Displaystyle P (Z = Z) = сумма _ {к = - infty} ^ { infty} P (X = k) P (Y = z-k)}$

Аналог для независимых непрерывно распределенных случайных величин с функциями плотности ${ displaystyle f, g}$ является

${ Displaystyle час (z) = (е * g) (z) = int _ {- infty} ^ { infty} f (zt) g (t) dt = int _ {- infty} ^ { infty} f (t) g (zt) dt}$

Если мы начнем со случайных величин X и Y, связанных соотношением Z = X + Y, и не зная, что эти случайные величины независимы, тогда:

${ displaystyle f_ {Z} (z) = int limits _ {- infty} ^ { infty} f_ {XY} (x, z-x) ~ dx}$

Однако, если X и Y независимы, то:

${ Displaystyle f_ {XY} (x, y) = f_ {X} (x) f_ {Y} (y)}$

и эта формула становится сверткой распределений вероятностей:

${ displaystyle f_ {Z} (z) = int limits _ {- infty} ^ { infty} f_ {X} (x) ~ f_ {Y} (z-x) ~ dx}$

Пример вывода

Есть несколько способов вывода формул для свертки распределений вероятностей. Часто манипуляции с интегралами можно избежать, используя некоторый тип производящая функция. Такие методы также могут быть полезны при выводе свойств результирующего распределения, таких как моменты, даже если явная формула для самого распределения не может быть получена.

Один из простых способов - использовать характеристические функции, которые всегда существуют и уникальны для данного распределения.^{[нужна цитата]}

Свертка распределений Бернулли.

Свертка двух независимых одинаково распределенных Случайные величины Бернулли - биномиальная случайная величина. То есть в сокращенной записи

${ Displaystyle sum _ {я = 1} ^ {2} mathrm {Бернулли} (p) sim mathrm {Binomial} (2, p)}$

Чтобы показать это, пусть

${ Displaystyle X_ {я} sim mathrm {Bernoulli} (p), quad 0$

и определить

${ Displaystyle Y = сумма _ {я = 1} ^ {2} X_ {я}}$

Кроме того, пусть Z обозначают общую биномиальную случайную величину:

${ displaystyle Z sim mathrm {биномиальное} (2, p) , !}$

Использование вероятностных массовых функций

В качестве ${ Displaystyle X_ {1} { text {и}} X_ {2}}$ независимы,

${ displaystyle { begin {align} mathbb {P} [Y = n] & = mathbb {P} left [ sum _ {i = 1} ^ {2} X_ {i} = n right] & = sum _ {m in mathbb {Z}} mathbb {P} [X_ {1} = m] times mathbb {P} [X_ {2} = nm] & = сумма _ {m in mathbb {Z}} left [{ binom {1} {m}} p ^ {m} left (1-p right) ^ {1-m} right] left [{ binom {1} {nm}} p ^ {nm} left (1-p right) ^ {1-n + m} right] & = p ^ {n} left (1- p right) ^ {2-n} sum _ {m in mathbb {Z}} { binom {1} {m}} { binom {1} {nm}} & = p ^ { n} left (1-p right) ^ {2-n} left [{ binom {1} {0}} { binom {1} {n}} + { binom {1} {1} } { binom {1} {n-1}} right] & = { binom {2} {n}} p ^ {n} left (1-p right) ^ {2-n} = mathbb {P} [Z = n] end {выровнено}}}$

Здесь мы использовали тот факт, что ${ displaystyle { tbinom {n} {k}} = 0}$ за k>п в предпоследнем трех равенстве и Правило Паскаля во втором последнем равенстве.

Использование характеристических функций

Характеристическая функция каждого ${ displaystyle X_ {k}}$ и из ${ displaystyle Z}$ является

${ displaystyle varphi _ {X_ {k}} (t) = 1-p + pe ^ {it} qquad varphi _ {Z} (t) = left (1-p + pe ^ {it} справа) ^ {2}}$

куда т находится в пределах некоторых район нуля.

${ displaystyle { begin {align} varphi _ {Y} (t) & = operatorname {E} left (e ^ {it sum _ {k = 1} ^ {2} X_ {k}} right) = operatorname {E} left ( prod _ {k = 1} ^ {2} e ^ {itX_ {k}} right) & = prod _ {k = 1} ^ {2} operatorname {E} left (e ^ {itX_ {k}} right) = prod _ {k = 1} ^ {2} left (1-p + pe ^ {it} right) & = left (1-p + pe ^ {it} right) ^ {2} = varphi _ {Z} (t) end {align}}}$

В ожидание продукта является продуктом ожиданий, поскольку каждый ${ displaystyle X_ {k}}$ является независимым. ${ displaystyle Y}$ и ${ displaystyle Z}$ иметь одинаковую характеристическую функцию, они должны иметь одинаковое распределение.

Смотрите также

• Список сверток вероятностных распределений

Рекомендации

• Хогг, Роберт В.; Маккин, Джозеф В .; Крейг, Аллен Т. (2004). Введение в математическую статистику (6-е изд.). Река Аппер Сэдл, Нью-Джерси: Prentice Hall. п. 692. ISBN 978-0-13-008507-8. Г-Н 0467974.