随机变量的函数变换

合集下载

随机变量的定义定义

条件随机变量
01
定义
条件随机变量是指在给定某些变量的条件下，另一个变量的概率分布。
02 03
描述
条件随机变量通常用于描述两个或多个随机事件之间的条件关系，例如在概率图模型中，条件随机变量被用来表示节点之间的条件依赖关系。
应用
条件随机变量在许多实际问题中都有应用，例如在自然语言处理中，给定上下文的情况下，下一个词的概率分布可以用条件随机变量来表示；在推荐系统中，给定用户历史行为的情况下，用户的兴趣偏好可以用条件随机变量来表示。
02
相关系数的定义
相关系数是协方差与两个随机变量各自方差的比值，用于衡量两个随机
变量的线性相关程度。
03
协方差与相关系数的性质
协方差和相关系数具有对称性、非负性、规范性等性质，这些性质使得
协方差和相关系数成为描述两个随机变量之间线性关系的重要指标。
03
CATALOGUE
随机变量的应用
在统计学中的应用
方差的定义
方差是随机变量取值与期望值之差的平方的平均值，用于衡量随机变量取值的离散程度。
方差的性质
方差具有非负性、规范性、可加性等性质，这些性质使得方差成为描述随机变量离散程度的重要指标。
协方差与相关系数
01
协方差的定义
协方差是两个随机变量取值之间线性关系的度量，反映了两个随机变量
同时取值的波动情况。
概率分布
随机变量是概率论的基本概念之一，它可以表示某一随机现象的结果，并具有特定的概率分布。
随机事件的概率
通过随机变量，我们可以计算随机事件的概率，了解事件发生的可能性。
随机过程的描述
在随机过程中，随机变量用于描述随机现象的变化规律，帮助我们理解随机现象的本质。

随机变量的函数变换

如果随机变量Y是二维随机变量(X1,X2) 的函数，即
Y g ( X 1, X 2 )
可求Y的数学期望和方差。
f X ( x)
1 2 X
e

( x m X )2 2 X 2
a、b为常数，求Y的概率密度。

如果X和Y之间不是单调关系，即 Y的取值y可能对应X的两个或更多的值x1,x2,…, xn。
假定一个y值有两个x值与之对应，则有
fY ( y ) f X (h1 ( y )) h ( y ) f X (h2 ( y )) h2 ( y )
' 1
'
一般地，如果y=g(x)有n个反函数 h1(y), h2(y),…, hn(y)，则
fY ( y ) f X (h1 ( y )) h ( y ) f X (h2 ( y )) h2 ( y ) f X (hn ( y )) hn ( y )
'
' 1
'
例2：假定输入输出的关系为Y=bX2， b>0，若已知X的概率密度为f(x)，求Y 的f(y)。
Y [ X ]
如果X与Y之间的关系是单调的，并且存在反函数，即 X 1[Y ] h(Y )
若反函数h(Y)的导数也存在，则可利用X的概率密度求出Y的概率密度。
综合上述讨论，得到
fY ( y ) f X ( h( y )) h ( y )
'
例1：随机变量X和Y满足线性关系 Y=aX+b，X为高斯变量，即
1.5 随机变量的函数变换
这个函数关系的含义为：在随机试验E中，设样本空间为S={ei}，对每一个试验结果ei，对应于X的某个取值 X(ei)，相应地指定一个Y(ei)，且Y(ei) 与X(ei)有如下关系：

第06章随机变量函数

第六章随机变量函数第一节一维随机变量函数一、一维随机变量函数1、一元波雷尔函数：设)(x f 为一元实函数,若1B ∈∀B ,有11})(|{)(B ∈∈=-B x f x B f ，则称)(x f 为一元波雷尔函数. 可以证明：连续函数、单调函数都是波雷尔函数.2、定义：设),,(P S F 为一概率空间，X 为S 上的一维随机变量，)(x f 为一元波雷尔函数, S e ∈∀,规定: ))(()(e X f e Y =R ∈,称Y 为X 的函数. 记作)(X f Y =.显然,1B ∈∀B ,F ∈∈=∈=--)}()(|{}))((|{)(11B f e X e B e X f e B Y ，故Y 也是S 上的一维随机变量.二、离散型设X 的概率分布为X 1x 2x … k x… P1p 2p…kp…)(X f Y =为X 的函数，那么}{~k k y Y P q Y ==,其中 ∑-∈-=∈=====)(11)}({})({}{k i y fx i k k k k p y fX P y X f P y Y P q .