标签：infty xi eta int cdots le 随机变量
目录
定义 设 \(\xi(\omega)\) 是定义在概率空间 \(\{\Omega, F,P\}\) 上的单值实函数，且对于 \(\mathbb{R}\) 上的任一波雷尔集 \(B\) 有
\[\xi^{-1}(B) = \{\omega:\xi(\omega)\in B \}\in F \]则称 \(\xi(\omega)\) 为随机变量，而称 \(\{P(\xi(\omega)\in B) \}\) 为随机变量的概率分布.
定义 若随机变量 \(\xi_1(\omega),\xi_2(\omega),\cdots,\xi_n(\omega)\) 定义在同一概率空间 \((\Omega,F,P)\) 上，就称
\[\xi(\omega) = (\xi_1(\omega),\xi_2(\omega),\cdots,\xi_n(\omega)) \]为 \(n\) 维随机变量.
离散型分布
定义 离散型随机变量的分布列如下
\[\left[ \begin{matrix} x_1 & x_2 & \cdots & x_n\\ p(x_1) & p(x_2) & \cdots & p(x_n) \end{matrix} \right] \]随机变量在离散点处取得对应的概率.
定义 离散型二维联合分布列
\[P(\xi=x_i,\eta=y_j) = p_{ij},\quad i,j=1,2,\cdots \]记作 \(p(x_i,y_j),\quad i,j=1,2,\cdots\) .
定义 边际分布是固定其中一个分量，取另一个分量的分布的和
\[P(\xi=x_i) = \sum_{j=1}^{+\infty}P(\xi=x_i,\eta=y_j) = \sum_{j=1}^{+\infty}p_{ij} = p_i\\ P(\eta=y_j) = \sum_{i=1}^{+\infty}P(\xi=x_i,\eta=y_j) = \sum_{i=1}^{+\infty}p_{ij} = p_j \]定义 离散随机向量分布函数是在一个矩形区域中的概率
\[F(x_1,\cdots,x_n) = P(\xi_1\le x_1,\cdots,\xi_n\le x_n) \]
它是左下角的区域中的概率总和.
连续型分布
定义 分布函数具有形式
\[F(x) = P(\xi\le x),\quad -\infty<x<+\infty \]它是随机变量 \(\xi(\omega)\) 的分布函数.
定义 连续随机变量 \(\xi\) 应当可以取得一个区间中的一切值，并且存在某个非负的可积函数 \(p(x)\) ，使得分布函数满足
\[F(x) = \int_{-\infty}^x p(y)dy,\quad -\infty<x<+\infty \]则称 \(p(x)\) 为 \(\xi\) 的密度函数.
定义 联合密度函数为 \(p(x_1,\cdots,x_n)\) ，则分布函数为
\[F(x_1,\cdots,x_n) = \int_{-\infty}^{x_1}\cdots\int_{-\infty}^{x_n}p(y_1,\cdots,y_n)dy_1\cdots dy_n \]它也表示一个矩形区域中的概率总和.
定义 二维边际分布定义为
\[F_{\xi}(x) = F(x,\infty) = \int_{-\infty}^{x}\int_{-\infty}^{+\infty}p(u,v)dudv = \int_{-\infty}^{x}p_{\xi}(u)du \]其中被积函数称为边际密度
\[p_{\xi}(u) = \int_{-\infty}^{+\infty}p(u,v)dv,\quad p_{\eta}(u) = \int_{-\infty}^{+\infty}p(u,v)du \]对密度函数的其中一个变量作积分得到边际密度.
随机变量独立性
定义 离散型随机向量
\[P(\xi=x_i,\eta=y_j) = P(\xi=x_i)P(\eta=y_j),\quad i,j=1,2,\cdots \]则称 \(\xi,\ \eta\) 相互独立；可以发现
\[F(x,y) = P(\xi\le x,\eta\le y) = P(\xi\le x)P(\eta\le y) = F_{\xi}(x)F_{\eta}(y) \]也就是说，概率的相互独立意味着分布相互独立，只需
\[P(\xi=i,\eta=j) = P(\xi=i)P(\eta=j) \]即可证明离散联合分布列 \((\xi,\eta)\) 中 \(\xi,\eta\) 独立.
