泊松分布的参数可加性

文章目录

泊松分布的参数可加性

波松分布的参数可加性,若 X ∼ P ( λ 1 ) X \sim P(\lambda_1) X∼P(λ1) 。 Y ∼ P ( λ 2 ) Y \sim P(\lambda_2) Y∼P(λ2) 则, Z = X + Y , Z ∼ P ( λ 1 + λ 2 ) Z = X + Y, Z \sim P(\lambda_1 + \lambda_2) Z=X+Y,Z∼P(λ1+λ2)。对这个的等式进行证明;

1、泊松分布:

若随机变量,满足:
P ( X = k ) = e − λ λ k K ! , k = 0, 1, 2, ...且, λ > 0 P(X = k) = \frac{e^{-\lambda}\lambda^k}{K!}\text{, k = 0, 1, 2, ...} \text{且,}\lambda > 0 P(X=k)=K!e−λλk, k = 0, 1, 2, ...且,λ>0

称,X是服从参数为: λ \lambda λ 的泊松分布。

2、参数可加性的证明:

若, X ∼ λ = λ 1 X \sim \lambda = \lambda_1 X∼λ=λ1 的泊松分布, Y ∼ λ = λ 2 Y \sim \lambda = \lambda_2 Y∼λ=λ2 的泊松分布。且随机变量 Z = X + Y Z = X + Y Z=X+Y,则, Z ∼ λ = λ 1 + λ 2 Z \sim \lambda = \lambda_1 + \lambda_2 Z∼λ=λ1+λ2 的泊松分布。

证明:
F Z ( z ) = P { Z = z } = P { X + Y = z } = ∑ i = 0 z e − λ 1 λ 1 i i ! e − λ 2 λ 2 z − i ( z − i ) ! = 1 z ! ∑ i = 0 z z ! e − λ 1 λ 1 i i ! e − λ 2 λ 2 z − i ( z − i ) ! = e − ( λ 1 + λ 2 ) z ! C z i λ 1 i λ 2 z − i = e − ( λ 1 + λ 2 ) z ! ( λ 1 + λ 2 ) z = P ( λ 1 + λ 2 ) \begin{split} F_Z(z) &= P\{ Z = z \} = P\{ X + Y = z \}\\ &= \sum_{i=0}^{z}\frac{e^{-\lambda_1}\lambda_1^i}{i!}\frac{e^{-\lambda_2}\lambda_2^{z-i}}{(z-i)!}\\ &=\frac{1}{z!}\sum_{i=0}^{z}z!\frac{e^{-\lambda_1}\lambda_1^i}{i!}\frac{e^{-\lambda_2}\lambda_2^{z-i}}{(z-i)!}\\ &= \frac{e^{-(\lambda_1 + \lambda_2)}}{z!} C_z^i\lambda_1^i\lambda_2^{z-i} \\ &= \frac{e^{-(\lambda_1 + \lambda_2)}}{z!}(\lambda_1 + \lambda_2)^z\\ &= P(\lambda_1 + \lambda_2) \end{split} FZ(z)=P{Z=z}=P{X+Y=z}=i=0∑zi!e−λ1λ1i(z−i)!e−λ2λ2z−i=z!1i=0∑zz!i!e−λ1λ1i(z−i)!e−λ2λ2z−i=z!e−(λ1+λ2)Cziλ1iλ2z−i=z!e−(λ1+λ2)(λ1+λ2)z=P(λ1+λ2)

证明结束!

相关推荐
云和数据.ChenGuang5 小时前
魔搭社区 测试AI案例故障
人工智能·深度学习·机器学习·ai·mindstudio
Echo_NGC22379 小时前
【贝叶斯公式】从先验到后验的概率推演
人工智能·贝叶斯·概率论·扩散模型
blackicexs9 小时前
第九周第四天
人工智能·深度学习·机器学习
math_learning10 小时前
方法思路推广|EG:基于机器学习的岩石坠落危害下桥梁脆弱性量化
人工智能·机器学习
zh路西法11 小时前
【宇树机器人强化学习】(六):TensorBoard图表与手柄遥控go2测试
python·深度学习·机器学习·机器人
哥布林学者12 小时前
高光谱成像基础(完)光谱融合(Spectral Fusion)
机器学习·高光谱成像
高工智能汽车12 小时前
前沿之声 | 塑造自动驾驶体验的半导体技术
人工智能·机器学习·自动驾驶
YFJ_mily13 小时前
【杭州线下召开】2026年计算智能与机器学习国际学术会议(CIML 2026)
人工智能·机器学习
这张生成的图像能检测吗13 小时前
(论文速读)SFAFBR:一种自监督的人工特征偏置校正框架
人工智能·深度学习·神经网络·机器学习·故障诊断·自监督学习