特别,当f 为一一对应函数时,令)(k k x f y =, 有k k k k p x X P y fX P q ===∈=-}{)}({1,那么Y)(1x f )(2x f… )(k x f … P1p2p …kp…例1 设X 的概率分布为X-1 01 P1/3 1/2 1/6求：(1)1-X ;(2)X 2-;(3)2X 的概率分布. 解:列表计算1/3 1/2 1/6 X -1 0 1 1-X -2 -1 0 X 2- 2 0 -2 2X1 0 1所以 (1) 1-X 的概率分布为:1-X-2 -1 0 P1/3 1/2 1/6 (2) X 2-的概率分布为:X 2--2 0 2 P 1/6 1/2 1/3 (3) 2X 的概率分布为: 2X0 1 P1/2 1/2例2 设()kk X P X 2/1}{~==，N ∈k ，)2sin(X Y π=，求Y 的概率分布.解: 显然Y 的可能取值为1,0,1-.由已知条件知:∑∑∞=+∞=⎪⎭⎫⎝⎛=+===014021}14{}1{n n n n X P Y P ∑∑∑∞=-∞=∞==-⨯=⎪⎭⎫⎝⎛=⎪⎭⎫⎝⎛====1112131411141414121}2{}0{n n n nn n X P Y P ,152}0{}1{1}1{==-=-=-=Y P Y P Y P .所以Y 的概率分布为:Y-1 0 1 P2/15 1/3 8/15三、连续型设)(~x X ϕ，)(X f Y = 1、分布函数法先求出⎰≤=≤=≤=yx f Y dx x y X f P y Y P y F )()(})({}{)(ϕ；(2) 再求出)()(y F y Y Y '=ϕ.例3 设)(~x X ϕ,||X Y =,则)()()(y y y X X Y -+=ϕϕϕ，0>y . 解:(1)当0≤y ，0)(=y F Y ,因此0)(=y Y ϕ；(2) 当0>y ,)()(}{}|{|)(y F y F y X y P y X P y F X X Y --=≤≤-=≤=, 那么)()()()()(y y y F y F y X X X XY -+=-'-'=ϕϕϕ.2、公式法(1) 设)(~x X ϕ,)(X f Y =,0)(>'x f ，)(-∞=f α，)(+∞=f β,)(y h 为)(x f 的反函数,则 )()]([)(y h y h y X Y '=ϕϕ，βα<<y .证明:因0)(>'x f ,则)(x f y =存在反函数)(y h x =,且0)(>'y h ,那么)(y h 递增.显然βα≤≤)(X f ,且})({}{)(y X f P y Y P y F Y ≤=≤=.① 当α≤y 时, 0)(=y F Y ,⇒0)(=y Y ϕ； ② 当β≥y 时, 1)(=y F Y ,⇒0)(=y Y ϕ； ③ 当βα<<y 时,)]([)}({)}()]([{)(y h F y h X P y h X f h P y F X Y =≤=≤=, 所以 )()]([)()(y h y h y F y X Y Y '='=ϕϕ.(1)’ 设)(~x X ϕ,)(X f Y =,0)(<'x f ，)(+∞=f α，)(-∞=f β,)(y h 为)(x f 的反函数,则 |)(|)]([)(y h y h y X Y '=ϕϕ，βα<<y .证明:同(1),只是0)(<'y h ,那么)(y h 递减. 当βα<<y 时,)}({1)}({)}()]([{)(y h X P y h X P y h X f h P y F Y <-=≥=≥= )]([1y h F X -=, 所以|)(|)]([)()]([)()(y h y h y h y h y F y X X Y '='-='=ϕϕϕη.例4 设)(~x X ϕ,b aX Y +=,)0(≠a ，则⎪⎭⎫⎝⎛-=a b y a y X Y ϕϕ||1)(,+∞<<∞-y .解:令b ax x f y +==)(,那么-∞=α，+∞=β，ab y y h -=)(,ay h 1)(=',⎪⎭⎫⎝⎛-='=a b y a y h y h y X X Y ϕϕϕ||1|)(|)]([)(,+∞<<∞-y .例5 设),(~2σμN X ,σμ-=X Y ,，则)1,0(~N Y . 