定义 连续型随机向量
\[F(x,y) = F_{\xi}(x)F_{\eta}(y) \]则称 \(\xi,\ \eta\) 相互独立；类似的有 \(p(x,y) = p_{\xi}(x)p_{\eta}(y)\) 当且仅当 \(\xi,\eta\) 相互独立.
离散型条件分布
定义 若 \(P(\xi=x_i)>0\) ，则
\[P(\eta=y_j|\xi=x_i) = \dfrac{P(\xi=x_i,\eta=y_j)}{P(\xi=x_i)} = \dfrac{p_{ij}}{p_i},\quad i,j=1,2,\cdots \]称为在 \(\xi=x_i\) 下 \(\eta\) 的条件分布，记为 \(P_{\eta|\xi}(y_j|x_i)\) .
定义 条件分布函数为
\[P(\eta\le y|\xi=x_i) = \sum_{y_j\le y}P(\eta=y_j|\xi=x_i) \]容易证明 \(P(\eta=y_j|\xi=x_i) = P(\eta=y_j)\) 当且仅当 \(\xi,\eta\) 相互独立.
连续型条件分布
定义 若在 \(x\) 处边际密度
\[p_{\xi}(x) = \int_{-\infty}^{+\infty}p(u,v)dv > 0 \]则称
\[P(\eta\le y|\xi=x) = \int_{-\infty}^y\dfrac{p(x,v)}{p_{\xi}(x)}dv \]为在 \(\xi=x\) 下 \(\eta\) 的条件分布，记为 \(P_{\eta|\xi}(y|x)\) .
于是我们得到连续分布下的贝叶斯公式
\[P_{\eta|\xi}(y|x) = \dfrac{P_{\xi|\eta}(x|y)p_{\eta}(y)}{\int_{-\infty}^{+\infty}P_{\xi|\eta}(x|v)p_{\eta}(v)dv} \]上面是 \(x,y\) 同时发生的概率，下面是 \(x\) 发生的概率.
注意到当 \(x\) 发生时 \(A\) 发生的概率可以看作是一个关于 \(x\) 的函数，我们考虑
\[g(x) = P(A|X=x) \]从而有全概率公式
\[P(A) = \int_{-\infty}^{+\infty}g(x)p_X(x)dx \]它表示的是 \(A\) 发生的概率是每一个 \(x\) 发生时 \(A\) 发生的概率的总和.
卷积公式
离散分布 \(\zeta = \xi + \eta\) 的分布列为
\[P(\zeta=r) = \sum_{k=0}^rP(\xi=k)P(\eta=r-k) \]根据定义很容易验证.
连续型分布 \(\eta = f(\xi)\) 的分布函数为
\[G(y) = P(\eta \le y) = P(f(\xi)\le y) = \int_{x\in D}p(x)dx,\quad D=\{x|f(x)\le y\} \]
限制 \(f(x)\) 严格单调， \(f^{-1}(y)\) 有连续导数，则 \(\eta = f(\xi)\) 是连续型随机变量，有密度函数
\[g(y) = \left\{ \begin{aligned} &p(f^{-1}(y))\left|\left[f^{-1}(y)\right]^{\prime}\right|,\quad &y\in f(x)\\ &0,\quad &\mathrm{otherwise} \end{aligned} \right. \]\(Proof.\) 只需利用定义
\[\int_{-\infty}^{y}g(v)dv = G(y) = P(f(\xi)\le y) = P(\xi\le f^{-1}(y)) = \int_{-\infty}^{f^{-1}(y)}p(x)dx = \int_{-\infty}^{x}p(f^{-1}(y))\left|\left[f^{-1}(y)\right]^{\prime}\right|dy \]当 \(y\notin f(x)\) ，显然有密度为 \(0\) .
令 \(\eta = f(\xi_1,\cdots,\xi_n)\) ，则有分布函数
\[F_{\eta}(y) = P(f(\xi_1,\cdots,\xi_n)\le y) = \int_{f(x_1,\cdots,x_n)\le y}p(x_1,\cdots,x_n)dx_1\cdots dx_n \]这是计算所有此类分布函数的通用方式.
