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
伯奥克客服1 小时前
2026年视频矩阵厂家技术评估:从EDID到控制协议开放度的六维筛选法
线性代数·矩阵·音视频
ZZHow10243 小时前
神经网络与深度学习笔记_Day1
人工智能·pytorch·笔记·python·深度学习·神经网络·机器学习
在所不辞兄3 小时前
【人工智能驱动的电催化研究-01】人工智能是什么?AI、机器学习、深度学习和神经网络之间有什么区别?
人工智能·深度学习·神经网络·机器学习·有限元仿真·电化学·电催化
罗西的思考14 小时前
【轻量化复刻大模型 / KIMI K3】KDA(Kimi Delta Attention):并行
人工智能·算法·机器学习
方方洛18 小时前
ray教程-23-附录C-术语表
人工智能·分布式·机器学习
程序猿编码20 小时前
解决 LLM 算力浪费,一套统一 KV 管理层实现缓存复用
人工智能·神经网络·机器学习·缓存·llm·大模型推理
Blockbuater_drug21 小时前
《经典机器学习实战》第 1 课:导论——是什么、简史、负责任 AI 与标准流程
机器学习·scikit-learn·监督学习·数据清洗·过拟合·训练集测试集·公平性
释厄6231 天前
三角基底律——矩阵3x6 是所有三角形的基底·3D中高就是边
线性代数·3d·矩阵
武天旭1 天前
AI安全--AI大模型的关键技术组成
人工智能·深度学习·安全·机器学习
程序猿编码1 天前
RK3588 NPU LLM 推理引擎:自研底层算子,性能碾压原厂 SDK
机器学习·llm·rk3588·大模型推理