概率统计中的矩

在概率统计文献中经常会看到矩,因此本文总结了矩(moment)的基本概念和常用的计算公式。

参考:https://en.wikipedia.org/wiki/Moment_(mathematics)

1、矩的定义

        \mu _n = \int_{-\infty}^{\infty}(x-c)^nf(x)dx

上式是维基百科中矩的定义式,其中xc是实数,f(x)是一个连续的实函数,如果x来自一个概率分布,并且f(x)x的概率密度函数,那么就称上式计算的结果为概率分布的n阶矩。

2、矩的离散计算公式

实际中一般使用下面的离散形式,根据式中c取值不同,可以导出原点矩和中心矩的概念。

        \mu _n = E[(X-c)^n]

  • c=0时称为原点矩(raw moment)

        \mu _n = E[X^n]

  • c=E(X)称为中心矩(central moment)

        \mu _n = E[(X-E(X))^n]

另外标准矩(standardised moment,又称为normalised n-th central moment)的定义如下

        \frac{\mu _n}{\sigma^n} = \frac{E[(X-c)^n]}{\sigma^n}
其中\sigma=(E[(X-E(X))^2])^{\frac{1}{2}}

3、总结

  1. DSP中常用的RMS(均方根值)就是二阶原点矩的正平方根。
  2. 方差的正平方根又称标准差(standard deviation)。
矩阶数 原点矩 中心矩 标准矩
一阶

E(X)

一阶原点矩又称均值

一阶中心矩等于0  
二阶

E(X^2)

二阶原点矩又称均方值

E[(X-E(X))^2]

二阶中心矩又称方差

 
三阶    

\frac{E[(X-E(X))^3]}{\sigma^3}

三阶标准矩又称偏度(skewness)

四阶    

\frac{E[(X-E(X))^4]}{\sigma^4}

四阶标准矩又称峭度(kurtosis)

你可能感兴趣的:(Math)