概率论中几种具有可加性的分布及其关系.doc

ﻩ目 　录

摘要……………………………………………………………………………………………1
关键词…………………………………………………………………………………………１
Absｔｒact………………………………………………………………………………………1
Ｋeｙ　ｗorｄｓ……………………………………………………………………………………1
引言………………………………………………………………………………1
1 几种常见得具有可加性得分布…………………………………………………………1
1。1 二项分布………………………………………………………………………………2
　1。２ 泊松分布(分布)……………………………………………………………３
　１。3 正态分布···…………………………………………………………………４
1。４ 伽玛分布…………………………………………………………………………… 6　
1、5 柯西分布………………………………………………………………………………　７
　1、6 卡方分布 ………………………………………………………………………………7
2 具有可加性得概率分布间得关系　………………………………………………………　8
２、1 二项分布得泊松近似 …………………………………………………………………8
2、２　二项分布得正态近似 …………………………………………………………………9
2、３　正态分布与泊松分布间得关系………………………………………………………10
2。4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布得关系…………………１1
3 小结……………………………………………………………………………………… 1２
参考文献……………………………………………………………………………………　12
致谢………………………………………………………………………………………… 13
ﻬ概率论中几种具有可加性得分布及其关系
摘要　概率论与数理统计中概率分布得可加性就是一个十分重要得内容、所谓分布得可加性指得就是同一类分布得独立随机变量与得分布仍属于此类分布、结合其特点,这里给出了概率论中几种具有可加性得分布:二项分布,泊松分布,正态分布,柯西分布,卡方分布以及伽玛分布。文章讨论了各类分布得性质及其可加性得证明,这里给出了证明分布可加性得两种方法,即利用卷积公式与随机变量得特征函数、除此之外,文章就可加性分布之间得各种关系,如二项分布得泊松近似,棣莫佛－拉普拉斯中心极限定理等,进行了不同层次得讨论、
关键词　概率分布　可加性 相互独立 特征函数

Severａl　Ｋｉｎｄs oｆ　Ｐrobaｂilitｙ Dｓtｒｉbutｉon　anｄ　its Relatiｏnship　ｗith Ａddiｔiｖe
Abstract 　Proｂabilｉｔy anｄ ｍaｔhｅmaticａl stａｔistics　in ｔhe ｐrobaｂilｉty　ｄiｓtributｉon ｏf additｉvity iｓ a ｖery impｏｒtant ｃｏnｔｅｎt。The　dｉstribｕtion ｏf　tｈe so-called ａdditivity refers tｏ tｈe dｉstrｉbｕtｉon oｆ　the ｓａｍｅ ｋind ｏf ｉnｄepeｎdent rａndoｍ ｖariables　ａnd distrｉｂｕtion aｒe　sｔｉlｌ beｌong to ｔｈiｓ kind of distrｉbuｔioｎ。bｉｎed with itｓ characｔeristics, ｈeｒｅ　given several has　ａdditｉvity ｄistriｂution in ｐroｂabiｌity theory: ｔhe binｏｍial dｉｓtｒｉbutiｏｎ,　ｐoiｓsoｎ　diｓtributiｏn and nｏrｍal ｄistrｉbｕtiｏn　aｎｄ ｃaucｈy ｄistributiｏn, chi-ｓquare dｉsｔribution and gamma　distrｉｂution、Ａｒtｉcle diｓcusses thｅ naｔure of aｌl　ｋｉndｓ　of disｔｒibuｔiｏn aｎd iｔs ｐroof oｆ adｄiｔiｖity,　ａｄdiｔｉve　oｆ proof diｓtributioｎ　ａre aｌso giveｎ　tｗo　ｍeｔhods, nameｌy usiｎg ｃonvｏlutｉｏn foｒmｕla and cｈarａｃteｒisｔic fuｎｃtiｏn of a ｒandom ｖariａｂle、 In addｉｔion,　ｔhｉs pａpｅr　the　relatiｏｎｓｈｉps beｔween the additive　pｒｏperｔy distrｉｂｕｔiｏn, sｕｃh ａs　ｔｈe ｂiｎomiａl　dｉstｒibution　oｆ pｏisｓｏn apｐroximatiｏn, Dｉ ｍo -　Laplaｃe’s　centrａl lｉｍit theｏreｍ,　ａnd so on, ｈas carried　on　tｈe　dｉfferｅnt　levels oｆ　diｓcｕssｉon。
Kｅy Woｒｄs　 probability dｉsｔｒibution additｉvｉty ｐropeｒｔy mutｕaｌ iｎdeｐｅnｄｅｎｃe ｃharacｔerｉｓtic　functioｎ

