UA MATH564 概率论II 连续型随机变量1
UA MATH564 概率论II 连续型随机变量1
- 随机变量的变换
- 一元随机变量的变换
- 多元随机变量的变换
- 均匀分布与Pareto分布
- 离散的均匀分布
- 连续的均匀分布
- Zeta分布
- Pareto分布
随机变量的变换
一元随机变量的变换
假设XXX为分布函数为FXF_XFX的一元随机变量,X∈DXX \in \mathbb{D}_XX∈DX,随机变量Y=g(X)Y=g(X)Y=g(X),ggg为有界连续函数,则
FY(y)=P(Y≤y)=P(g(X)≤y)=P(X∈g−1(Y≤y))F_Y(y) = P(Y \le y) = P(g(X) \le y) = P(X \in g^{-1}(Y \le y)) FY(y)=P(Y≤y)=P(g(X)≤y)=P(X∈g−1(Y≤y))
当ggg不是单调函数时需要按这个一般性的方法计算。假设ggg为单调递增的函数,定义h=g−1h=g^{-1}h=g−1,
FY(y)=P(X≤h(y))=FX(h(y))fY(y)=fX(h(y))h′(y)F_Y(y) = P(X \le h(y)) = F_X(h(y)) \\ f_Y(y) = f_X(h(y))h^{'}(y) FY(y)=P(X≤h(y))=FX(h(y))fY(y)=fX(h(y))h′(y)
假设ggg为单调递减的函数,则
FY(y)=P(X>h(y))=1−FX(h(y))fY(y)=−fX(h(y))h′(y)F_Y(y) = P(X > h(y)) = 1- F_X(h(y)) \\ f_Y(y) = -f_X(h(y))h^{'}(y) FY(y)=P(X>h(y))=1−FX(h(y))fY(y)=−fX(h(y))h′(y)
综合这两个结果,当ggg单调时
fY(y)=fX(h(y))∣h′(y)∣f_Y(y) = f_X(h(y))|h^{'}(y)| fY(y)=fX(h(y))∣h′(y)∣
多元随机变量的变换
假设XXX为分布函数为FXF_XFX的多元随机变量,X∈DXX \in \mathbb{D}_XX∈DX,随机变量Y=g(X)Y=g(X)Y=g(X),Y∈DYY \in \mathbb{D}_YY∈DY,ggg为有界连续函数,且Jacobi行列式Jg≠0Jg \ne 0Jg=0,定义h=g−1h=g^{-1}h=g−1,根据FXF_XFX的归一化条件
∫DXfX(x)dx=1\int_{\mathbb{D}_X} f_X(x) dx = 1 ∫DXfX(x)dx=1
根据积分换元公式,等式左边等于
∫DYfX(h(y))∣dxdy∣dy=∫DYfX(h(y))∣Jh(y)∣dy=1=∫DYfY(y)dy\int_{\mathbb{D}_Y} f_X(h(y)) |\frac{dx}{dy}|dy = \int_{\mathbb{D}_Y} f_X(h(y)) |Jh(y)|dy =1= \int_{\mathbb{D}_Y} f_Y(y) dy ∫DYfX(h(y))∣dydx∣dy=∫DYfX(h(y))∣Jh(y)∣dy=1=∫DYfY(y)dy
因此
fY(y)=fX(h(y))∣Jh(y)∣f_Y(y) = f_X(h(y)) |Jh(y)| fY(y)=fX(h(y))∣Jh(y)∣
均匀分布与Pareto分布
离散的均匀分布
古典概型中,基本事件数量有限,且发生的可能性是均等的。这个假设可以用离散的均匀分布来描述。假设样本空间为Ω={w1,w2,...,wN}\Omega=\{w_1,w_2,...,w_N\}Ω={w1,w2,...,wN},随机变量X:wj→jX:w_j \to jX:wj→j的取值为j∈{1,2,...,N}j \in \{1,2,...,N\}j∈{1,2,...,N},则X的分布列(mass function)为
fX(j)=P(X=j)=1Nf_X(j)=P(X=j)=\frac{1}{N} fX(j)=P(X=j)=N1