解: b aX Y +=,01>=σa ,σμ-=b ,于是()μσσϕϕϕ+=⎪⎭⎫⎝⎛-=y a b y ay XX Y 1)(,()22][222212yy ee --+-==πσπσσμμσ, +∞<<∞-y .例6 设),(~2σμN X ,b aX Y +=,)0(≠a ，则),(~22σμa b a N Y +.证明: 222)(||21||1)(σμσπϕϕ---=⎪⎭⎫⎝⎛-=a b y X Y ea ab y a y2222)]([||21ab a y e a σμσπ+--=，+∞<<∞-y所以 ),(~22σμa b a N Y +.(2)设)(~x X ϕ,b x a <<,)(X f Y =,0)(>'x f ，)(b f =α，)(a f =β,)(y h 为)(x f 的反函数,则)()]([)(y h y h y X Y '=ϕϕ，βα<<y . 证明:因0)(>'x f ,则)(x f y =在),(b a 上存在反函数)(y h x =,且0)(>'y h ,那么)(y h 递增.显然βα≤≤)(X f ,且})({}{)(y X f P y Y P y F Y ≤=≤=. ① 当α≤y 时, 0)(=y F Y ,⇒0)(=y Y ϕ； ② 当β≥y 时, 1)(=y F Y ,⇒0)(=y Y ϕ； ③ 当βα<<y 时,)]([)}({)}()]([{)(y h F y h X P y h X f h P y F X Y =≤=≤=, 所以 )()]([)()(y h y h y F y X Y Y '='=ϕϕ.(2)’ 设)(~x X ϕ,b x a <<,)(X f Y =,0)(<'x f ，)(a f =α，(b f =β,)(y h 为)(x f 的反函数,则|)(|)]([)(y h y h y X Y '=ϕϕ，βα<<y . 证明:同(2),只是0)(<'y h ,那么)(y h 递减. 当βα<<y 时,)}({1)}({)}()]([{)(y h X P y h X P y h X f h P y F Y <-=≥=≥= )]([1y h F X -=,所以|)(|)]([)()]([)()(y h y h y h y h y F y X X Y Y '='-='=ϕϕϕ.例7 设)2,2(~ππ-U X ,X A Y sin =,)0(>A ，求)(y Y ϕ.解:已知x A x f y sin )(==,0)(>'x f ,)2,2(ππ-∈x ,A -=α,A =β,Ay y h arcsin)(=,221)(yA y h -='，又 ⎩⎨⎧>≤=.2/|| ,0 ,2/|| ,1/ )(πππϕt t t X所以 ⎪⎩⎪⎨⎧<<--='=. ,0 , ,1|)(|)]([ )(22其他A y A yA y h y h y XY πϕϕ(3) 设)(~x X ϕ,)(X f Y =,)()(x f x f i =,i I x ∈,且在i I 导数恒不为零,)(y h i 为)(x f i 的反函数, }),(|{i i i I x x f y y J ∈==,i I 为互不相交的区间,.,,2,1m i =,则 iJ y i mi i XY y h y h y ∈='=∑|)(|)]([)(1ϕϕ.证明：由(2)知, |)(|)]([)()(y h y h y i i X X f i '=ϕϕ,i J y ∈.∑∑=∈≤=≤=≤=mi iI e X Y y X fP y X f e P y X f e P y F i1)(})({})(|{})(|{)(iJ y i mi i Xmi i Y Y y h y h y X f P dyd dyy dF y ∈=='=≤==∑∑|)(|)]([})({)()(11ϕϕ.例8 设)(~x X ϕ,2X Y =,则)]()([21)(y y yy X X Y -+=ϕϕϕ，0>y .证明:令0,0,)(,)(121><-===y x y y h x x f y ，0,0,)(,)(222><===y x y y h x x f y ,那么),0(21+∞==J J .由(3)知 )]()([21|)(|)]([)(021y y yy h y h y X X y i i i XY -+='=>=∑ϕϕϕϕ,0>y .例9 设)1,0(~N X ,2X Y =,则)1()21,21(~22χ∆=Γ=X Y .