特征函数-清华大学.PPT

粒子物理与核物理实验中的数据分析 杨振伟 清华大学 第十二讲：特征函数 * 本讲要点 特征函数的定义 特征函数的性质 常用概率密度函数的特征函数 特征函数的应用 中心极限定理 利用特征函数求估计量的p.d.f. * 特征函数的定义 特征函数的本质是什么？ 设随机变量 x 的概率密度函数为 f(x)，则 特征函数 定义为 的期望值，即 特征函数的本质是 概率密度函数 f(x) 的傅里叶变换。 任意概率密度函数都存在特征函数。 * 特征函数与概率密度函数的关系 特征函数则与概率密度函数一一对应。 概率密度由特征函数的反傅里叶变换唯一确定 已知概率密度函数f(x) ，我们往往关心其特征值(比如均值、方差)。 特征值提供了概率密度函数最重要的信息，但不能完全确定概率密度函数的所有性质。 也就是说，概率密度函数 f(x) 与其特征函数 是等价的。 * 为什么引入特征函数 问题：既然概率密度函数与特征函数一一对应，给出任意一个都可以完全确定概率密度函数的所有性质，为什么还需要引入特征函数？ 很多问题直接用概率密度函数不易处理，但用特征函数处理则非常方便。比如， 1）求独立随机变量之和的分布的卷积变为乘法运算； 2）求n阶代数矩变为求n阶微分 ...... * 特征函数的性质(1) * 特征函数的性质(2) 可以推广到n个独立随机变量之和 利用反傅立叶变换可求出z的概率密度函数 * 特征函数的性质(3) 利用特征函数可以方便地求出各阶代数矩。 * 常用概率密度函数的特征函数 柯西分布在k=0处不可导，即各阶矩都不存在。 * 特征函数的应用(1) 问题：既然概率密度函数与特征函数一一对应，给出任意一个都可以完全确定概率密度函数的所有性质，为什么还需要引入特征函数？ 很多问题直接用概率密度函数不易处理，但用特征函数处理则非常方便。比如， 1）求独立随机变量之和的分布的卷积变为乘法运算； 2）求n阶代数矩变为求n阶微分 ...... * 特征函数的应用(2) 求均值和方差（以高斯分布为例） 类似地，可以很容易求各阶中心矩 特征函数为 * 特征函数的应用(3) 取极限 为常数 求p.d.f.的极限行为（以二项分布为例） 即二项分布在试验次数很大并且均值保持不变时，趋向于泊松分布 同样可以证明ν很大时，泊松分布趋向于高斯分布。 特征函数为 * 特征函数的应用(4) 则z=x+y的特征函数 求独立随机变量之和的p.d.f. 两个独立的高斯随机变量x和y， 均值为 ，方差为 这正是均值 ，方差 的高斯分布的特征函数。 同样可证泊松变量之和仍服从泊松分布。 * 特征函数的应用(5) * 中心极限定理(1) 定理：假设有n个独立随机变量xj，均值与方差分别为 。在大n极限下， 为高斯随机变量，均值和方差分别为 和 。 * 中心极限定理(2) n有限时，中心极限定理成立的条件与程度： 大致说来，只要z的求和中，每个xj的贡献都很小即可。即 z由大量微小贡献组合而成。 例如，很多地方经常用12个(0,1]均匀分布的随机变量之和近似高斯分布。 如果某个或某几个xj的贡献非常大，则求和的的结果将明显偏离高斯分布。 为什么取n=12？ * 求估计量的p.d.f.(1) 以指数分布为例 ： 参数 的最大似然估计量为 其分布可以用特征函数法求得。 这是伽马分布，n很大时趋于高斯分布。 * 求估计量的p.d.f.(2) 要求寿命 的平均值，可以 也可以用刚才的p.d.f进行积分： 有意思的是 的最大似然估计量 如何求其期待值？ * 用该p.d.f求解期待值： 求估计量的p.d.f.(3) 可以看出 不是无偏估计量。 可以先求 的分布函数： * 对于给定 以及观测值 , 通过 求估计量期待值的置信区间 求得置信区间[a, b]。 利用特征函数方法求出估计量(如 )的p.d.f.,有了估计量的p.d.f.(如 ), 很多问题都可以方便地处理，比如置信区间。 * 小结 特征函数的定义 特征函数的性质 常用概率密度函数的特征函数 特征函数的应用 中心极限定理 利用特征函数寻找估算子的p.d.f.