数理统计

基础知识

• 贝叶斯和频率论解释的差异: Lindley's paradox

Moment-generating function

• 定义

$M_{X}(t):=\mathbb {E} \!\left[e^{tX}\right],\quad t\in \mathbb {R} ,$

• 特性：该函数可以找到 all the moments of the distribution.

$e^{t\,X}=1+t\,X+{\frac {t^{2}\,X^{2}}{2!}}+{\frac {t^{3}\,X^{3}}{3!}}+\cdots +{\frac {t^{n}\,X^{n}}{n!}}+\cdots .$

即有:

${\begin{aligned}M_{X}(t)=\mathbb {E} (e^{t\,X})&=1+t\,\mathbb {E} (X)+{\frac {t^{2}\,\mathbb {E} (X^{2})}{2!}}+{\frac {t^{3}\,\mathbb {E} (X^{3})}{3!}}+\cdots +{\frac {t^{n}\,\mathbb {E} (X^{n})}{n!}}+\cdots \\&=1+tm_{1}+{\frac {t^{2}m_{2}}{2!}}+{\frac {t^{3}m_{3}}{3!}}+\cdots +{\frac {t^{n}m_{n}}{n!}}+\cdots ,\end{aligned}}$

• The Pearson diagram

中位值,平均值.最可几值（median,mean,mode)

• 中位值对应的误差mean absolute error function

$mae(a)={\frac {1}{n-1}}\sum _{i=1}^{n}|x_{i}-a|,\quad a\in \mathbb {R}$

中位值的误差 π4n/(2n+1)*σ/sqrt(N),比平均值误差大 (假设高斯分布）

• 平均值对应的误差是 mean square error function

$mse(a)={\frac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-a)^{2},\quad a\in \mathbb {R}$

参考[1]

• 对称分布mean=median=mode
• mean-mode=3(mean-median)

方差，标准偏差，误差

样本方差（sample variance）

$s^{2}={\frac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-m)^{2}$

证明参考：[2]

• 样本方差的分布

${\dfrac {(n-1)S^{2}}{\sigma ^{2}}}={\dfrac {\sum _{i=1}^{n}(X_{i}-{\bar {X}})^{2}}{\sigma ^{2}}}\sim \chi ^{2}(n-1)$

证明参考[3] [4]

chi-square(n)分布的variance是2n，因此样本方差的误差为$\sigma ^{2}{\sqrt {\frac {2}{n-1}}}$

标准偏差（standard deviation）

$S={\sqrt {{\frac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-m)^{2}}}$

其无偏估计比较复杂，其误差近似为$\sigma /{\sqrt {2(n-1)}}$具体可参考

例子

• 两组数据混合之后的均值和弥散

数组 A (i=1,N1), 其均值为 M1，弥散为 S1,数组 B(i=1,N2),其均值为M2,弥散为S2,现将A，B混合组成数组C，求其均值M3和弥散S3

M3=(N1*M1+N2*M2)/(N1+N2)
(N1+N2)*S3^2=N1*S1^2+N2*S2^2+(N1^2+N2^2)/(N1+N2)^2*(M1-M2)^2

两个不等式

• 马尔科夫不等式：在知道样本期望和方差的情况下，对随机变量取值的概率约束
• 切比雪夫不等式：在只有样本数学期望的情况下，对随机变量的估值约束

分布函数

• Dirichlet distribution

被用来构建非参数的SFH，[arXiv.1901.02877]

多维的[beta分布 | https://en.wikipedia.org/wiki/Beta_distribution]，

极值统计

极值统计在天文中有较多应用：如观测到的高红移星系团，大的void的是否符合halo mass function的预言？ BCG的光度是否符合光度函数的极值分布？

• arxiv:1108.1358 给出了halo mass function的极值分布函数的近似，表明要用极值来区分非高斯性是有困难的。
• arxiv:1108.5458 ： 在拿观测和理论模型进行比较的时候，可以在两个极端之间 ，1观测样本是极限情况（least probable），2，随机情况。
• 在讨论观测样本的可能数目（比如一定体积限内大于多少质量的星系团的个数）之外，还可以进一步比较观测量（比如）的分布情况。

• 极值统计的两种近似(arXiv: 1201.3526)

• GEV (general extreme value): Gnedenko approach 比如一个空间内最大质量星系团不超过某个极值的概率
• The Pareto approach 这是一个条件概率，比如是在大于某个极限的星系团中，超过这个极限某个数值的概率。
• 这两个概率在极限情况下，就是比如星系团的极值都设得特别大的情况下都是1. 但是在非极限情况下不一致，条件概率比GEV更小一点。

Bayesian approach

• Hierarchical Bayesian Meta-Analysis [5] [6]

一种混合模型，可以结合不同的观测数据，这些数据甚至是不自洽的，有缺陷的。

专题

• copula

参考网站

• http://www.math.uah.edu/stat/
• https://onlinecourses.science.psu.edu/stat414/