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
小王2042 小时前
Day 41:模型注意力机制 — SE / CBAM / ECA
python·深度学习·机器学习
别动我齐刘海3 小时前
Linux 系统调试学习2
linux·运维·c++·人工智能·学习·机器学习·机器人
地理探险家3 小时前
从零实现图片自动分类:数据准备、模型训练与单图预测
人工智能·深度学习·机器学习·分类·数据挖掘·数据集
frankzch5 小时前
微软 137B 编码模型搬到 PC:端侧推理与 Agent 权限防线
人工智能·深度学习·microsoft·机器学习·语言模型
TomEval5 小时前
【测AI】第11篇:深度学习基础 —— 神经网络是怎么工作的
人工智能·python·深度学习·神经网络·机器学习·aigc
MoRanzhi12035 小时前
第 8 篇 · 机器学习建模与实验评估:建模流程与对照实验
python·机器学习·scikit-learn·模型评估·交叉验证·shap·消融实验
forest_097 小时前
Agent 系列07|记忆与状态设计
人工智能·机器学习·架构·prompt·agi
larance9 小时前
LDA(线性判别分析)
人工智能·机器学习·分类
硅谷秋水9 小时前
MobiAgent:面向长时程移动操作任务的双-环递归策略自我提升方法
人工智能·深度学习·机器学习·语言模型·机器人
硅谷秋水9 小时前
RegenHarness:一种具备“证据门控”递归自我改进能力的机器人智能体框架
人工智能·深度学习·机器学习·语言模型·机器人