通过上述公式，使用类似的方法，我们计算出以下几种常见情况：
- 若 \(\eta = \xi_1+\xi_2\) ，则有密度函数
当 \(\xi_1,\xi_2\) 相互独立，则有
\[p_{\eta}(z) = \int_{-\infty}^{+\infty}p_{\xi_1}(x)p_{\xi_2}(z-x)dx \]对于 \(\eta = \xi_1-\xi_2\) ，只需将其中的符号反转
\[p_{\eta}(z) = \int_{-\infty}^{+\infty}p(x,x-z)dx \]- 若 \(\eta = \frac{\xi_1}{\xi_2}\) ，则有密度函数
如果计算 \(\eta = \xi_1\xi_2\) ，先计算 \(1/\xi_2\) ，这只需要取密度函数的倒数，然后应用上式.
次序统计量
设 \(\xi_1,\cdots,\xi_n\) 独立同分布，分布函数为 \(F(x)\) ，定义
\[\xi_1^{*} = \min\{\xi_1,\cdots,\xi_n\},\quad \xi_n^{*} = \max\{\xi_1,\cdots,\xi_n\} \]这里 \(\min\) 是对每一个给定的事件 \(A\) ，取 \(\xi_i^*(A) = \min\{\xi_1(A),\cdots,\xi_n(A) \}\) ，而 \(\max\) 也是类似的；则我们有 \(\xi_n^*\) 的分布函数为
\[\begin{aligned} P(\xi_n^*\le x) &= P(\xi_1\le x,\cdots,\xi_n\le x)\\ &= P(\xi_1\le x)\cdots P(\xi_n\le x)\\ &= [F(x)]^n \end{aligned} \]\(\xi_1^*\) 的分布函数为
\[\begin{aligned} P(\xi_1^*\le x) &= 1-P(\xi_1^*> x)\\ &= 1- P(\xi_1> x,\cdots,\xi_n> x)\\ &= 1- P(\xi_1> x)\cdots P(\xi_n> x)\\ &= 1-[1-F(x)]^n \end{aligned} \]\((\xi_1^*,\xi_n^*)\) 的联合分布为
\[\begin{aligned} F(x,y) &= P(\xi_1^*\le x,\xi_n^*\le y)\\ &= P(\xi_n^*\le y) - P(\xi_1^*> x,\xi_n^*\le y)\\ &= [F(y)]^n - P\left(\cap_{i=1}^n(x<\xi_i\le y)\right) \end{aligned} \]- 当 \(x<y\) ， \(F(x,y) = [F(x)]^n - [F(y)-F(x)]^n\) ；
- 当 \(x\le y\) ， \(F(x,y) = [F(y)]^n\) .
随机向量变换
对 \(f_j(x_1,\cdots,x_n),\ j=1,\cdots,n\) ，若有唯一反函数组 \(x_i=x_i(y_1,\cdots,y_n),\ i=1,\cdots,n\) ，且
\[J = \dfrac{\partial(x_1,\cdots,x_n)}{\partial(y_1,\cdots,y_n)} \neq 0 \]则 \((\eta_1,\cdots,\eta_n) = (f_1,\cdots,f_n)\) 为随机向量，当 \((y_1,\cdots,y_n)\in(f_1,\cdots,f_n)\) ，有密度函数
\[q(y_1,\cdots,y_n) = p(x_1(y_1,\cdots,y_n),\cdots,x_n(y_1,\cdots,y_n))|J| \]这也就是将随机向量 \((\xi_1,\cdots,\xi_n)\) 变换为 \((\eta_1,\cdots,\eta_n)\) 后的密度函数.
如果有 \(k\) 个反函数组 \(x_i^j=x_i^j(y_1,\cdots,y_n),\ i=1,\cdots,n,\ j=1,\cdots,k\) ，即可能存在多个反函数，且有
\[J^j = \dfrac{\partial(x_1^j,\cdots,x_n^j)}{\partial(y_1,\cdots,y_n)} \neq 0 \]那么密度函数是它们的直接相加
\[q(y_1,\cdots,y_n) = \sum_{j=1}^{k}p(x_1^j(y_1,\cdots,y_n),\cdots,x_n^j(y_1,\cdots,y_n))|J^j| \]需要注意反函数的定义域，在定义域外， \(q(y_1,\cdots,y_n) = 0\) .
标签：infty,xi,eta,int,cdots,le,随机变量 来源： https://www.cnblogs.com/Bluemultipl/p/15949676.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。