解: )(1)]()([21)(y yy y y y X X X Y ϕϕϕϕ=-+=()21121212)2/1(2/1211---Γ==eyeyy π,0>y .所以 )21,21(~2Γ=XY .四、随机变量存在定理设定义在R 上的函数)(x F 满足：(1)R ∈∀x ,1)(0≤≤x F ；(2))(x F 为单调不减函数；(3)0)(lim =-∞→x F x ,1)(lim =+∞→x F x ；(4))(x F 为右连续函数.则)(x F 必为某一维随机变量的分布函数.事实上,取)1,0(~U X ,定义})(|sup{)(x t F t x G <=,则)(X G Y =的分布函数为)(x F .说明: ① 由此可见满足分布函数(1)-(4)的)(x F 可确定一个随机变量.②利用数学或物理的方法产生)1,0(中均匀分布随机变量的子样(称为均匀分布随机数)，再利用变换)(X G Y =可得到任意分布)(x F 的随机数.这在蒙特卡洛方法中具有重要性．证明:①先证明)(x G 单调不减,那么)(x G 是波雷尔函数.R ∈<∀21x x ,若1)(x t F <,有2)(x t F <⇒})(|{})(|{11x t F t x t F t <⊂<⇒})(|sup{})(|sup{21x t F t x t F t <≤<⇒)()(21x G x G ≤. 所以)(x G 单调不减.其次证明)(x G 的定义域)1,0(⊃D .因X 的值域为)1,0(, 这样)(X G 就是一维随机变量.)1,0(∈∀r ,因(3),必R ∈'''∃x x ,,使得)()(x F r x F ''<<'. 因r x F <')(,有})(|{r t F t x <∈',于是})(|{r t F t <非空；又})(|{r t F t s <∈∀,有)()(x F r s F ''<<,因(2),有x s ''<, 于是})(|{r t F t <有界,这样})(|sup{)(r t F t r G <=存在,. 于是D r ∈,那么D ⊂)1,0(.③ 再证明R ∈∀x ，有x y F x G y <⇔<)()(，这样 )()(y F x y x G ≤⇔≤.“⇐”x y F <)(,因(4),则y y >'∃,使得x y F y F <'<)()(，这样 )(})(|sup{x G x t F t y y =<≤'<“⇒”)(x G y <，因})(|sup{)(x t F t x G <=,则})(|{ x t F t y <∈'∃，使得y y x G x G '<--])([)(,即y y '<,又因(2),有x y F y F <'≤)()(. ④ 最后证明)(X G Y =的分布函数为)(x F .因)1,0(~U X ,故x x F X =)(,10≤≤x ,而由(1)知1)(0≤≤y F , 因此 R ∈∀y ，)()]([)}({})({}{)(y F y F F y F X P y X G P y Y P y F X Y ==≤=≤=≤=.第二节 n 维随机变量一、n 维随机变量1、定义：设),,(P S F 为一概率空间，k X ，)(n N k ∈为S 上的一维随机变量，称),,,(21n X X X X =为S 上的n 维随机变量.符号约定：设nn n y y y y x x x x R ∈==),,,( ),,,,(2121 ,规定： ① y x <⇔k k y x <；n k ,,2,1 =.②y x ≤⇔k k y x ≤，)(n N k ∈.③将),,,(21n x x x x =写成列(column)向量) (21'n x x x ,即==),,,(21n x x x x ) (21'n x x x .) (),,,(2121'==n n X X X X X X X .2、X 关于J X 的边缘分布：),,,(21mk k k I X X X X =.)(),,,(21n N k k k I m ⊂= 表示)(},,,{21n N k k k m ⊂ .3、X 的分布：}{B P ∈X , n B B ∈. 其中可证：=∈}{B X F ∈∈∈},)(|{S e B e X e .4、分布函数(1)定义：设),,(P S F 为一概率空间，X 为S 上的n 维随机变量, n x R ∈∀,规定}{)(x X P x F ≤=.