zoukankan      html  css  js  c++  java
  • (转)如何理解统计中的特征函数?

    引入特征函数是非常自然的事情:
    • 在实际应用中,逐个测量事件空间中的各事件发生的概率(或者分布函数)是极端困难的,相反,对大多数分布而言,矩(平均值、方差以及各种高阶矩)往往是容易被测量的;
    • 在问题变得复杂之后,再来计算矩(例如均值、方差等等)的时候,如果我们知道分布函数,那么我们要做的是求和与积分,而如果我们知道特征函数,在计算矩的时候,我们要做的只是微分,而通常,求导会比直接积分更容易,而且可以针对各阶矩有更统一的形式。
    而因为考虑到这两个因素,再加上 Fourier 空间跟实空间可以一一对应起来,所以大家就更喜欢特征函数了。

    接下来,Laplace 变换行不行?当然也可以,这其实是一码事。统计物理学家很熟悉的「配分函数」也就是一个特征函数:Z = int _0^infty g(E) e^{-eta E}dE,它就对应于态密度 g(E) 的Laplace 变换。对物理学家而言,喜欢用逆温度(Laplace),或者喜欢用虚时间(Fourier)这其实是一码事的,如果在这种时候用虚时间来写,一个好处是显得高端大气,另一个好处是可以与路径积分联系起来,而且,Laplace 变换用的时候总得要写「正半轴」之类的东西,写起来太麻烦。

  • 相关阅读:
    【转】c#文件操作大全(一)
    Visual Assist安装、破解方法
    web socket多线程实时监听
    SFTP上传下载
    数据库分页代码
    JAVA H5微信分享
    Eclipse中activiti插件的安装
    HTTP请求报文和HTTP响应报文
    CodeVS 1013&1029
    Codeforces 805D/804B
  • 原文地址:https://www.cnblogs.com/voidobject/p/3975561.html
Copyright © 2011-2022 走看看