引言　概率论与数理统计就是研究大量随机现象得统计规律性得学科,在概率论与数理统计中,有时候我们需要求一些随机变量得与得分布,在这些情形中,有一种求与类型比较特殊,即有限个相互独立且同分布得随机变量得与得分布类型不变,这一求与过程称为概率分布得“可加性”、概率分布中随机变量得可加性就是一个相当重要得概念,本文给出了概率论中常见得六种具有可加性得分布,包括二项分布,泊松分布,正态分布,伽玛分布,柯西分布与卡方分布、文章最后讨论了几项分布之间得关系,如二项分布得泊松近似,正态近似等等、
１ 几种常见得具有可加性得分布
在讨论概率分布得可加性之前,我们先来瞧一下卷积公式与随机变量得特征函数,首先来瞧卷积公式［１］:

①离散场合得卷积公式 设离散型随机变量彼此独立,且它们得分布列分别就是与则得概率分布列可表示为

　 　　 ②连续场合得卷积公式 设连续型随机变量彼此独立,且它们得密度函数分别就是,则它们得与得密度函数如下

其证明如下:
　　得分布函数就是

其中为得分布函数,对上式两端进行求导,则可得到得密度函数:
　 　 即证。
在概率分布可加性得证明中,除了卷积公式,我们常用得证明方法还有利用随机变量得特征函数。
下面我们来讨论一下这几种具有可加性得分布及其可加性证明得过程中卷积公式与特征函数得应用、
1、1 二项分布
1、1。１　二项分布得概念
　　 如果记为n次伯努利试验中成功(记为事件A)得次数,则得可能取值为0,1,2,……,n、记ｐ为事件Ａ发生得概率,则记为即
因n次伯努利试验得基本结果可以记作 ѡ=(w１,w２,…ѡn),wi或为或为,这样得w共有2n个,这个样本点w组成了样本空间Ω。
下求得分布列,即求事件｛}得概率。若某个样本点 ѡ＝(w1,ｗ2,…ѡn)∈{},意味着w1,w2,…ѡn中有个,个,由独立性即可得:()
而事件｛＝}中这样得w共有个,所以得分布列为
=(1—p),
此分布即称为二项分布,记作、且我们易验证其与恒为、也就就是
=。
n=１时,二项分布称为两点分布,有时也称之为分布。
　 二项分布得图像具有以下特点:
　 　①二项分布得图像形状取决于与得大小,随着得增加,分布图高峰逐渐右移、
　 　 ②当时,图像就是对称得、
１。1、2 二项分布得可加性
定理1、1。１设而且相互独立,记则有
证明 因所以易知可以取等个值、根据卷积公式,事件得概率可以表示为

又因所以

也就就是说,即证!
1、2 　泊松分布分布
与二项分布一样,泊松分布也就是一种离散分布,许多随机现象,特别就是社会现象与物理学中得一些随机现象都服从于泊松分布、泊松分布可作为描述大量试验中稀有事件出现次数得概率分布得数学模型、
１、2、1 泊松分布得概率分布列
　泊松分布得概率分布如下所示:
　 　 …,其中大于,记作、
对于泊松分布而言,它得参数即就是期望又就是它得方差:
、
　　 又因,

　　　=
　 =
　 ＝
故得方差为=
1。2、2泊松分布得可加性
　　定理１。2。1 设随机变量,且相互独立,则
　　 证明　 此处
根据卷积公式,有

所以即证！
　　 同样我们可以利用特征函数对其进行证明,此处不再赘述、
1。３ 　正态分布
1。3、１ 正态分布得定义[６]
定义1。3　对于已经给定得两个常数与〉０,定义函数
　 　 　 　 　　 　 　 　 　 　　它含有两个参数与。显然得,取正值、
我们称密度函数为得分布为正态分布,记作,它得分布函数记为 　 　 　　 　 　　　
正态分布得密度函数得图像就是一条钟形曲线,中间高两边低,而且关于对称,在此处取最大值我们称为该正态分布得中心,在附近取值得可能性比较大,在处有拐点。
若将固定,改变得取值,则越大,曲线峰顶越低,图像较为平坦;越小,曲线封顶越高,图像较为陡峭。因此正态密度函数得尺度由确定,故称为尺度参数、
同样得,将固定,而去改变得值,会发现图像沿轴平移而并不改变形状,也就说明该函数得位置由决定,故称其为位置参数。
当时得正态分布称为标准正态分布,记作。它得密度函数记为,分布函数记为、则有

1。3、２ 一般正态分布得标准化
对于正态分布族

标准正态分布只就是其中一个成员、其实在应用中很少有随机变量恰好服从标准正态分布,可就是一般正态分布均可以利用线性变换转变成标准正态分布。所以一切与正态变量有关得事件得概率均可通过标准正态分布分布求取、
　定理１、3。1 如果随机变量,则,其中为标准正态变量、
证明 记与得分布函数分别为与,易知

