【Derivation】正态分布特征函数证明-X~N(a,sigma^2)
2016-10-16 20:19
253 查看
求证:φ(u)=ejau−12u2σ2 ,t∈R
证:
φ(u)=∫+∞−∞ejuxf(x)dx =∫+∞−∞ejux12πσ2−−−−√e−(x−a)22σ2dx
整理,得:
φ(u)=12πσ2−−−−√∫+∞−∞ejuxe−(x−a)22σ2dx
beacuse |jxejuxe−(x−a)22σ2|≤|x|ejuxe−(x−a)22σ2 and 12π√|x|ejuxe−(x−a)22σ2<+∞ , so可以对φ(u)求u的一阶导数,
有: φ′(u)=12πσ2−−−−√∫+∞−∞jx ejuxe−(x−a)22σ2dx
综合可推:
j(u−jaσ2)φ(u)+jφ′(u)σ2= 12πσ2−−−−√∫+∞−∞(ju−x−aσ2) ejuxe−(x−a)22σ2dx=12πσ2−−−−√∫+∞−∞(ju−x−aσ2) ejux−(x−a)22σ2dx =12πσ2−−−−√∫+∞−∞1dejux−(x−a)22σ2=12πσ2−−−−√[ejux−(x−a)22σ2]|+∞−∞=0
即得微分方程
uφ(u)−jaσ2φ(u)+φ′(u)σ2=
(uσ2−ja)φ(u)+φ′(u)=0
即得微分方程
++++分水岭,从后往前推+++++++
φ(u)+φ′(u)uσ2−ja
=uφ(u)+φ′(u)σ2−jau=0
求解:
φ′(u)φ(u)=−uσ2+ja
解得:lnφ(u)=−12u2D(x)+jau+C
进一步化简:
φ(u)=eCe−12u2D(x)+jau
令u=0,eC=φ(0)=E[E(j0X)]=E[e0]=1,故C=0;
代入通解为:
φ(u)=ejau−12u2D(x)
由以上推导,正态分布特征函数表达式 得证
证:
φ(u)=∫+∞−∞ejuxf(x)dx =∫+∞−∞ejux12πσ2−−−−√e−(x−a)22σ2dx
整理,得:
φ(u)=12πσ2−−−−√∫+∞−∞ejuxe−(x−a)22σ2dx
beacuse |jxejuxe−(x−a)22σ2|≤|x|ejuxe−(x−a)22σ2 and 12π√|x|ejuxe−(x−a)22σ2<+∞ , so可以对φ(u)求u的一阶导数,
有: φ′(u)=12πσ2−−−−√∫+∞−∞jx ejuxe−(x−a)22σ2dx
综合可推:
j(u−jaσ2)φ(u)+jφ′(u)σ2= 12πσ2−−−−√∫+∞−∞(ju−x−aσ2) ejuxe−(x−a)22σ2dx=12πσ2−−−−√∫+∞−∞(ju−x−aσ2) ejux−(x−a)22σ2dx =12πσ2−−−−√∫+∞−∞1dejux−(x−a)22σ2=12πσ2−−−−√[ejux−(x−a)22σ2]|+∞−∞=0
即得微分方程
uφ(u)−jaσ2φ(u)+φ′(u)σ2=
(uσ2−ja)φ(u)+φ′(u)=0
即得微分方程
++++分水岭,从后往前推+++++++
φ(u)+φ′(u)uσ2−ja
=uφ(u)+φ′(u)σ2−jau=0
求解:
φ′(u)φ(u)=−uσ2+ja
解得:lnφ(u)=−12u2D(x)+jau+C
进一步化简:
φ(u)=eCe−12u2D(x)+jau
令u=0,eC=φ(0)=E[E(j0X)]=E[e0]=1,故C=0;
代入通解为:
φ(u)=ejau−12u2D(x)
由以上推导,正态分布特征函数表达式 得证
相关文章推荐
- 【Derivation】MarkDown Letex编码 之 正态分布特征函数证明
- INTEL MKL中的矩阵特征值和特征向量函数的调用和测试
- 加速SQL查询的特征函数法[转载]
- 正态分布累积函数及其反函数 C/C++
- 找工作笔试面试那些事儿(4)---C++函数高级特征
- 正态分布函数实现
- 5) 函数特征functionTraits [原创,泛型编程,自由下载转载,需注明出处]
- Matlab中产生正态分布随机数的函数normrnd
- 利用二次导数对函数凹凸性的证明
- 学习OpenCV——BOW特征提取函数(特征点篇)
- 使用派生类对象通过成员函数指针调用基类虚函数之不可能性的证明
- matlab函数randn:产生正态分布的随机数或矩阵的函数
- 数组名和函数名的一个特征
- opencv学习笔记:特征点匹配函数使用注意
- 在静态库LIB/OBJ文件中搜索定位病毒特征码所属函数,C/C++源码
- 能否对开源软件的特征进行证明--一个长期的疑问
- 精华推荐:加速SQL查询的特征函数法
- PHP5面向对像新特征:__autoload()函数自动加载类
- 关于多元正态分布的条件分布的证明
- C++函数高级特征