称)(x F 为X 的分布函数.(2) 性质① n x R ∈∀,1)(0≤≤x F .② )(x F 关于k x 为单调不减右连续函数，)(n N k ∈. ③ 0)(lim =-∞→x F J x ,)(n N J ⊂；1),,,(=+∞+∞+∞ F .④ ),,,(lim }{)(21n x J JJ x x x F x XP x FJ JX +∞→=≤=,)(n N J J =+.5、相互独立: 设),,,(21m X X X X =,)(x F 为X 的分布函数, 而),,,(21kkn k k k X X X X =为k n 维随机变量, )(k k x F 是k X 的分布函数,m k ,,2,1 =，恒有)(x F ∏==mk k kx F1)(，则称m X X X ,,,21 相互独立.注：① 若mmn m n X X ,,,,,,11111X X 独立,即X 独立，则m X X X ,,,21 独立.②m X X X ,,,21 独立⇔kn k B B ∈∀，m k ,,2,1 =恒有}{}{}{},,,{22112211m m m m B X P B X P B X P B X B X B X P ∈∈∈=∈∈∈ .③ 若),,,(21m X X X X =相互独立 ⇒kJ J J X X X ,,,21独立,)(21m N J J J k ⊂+++ .6、随机变量序列}{n X 的独立：若}{n X 中任意有限个随机变量独立，则称}{n X 独立.n 维离散型随机变量1、定义：设),,(P S F 为一概率空间，),,,(21n X X X X =为S 上的n 维随机变量，若X 的取值为有限个或可数个(至多可数)，称X 为S 上的n 维离散型随机变量.显然：X 为S 上的n 维离散型随机变量⇔i X ),,2,1(n i =均为S 上的一维离散型随机变量.2、概率分布：假设X 所有可能取的值为I x ),,,(21ni i i x x x =，nn i i i I N ∈=),,,(21 ，令},,,{}{2121ni n i i I I x X x X x X P x X P p ====== ,称其为n 维随机变量X 的概率分布.3、分布律性质(1)0≥I p ; (2) 1=∑II p ;(1)(2)为离散型随机变量的特征性质. 反之亦然.(3) ∑∈=∈Bx I I p B X P }{,n B B ∈；(4)n X X X ,,,21 独立⇔nI N∈∀,恒有}{}{}{}{2121n i n i i I x X P x X P x X P x X P ===== .4、IJ p Y X ~),(的边缘分布,n I N ∈,mJ N ∈(1)),(Y X 关于X 的边缘分布：∑=∙JIJ I p p X ~.(2)),(Y X 关于Y 的边缘分布：∑=∙IIJ J p p Y ~.5、IJ p Y X ~),(的条件分布(1)在I x X =的条件下Y 的分布：∙===I IJ I J p p x X y Y P }|{.在J y Y =的条件下X 的分布：JIJ J I p p y Y X X P ∙===}|{.三、n 维连续型随机变量1、定义：设),,(P S F 为一概率空间，X 为S 上的n 维随机变量，)(x F 为X 的分布函数,若存在非负可积函数)(x ϕ，对n x R ∈∀,有⎰≤=xt dt t x F )()(ϕ,则称X为n 维连续型随机变量. )(x ϕ为X 的概率密度函数.记作)(~x X ϕ. 注：(1) )(x F 为连续函数；(2) )(x ϕ意义与一维相同.2、性质(1)0)(≥x ϕ; (2)⎰∈=nx dxx R1)(ϕ；(1)(2)为连续型随机变量的特征性质. 反之亦然.(3)⎰∈=∈Bx dx x B X P )(}{ϕ,nB B∈；(4)n B B ∈∀,若0)(=B m ,有0}{=∈B X P .(5)n X X X ,,,21 独立⇔nn R x x x x ∈=∀),,,(21 ,恒有∏==nk k X X x x k1)()(ϕϕ.3、 X 关于J X 的边缘分布： ⎰=JJ dx x x )()(ϕϕ，)(n N J J =+.4、在J J x X =的条件下L X 的分布： )()()|(J L J J L x x x x ϕϕϕ+=，)(n N L J ⊂+. 