X的概率生成函数(Probability Generating Function,PGF)为
ρX(z)=E(zX)=∑j=1NzjfX(j)=1N∑j=1Nzj=z−zN(1−z)N=1N∑i=kN−1zi\rho_X(z) = E(z^X)=\sum_{j=1}^{N} z^j f_X(j) = \frac{1}{N}\sum_{j=1}^{N} z^j =\frac{z-z^N}{(1-z)N} = \frac{1}{N} \sum_{i=k}^{N-1} z^i ρX(z)=E(zX)=j=1∑NzjfX(j)=N1j=1∑Nzj=(1−z)Nz−zN=N1i=k∑N−1zi
X的均值和方差为
EX=1N∑j=1Nj=N+12VarX=1N∑j=1Nj2−(N+12)2=(N−1)(N+1)12EX = \frac{1}{N}\sum_{j=1}^{N} j = \frac{N+1}{2} \\ VarX=\frac{1}{N}\sum_{j=1}^{N} j^2-(\frac{N+1}{2})^2 = \frac{(N-1)(N+1)}{12} EX=N1j=1∑Nj=2N+1VarX=N1j=1∑Nj2−(2N+1)2=12(N−1)(N+1)
根据PGF的性质
E(X)k=1N∑j=1N(j)k=ρX(k)(1)E(X)_k = \frac{1}{N}\sum_{j=1}^{N} (j)_k = \rho_X^{(k)}(1) E(X)k=N1j=1∑N(j)k=ρX(k)(1)
其中记号(j)k(j)_k(j)k代表排列数AjkA_j^kAjk。对数列ana_nan引入(向前)差分运算
Δ+an=an+1−an\Delta_{+} a_n = a_{n+1} - a_n Δ+an=an+1−an
则(向前)差分的前N项和为
∑n=1NΔ+an=∑n=1N(an+1−an)=aN+1−a1\sum_{n=1}^{N} \Delta_{+} a_n = \sum_{n=1}^{N} (a_{n+1} - a_n) = a_{N+1} - a_1 n=1∑NΔ+an=n=1∑N(an+1−an)=aN+1−a1
考虑记号(i)k(i)_k(i)k关于iii的(向前)差分
Δ+(i)k=(i+1)k−(i)k=(i+1)(i)(k−1)−(i)(k−1)(i−k+1)=k(i)k−1\Delta_{+} (i)_k = (i+1)_k - (i)_k = (i+1)(i)_{(k-1)} - (i)_{(k-1)} (i-k+1) = k(i)_{k-1} Δ+(i)k=(i+1)k−(i)k=(i+1)(i)(k−1)−(i)(k−1)(i−k+1)=k(i)k−1
现在对(j)k(j)_k(j)k的前N项和进一步化简
∑j=1N(j)k=k!+∑j=k+1N1k+1Δ+(j)(k+1)=k!+(N+1)k+1−(k+1)!k+1=(N+1)k+1k+1\sum_{j=1}^{N} (j)_k = k!+\sum_{j=k+1}^{N} \frac{1}{k+1} \Delta_{+} (j)_{(k+1)} = k! + \frac{(N+1)_{k+1} - (k+1)!}{k+1} = \frac{(N+1)_{k+1}}{k+1} j=1∑N(j)k=k!+j=k+1∑Nk+11Δ+(j)(k+1)=k!+k+1(N+1)k+1−(k+1)!=k+1(N+1)k+1
所以
E(X)k=ρX(k)(1)=(N+1)k+1N(k+1)E(X)_k = \rho_X^{(k)}(1) = \frac{(N+1)_{k+1}}{N(k+1)} E(X)k=ρX(k)(1)=N(k+1)(N+1)k+1
连续的均匀分布
连续的均匀分布脱胎于几何概型的基本假设。假设样本空间Ω⊂Rn\Omega \subset R^nΩ⊂Rn, ∣Ω∣|\Omega|∣Ω∣是Ω\OmegaΩ的Lebesgue测度,则∀x∈Ω\forall x \in \Omega∀x∈Ω,点xxx被取到的概率相同,从而密度(density)函数为