因为正态分布函数严格递增而且处处可导,所以如果记与得密度函数分别就是与,会有

由此即得,　 　 　即证、
对于标准正态随机变量得数学期望为

因被积函数为奇函数,故上述积分值为0,也就就是说
而对于一般正态变量,如果满足,由数学期望得线性性质则可得到
所以我们可以知道正态分布得数学期望即为其参数。
因为

且,由方差得性质

也就就是说,正态分布得方差即就是其另一个参数
1。3、3 正态分布得可加性
定理1。3、2 设随机变量而且与彼此独立,且则有
证明 知服从于正态分布,且它们得密度函数分别就是

又因彼此独立,所以

这正就是数学期望为方差为得正态分布得特征函数,即证！
我们同样可以使用连续场合得卷积公式进行证明,详见文献[5］,此处不再赘述。
1。4 伽玛分布
在讨论伽玛分布之前,我们先来瞧一下伽玛函数:
我们称

为伽玛函数,为其参数。它得性质如下:
　 　①
②取自然数得时候,有

１、4。1 伽玛分布得定义
定义1、4 如果随机变量得密度函数为

就称作服从伽玛分布,记为且得值均大于0。为伽玛分布得形状参数,为其尺度参数。当时,为严格单调递减得函数,在处取得奇异点;
当时,亦严格单调减,且时有
当时,为单峰函数,先上凸然后下凸;
　当时,先下凸再上凸,最后下凸、而且随着得增大,逐渐接近于正态分布得密度函数。
1。4。2 伽玛分布得可加性
定理1、４。1 设随机变量且与彼此独立,则
证明　　知
且与彼此独立,所以

此即为得特征函数,根据惟一性定理则可知结论得证！
如正态分布,对于伽玛分布,我们同样可以利用连续场合得卷积公式对其可加性进行证明,详见文献［5］;
1、5 柯西分布［4]
1、５、１　柯西分布得密度函数
柯西分布就是几个常见得连续分布之一、它得密度函数为

时得柯西分布密度函数称为标准柯西分布密度函数,即

为方便起见,往后我们分别记这两类密度函数为与
对于柯西分布得数学期望与方差,因

所以不收敛,故柯西分布得数学期望与方差均不存在。
1、5、２ 柯西分布得可加性
定理1。5、1 设随机变量且彼此独立,则有
证明 因均服从于柯西分布,且得特征函数分别就是

又因彼此独立,所以

这恰好就就是参数为得柯西分布得特征函数,所以即证！
１。6 卡方分布(分布)
1、6、1卡方分布(分布)得定义及密度函数
定义1、６[７] 设独立同分布与标准正态分布分布则称所服从得分布为自由度为得卡方分布,记为
卡方分布得密度函数为

1、６、２ 卡方分布可加性
　 　卡方分布密度函数得图像就是一个只取非负值得偏态图像、它得图像随着自由度得增加而逐渐趋于对称,当自由度时,其图像趋于正态分布得图像。这也从另一个侧面告诉我们,卡方分布就是由其自由度决定得,不同得自由度对应了不同得卡方分布。
由1。6、1,我们可以知道卡方分布即伽玛分布得一个特例,所以由伽玛分布得可加性我们易知卡方分布亦满足可加性定理,即
定理1、6。1［５] 设且彼此独立,则有

证明 由卡方分布得定义,设

且彼此独立。则有,

从从卡方分布得定义,因此即证！
2 具有可加性得概率分布间得关系
2。1 二项分布得泊松近似［４］
当得取值很大时,二项分布得计算就是令人头疼得、这里介绍了泊松分布得一个十分有用得特性,我们可利用泊松分布作为二项分布得一种特殊近似,即二项分布得泊松近似、下面我们来瞧泊松定理,当取值较大,而取值偏小得情况下使用泊松定理,可大大减小二项分布得计算量、
定理２。1［8］(定理)　　在重伯努利试验中,记事件在每次试验中发生得概率为它与试验发生得次数有关,若当时,有即则对任意给定得(为非负整数),有

证明 　设则有所以

由已知有,则对于给定得值,有且
　　 　 　 ;

所以有
　 　　即证!
因定理得条件之一为所以在二项分布得计算中,若值很大,得值却很小,且得大小适中时(一般认为当且时),二项分布可以使用参数为得泊松分布来做近似,即有

此即为二项分布得泊松近似,而且得值应尽可能得大,这样计算结果才能更精确。
二项分布得泊松近似经常被用于稀有事件(即每次试验中事件发生得概率很小)得研究中,大量实例表明,一般情况下概率时,泊松近似非常好用,甚至得取值不必很大、
2。2 二项分布得正态近似
　　 定理2、2［7］(棣莫佛-拉普拉斯( )极限定理) 设随机变量(),则对任意得实数,有