例1 (均匀分布) 在n A B ∈(0)(>A m )中任取一点X ，则X 的密度函数为：⎪⎩⎪⎨⎧∉∈=. ,0 , )(1)(A x A x A m x ，ϕ 此时，记：)(~A U X .例2 (n 维正态分布) 设)(~),,,(21x X X X X n ϕ =,n R ∈μ,C 为n 阶正定对称矩阵，且)()(211212||)2(1)(μμπϕ-'---=x Cx eC x n,n x R ∈称X 服从n 维正态分布，记作),(~C N X μ.特别,当2=n 时, ),(21μμμ=,因⎪⎪⎭⎫ ⎝⎛=22211211c cc c C 为二阶正定对称矩阵,于是⎪⎪⎭⎫ ⎝⎛=22121211c cc c C ,且011>c ,0||2122211>=-C c c c ,那么022>c , 令111c =σ,222c =σ,221112c c c =ρ，这样1||<ρ,⎪⎪⎭⎫⎝⎛=22212121σσρσσρσσC , ⎪⎪⎭⎫ ⎝⎛--=-212121221||1σσρσσρσσC C, )1(||22222ρσσ-=C , 于是 )()(211212||)2(1)(μμπϕ-'---=x C x eC x n⎥⎥⎦⎤⎢⎢⎣⎡-+-------=2222212121212)())((2)()1(21221121σμσσμμρσμρρσπσy y x x e，这正是二维正态分布.第三节 n 维随机变量函数一、n 维随机变量函数1、n 元波雷尔函数：设)(x f 为n 元实函数,若1B ∈∀B , 有n B x f x B fB ∈∈=-})(|{)(1，则称)(x f 为n 元波雷尔函数.可以证明：连续函数是波雷尔函数.2、定义：设),,(P S F 为一概率空间，X 为S 上的n 维随机变量，)(x f 为n 元波雷尔函数, S e ∈∀,规定: ))(()(e X f e Y =R ∈,称Y 为X 的函数. 记作)(X f Y =.3、显然：1B ∈∀B ,F ∈∈=∈=--)}()(|{}))((|{)(11B fe X e B e Xf e B Y ，故Y 也是S 上的一维随机变量.二、离散型设X 的概率分布为}{I x X P =,n I N ∈,)(X f Y =为X 的函数，则Y 的概率分布为)}({I x f Y P =.例1 设),(Y X 的概率分布为YX -1 1-1 1/4 1/3 1 1/6 1/4求：(1)Y X +；(2) Y X -2 的概率分布.解:列表计算P),(Y X Y X + Y X -2 1/4 (-1,-1) -2 -1 1/3 (-1,1) 0 -3 1/4 (1,1) 2 1 1/6 (1,-1) 0 3所以:(1) Y X +的概率分布为:Y X +-2 0 2 P1/4 1/2 1/4(2)Y X -2的概率分布为:Y Z -2-3 -1 13 P1/3 1/4 1/4 1/6例2 设)(~i i P X λ,2,1=i 独立, 21X X Z +=则 )(~2121λλ++=P X X Z . 解：Z 的可能取值为 ,2,1,0,而∑=-====+==ki i k X i XP k X X P k Z P 02121},{}{}{∑∑=---=-=-===ki ik iki ei k ei i k X P i XP 02102121)!(!}{}{λλλλ)(21210)(2121!)()!(!!!λλλλλλλλ+--=+-+=-=∑ek i k i k k eki k i ki ，0N k ∈,所以)(~2121λλ++=P X X Z .三、连续型1、分布函数法: 设),(~),(y x Y X ϕ，),(Y X f Z =,为S 上的二维随机变量, (1) 先求出⎰⎰≤=≤=≤=zy x f Z dxdyy x z Y X f P z Z P z F ),(),(}),({}{)(ϕ,R ∈∀z ；(2) 再求出)()(z F z Z Z '=ϕ.2、随机变量四则运算公式: 设二维随机变量),(~),(y x Y X ϕ.(1)Y X Z +=,则 ⎰+∞∞--=dx x z x z Z ),()(ϕϕ，或⎰+∞∞--=dyy y z z Z),()(ϕϕ.若X 与Y 独立，则⎰+∞∞--=dx x z x z Y XZ )()()(ϕϕϕ.