fX(x)=I(x∈Ω)∣Ω∣f_X(x) = \frac{I(x \in \Omega)}{|\Omega|} fX(x)=∣Ω∣I(x∈Ω)
假设Ω⊂R\Omega \subset RΩ⊂R,则Ω\OmegaΩ可以由一列几乎不相交的闭区间表示
Ω=⋃j=1J[aj,bj]∣Ω∣=∑j=1J(bj−aj)\Omega = \bigcup_{j=1}^{J} [a_j,b_j] \\ |\Omega| = \sum_{j=1}^{J} (b_j-a_j) Ω=j=1⋃J[aj,bj]∣Ω∣=j=1∑J(bj−aj)
假设Ω⊂R2\Omega \subset R^2Ω⊂R2,则Ω\OmegaΩ可以由一列几乎不相交的闭矩形表示
Ω=⋃j=1JRj∣Ω∣=∑j=1J∣Rj∣\Omega = \bigcup_{j=1}^{J} R_j \\ |\Omega| = \sum_{j=1}^{J} |R_j| Ω=j=1⋃JRj∣Ω∣=j=1∑J∣Rj∣
例如,一元连续均匀分布U[a,b]U[a,b]U[a,b]的密度为
fX(x)=1b−a,x∈[a,b]f_X(x) = \frac{1}{b-a},x \in [a,b] fX(x)=b−a1,x∈[a,b]
矩生成函数(Moment Generating Function,MGF)为
MX(t)=E(etX)=∫abetxb−adx=(eb−ea)et(b−a)tM_X(t) = E(e^{tX}) = \int_{a}^{b} \frac{e^{tx}}{b-a} dx = \frac{(e^{b}-e^{a})e^t}{(b-a)t} \\ MX(t)=E(etX)=∫abb−aetxdx=(b−a)t(eb−ea)et
Zeta分布
假设X为离散均匀分布,Y=g(X)=XsY=g(X)=X^sY=g(X)=Xs,则
fY(y)∝y−sf_Y(y) \propto y^{-s} fY(y)∝y−s
不妨假设fY(y)=Cy−sf_Y(y)=Cy^{-s}fY(y)=Cy−s,
∑y=1∞Cy−s=C∑y=1∞y−s=Cζ(s)=1C=1ζ(s)\sum_{y=1}^{\infty} Cy^{-s}= C \sum_{y=1}^{\infty} y^{-s} = C \zeta(s)=1 \\ C = \frac{1}{\zeta(s)} y=1∑∞Cy−s=Cy=1∑∞y−s=Cζ(s)=1C=ζ(s)1
其中ζ(s)\zeta(s)ζ(s)为Riemann-zeta函数。称随机变量Y服从zeta分布,
fY(y)=y−sζ(s)f_Y(y) = \frac{y^{-s}}{\zeta(s)} fY(y)=ζ(s)y−s
Pareto分布
假设X∼U[0,1]X \sim U[0,1]X∼U[0,1],Y=g(X)=XpY=g(X)=X^pY=g(X)=Xp,则
fY(y)=fX(g−1(y))∣h′(y)∣=fX(y−p)py−(p+1)=py−(p+1)f_Y(y) = f_X(g^{-1}(y))|h^{'}(y)|=f_X(y^{-p}) py^{-(p+1)} = py^{-(p+1)} fY(y)=fX(g−1(y))∣h′(y)∣=fX(y−p)py−(p+1)=py−(p+1)
称随机变量Y服从Pareto分布。
UA MATH564 概率论II 连续型随机变量1相关推荐
- UA MATH564 概率论V 中心极限定理
UA MATH564 概率论V 中心极限定理 随机变量序列的极限 收敛模式之间的关系 大数法则 中心极限定理 Classical Central Limit Theorem Sugden法则 Delt ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用2
UA MATH564 概率论 多元随机变量的变换 几个例题 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1,X2,X3∼ii ...