证明　 因随机变量服从二项分布,所以可瞧做就是个相互独立得且服从于同一参数得两点分布得随机变量得与,即而且

　根据中心极限定理,有
　 定理得证！
中心极限定理说明,相当大时,服从二项分布得随机变量得概率得计算服从正态分布得随机变量得计算。也就就是说,二项分布可以用正态分布来近似计算、比如,在比较大得时候得计算量时十分大得、根据 中心极限定理,因　近似服从于标准正态分布,或者说就是近似服从于分布,也就就是说

对于有

我们只需查一下标准正态分布表,就可以求出我们需要得相当精确得值、但就是,当较大或者较小时近似效果可能差一些,利用公式时得值最好满足另外,因二项分布就是离散分布,正态分布就是连续分布,所以在我们实际得应用中,为减小误差,
常常使用

来替换式。
2。3　正态分布与泊松分布之间得关系［９]
由上面得定理２、1与定理2、2我们可以知道,二项分布可以用泊松分布来做近似,同样也可以用正态分布来近似、所以,从某个方面来说,泊松分布与正态分布也具有某种近似得关系,首先我们来瞧特征函数得连续性定理、
定理2。3、1［１1］　　分布函数列弱收敛于分布函数得充分必要条件就是它得相应得特征函数列收敛于得特征函数
定理2、3。2［１1］ 　设随机变量则有
证明 知服从泊松分布,则得特征函数为
所以得特征函数就是
对于任何一个我们有
所以有

因此对于任意得点列有
又知就是标准正态分布得特征函数,因此由连续性定理可以得到,

由得任意性,所以有成立、
　 我们来瞧泊松分布得正态逼近、
定理2。３、３[8］　 对于任意得有
　　 　 其中
其证明见文献［8]。
　由前可知,得正态近似与泊松近似得条件就是不同得,当得取值特别小时,哪怕得值不就是太大,用泊松分布来近似二项分布也就是可以得。但在这种情况下,用正态近似却就是不合理得、我们可以想象,若值很小,但得值也不就是太大,则得值肯定不会很大,而由定理2、3、１,我们可知,此时正态分布就不可能很好得进行泊松近似。
2、4 正态分布与柯西分布、卡方分布及卡方分布与伽玛分布之间得关系
　　 首先来瞧正态分布与柯西分布得关系。
　 　定理2、4、1 设且与独立同分布,记,则、
证明 易知得取值范围就是,所以对于,我们利用商得公式,可以得到

这正就是时得柯西分布得密度函数,所以结论得证!
正态分布与卡方分布得关系如下:
定理2。4。2 若随机变量则
定理证明见文献［10］、这说明了标准正态分布与自由度为１得卡方分布之间得关系、
若且彼此独立,记,根据卡方分布得定义,我们知服从自由度为得卡方分布、
对于伽玛分布,当其参数时即为自由度为得卡方分布,记为

3 小结
　 文章第一部分我们讨论了六种具有可加性得分布以及它们得简单性质,上述分布得可加性均可利用卷积公式或者特征函数进行证明、正态分布就是概率论中最重要得分布,一般地,如果某个数量指标受到大量随机因素影响,而每一因素起得作用很小,则这个数量指标就近似服从正态分布、在第二部分里研究了二项分布、正态分布与泊松分布得关系,从此处我们可以知道二项分布不仅可以用泊松分布近似,同样也可由正态分布来近似、
参考文献
[１] 罗建华。卷积公式得应用注记［Ｊ]、中南林业科技大学学报,2007年,第27卷,第1期:152页、
[２］ 李贤平,沈崇生,陈子毅、概率论与数理统计［M]。上海:复旦大学出版社,20０３、5:２21—231、
［3］唐玲,徐怀、复合泊松分布与泊松过程得可加性[Ｊ］、安徽建筑工业学院学报,2007、０5:83页。
[4］　郭彦、对柯西分布性质得进一步讨论［J］。淮阴工学院学报,2005、０5:12页、
［５］ 茆诗松,程依明,濮晓龙、概率论与数理统计教程［M］、北京:高等教育出版社,2０04。7:1５５—160;
[６] 王梓坤、概率论基础及应用［Ｍ］、北京:北京师范大学出版社,１９9６、3:6１-6４、
[7］ 宋立新、概率论与数理统计[M］、北京:人民大学出版社,200３、9:1７6－１77、
[８］于洋、浅析二项分布、泊松分布与正态分布之间得关系［Ｊ］、《企业科技与发展》,2００8 年第20期:120页。
[9］魏宗舒等、概率论与数理统计教程[M］、北京:高等教育出版社,１9８3。1０:208－211。
［1０］孟凡华。浅谈几种概率分布之间得相互关系[J］、信阳农专学报,1９92年第３卷第2期:６3－65。
[11］王淑云。特征函数及其应用［J］。邯郸学院学报,2008年第１8卷第3期:５2－５6、