- [概统]本科二年级 概率论与数理统计 第四讲 连续型随机变量
[概统]本科二年级 概率论与数理统计 第四讲 连续型随机变量 连续型随机变量的基本概念 均匀分布 指数分布 正态分布 推导正态分布的密度(de Moivre-Laplace定理) 标准正态分布 一般的 ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用1
UA MATH564 概率论 多元随机变量的变换 理论与应用1 定义法 Jacobi行列式法 假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn是nnn个一元随机变量,存在一个C1(Rn ...
- 《概率论与数理统计》-第二章 随机变量及其分布-第二节 连续型随机变量及其分布-笔记
目录 第二节 连续型随机变量及其分布 密度函数 定义 性质 常用离散型随机变量的分布 第二节 连续型随机变量及其分布 密度函数 定义 设F(x)F(x)F(x)是随机变量XXX的分布函数,若对任意的实 ...
- 分类型变量预测连续型变量_概率论与数理统计之离散型和连续型随机变量知识点...
本文主要回顾复习了有关一维离散型.连续型随机变量及分布,以及相关性质.这一部分主要以选择题和填空题的形式出现在考研数学的试卷中,希望考研的考生多注意这一部分知识的复习,结合历年考研数学真题,争取早日掌 ...
- 概率论(二)随机变量及其概率分布——离散和连续型随机变量及其分布函数
本节知识点 1.随机变量及其分布函数的定义 2.离散型随机变量 定义:随机变量可能取得的值是有限个或者可列无限个 概率分布列 分布函数 常见的离散性随机变量:0-1分布.二项分布和泊松分布 3.连续型 ...
- 概率论与数理统计学习笔记——第十九讲——二元连续型随机变量,联合概率密度函数
1. 联合概率密度函数 2. 概率密度的性质 3. 二元连续型随机变量概率分布函数求解示例
- 概率论与数理统计-连续型随机变量基础知识(一)
今天要了解的基础知识是连续型随机变量的概念,常见的连续型随机变量分布. 连续型随机变量的定义是若一个随机变量的分布函数可写成,则该随机变量可称为连续型随机变量,其中为该连续型随机变量的密度函 ...
最新文章
- MFC List Control 控件添加单元格编辑,实现可编辑重写
- html 文字倒映效果,HTML图片CSS滤镜—倒影效果
- 【JZOJ3216】【SDOI2013】淘金
- 你也可以搞懂的微服务第一篇——来自ThoughtWork的学习体验
- 全文索引 - Pomelo.EFCore.MySql
- 2019年技术盘点容器篇(二):听腾讯云讲讲踏入成熟期的容器技术 | 程序员硬核评测...
- 信息学奥赛C++语言:for_求和
- linux中python编译器的配置_方舟编译器环境配置及源码编译过程详解
- 使用pt-query-digest进行日志分析
- 做新媒体短视频运营需要什么技能
- 西瓜书学习笔记(2)——模型评估与选择
- 工作记忆中表征状态的振荡控制
- python中的中英文字符统计
- java 批注框_Java 回复Word批注
- ECM:发动机和燃烧系统测试设备
- Excel函数大全-07财务函数
- c语言rtu crc16,ModeBusRTU调试工具CRC16版
- 天下手游服务器维修,天下手游无法登陆怎么解决 无法登陆原因及解决方案一览_3DM手游...
- 基于栅格地图的路径规划(一)基于Matlab二维、三维栅格地图的构建
- 不能初始化Photoshop 因为暂存盘已满
热门文章
- Activity中的任务和返回站
- 原生 AJAX的相关介绍
- NIO的Buffer
- eclipse安装软件时长时间停留在calculating requirements and dependencies 的解决方案
- Python 技术篇-使用time库获取秒级时间戳、毫秒级时间戳实例演示
- [YTU]_2621(B 继承 圆到圆柱体)
- C++高斯赛德迭代法,求线性方程组的解(version1.0)
- randperm--生成随机整数排列
- pytorch tensor查找0_在PyTorch中Tensor的查找和筛选例子
- 【解决方案】istio-ingressgateway HTTP probe failed with statuscode: 503