证明：⎰⎰⎰⎰+∞∞--∞-≤+==xz z y x Z dyy x dx dxdyy x z F ),(),()(ϕϕ⎰⎰⎰⎰∞-+∞∞-+∞∞-∞-=--=-====zzyx t dx x t x dt dtx t x dx ),(),(ϕϕ⎰⎰⎰∞-∞-+∞∞-=⎥⎦⎤⎢⎣⎡-=zzdt t dt dx x t x )(),(ζϕϕ,所以⎰+∞∞--=dx x z x z Z ),()(ϕϕ.例3 设)1,0(~N X i ,2,1=i 独立,则)2,0(~21N X X Z +=. 证明：由 222222)(z xz x x z x +-=-+ 22222222)2(22222z z x z z zxx +⎪⎭⎫ ⎝⎛-=+⎪⎭⎫ ⎝⎛+-=, 从而 ⎰⎰+∞∞----+∞∞-=-=dx eedx x z x z x z xX X Z 2)(2222121)()()(πϕϕϕ⎰⎰∞+∞-⎪⎭⎫ ⎝⎛--⋅-∞+∞-⎪⎭⎫ ⎝⎛--⋅-⎪⎭⎫ ⎝⎛-==2221221222222222222222z x d eedx eez x z z x zπππ ()2222221⋅-=z eπ,R ∈z . 所以)2,0(~N Z .注：一般地，设),(~2i i i N Z σμ,2,1=i 独立,则),(~22212121σσμμ+++=N X X Z .4 设),(~λi i r X Γ,2,1=i 独立, 21X X Z +=则 ),(~2121λr r X X Z +Γ+=.证明: ⎰⎰+∞+∞∞--=-=)()()()()(2121dx x z x dx x z x z X X X X Z ϕϕϕϕϕ,① 当0≤z 时, 0)(=z Z ϕ； ② 当0>z 时,⎰⎰------ΓΓ=-=zx z r r r r zX X Z dx ex z r exr dx x z x z 0)( 12 x11 0221121)()()()()()(λλλλϕϕϕ⎰⎰---+-=--+--⋅ΓΓ===-ΓΓ=111121 0112121212121)1()()()()()()(dt t tz r r edx x z xr r er r r r zxzt zr r r r z λλλλλzr r e z A 121)(λλλ--+=，又因 ) ()()()(1210121r r A z d ez A dz z zr r Z +Γ===⎰⎰+∞--++∞∞-λλϕλ,⇒[]121) (-+Γ=r r A ，这样 []z121 1121212121)()() ()(λλλλλϕ--++--+-+Γ=+Γ=ezr r ez r r z r r r r zr r Z .所以),(~21λr r Z +Γ.(2)Y X Z -=,则 ⎰+∞∞--=dx z x x z Z ),()(ϕϕ.若X 与Y 独立，则⎰+∞∞--=dx z x x z Y XZ )()()(ϕϕϕ.证明：⎰⎰⎰⎰+∞∞--∞-≤-==zx z y x Z dy y x dx dxdyy x z F ),(),()(ϕϕ⎰⎰⎰⎰∞-+∞∞-+∞∞-∞-=--=-====zzyt x dx t x x dt dtt x x dx ),(),(ϕϕ,所以 ⎰+∞∞--=dx z x x z Z ),()(ϕϕ.独立时简单证明: 因 )()(y y Y Y -=-ϕϕ,于是⎰⎰+∞∞-+∞∞---+-=-==dx z x x dx x z x z z Y XY XY X Z )()()()()()()(ϕϕϕϕϕϕ.(3) XY Z =,则 ⎰+∞∞-=dy y yz y z Z ),(||1)(ϕϕ，或⎰+∞∞-=dx xzx x z Z ),(||1)(ϕϕ.若X 与Y 独立，则⎰+∞∞-=dx xzx x z Y X Z )()(||1)(ϕϕϕ.证明：⎰⎰⎰⎰⎰⎰∞+∞-∞-∞+≤+==),(),(),()(yzyzzxy Z dxy x dy dx y x dy dxdyy x z F ϕϕϕ⎰⎰⎰⎰∞+∞-∞-∞-=+===01),(1),(zzxyt dt yy yt dydt yy yt dyϕϕ⎰⎰⎰⎰∞+∞-∞-∞-+=00),(||1),(||1zzdt y yt y dydt y yt y dyϕϕ⎰⎰⎰⎰∞-+∞∞-+∞∞-∞-==zzdy y yt y dtdt y yt y dy),(||1),(||1ϕϕ所以 ⎰+∞∞-=dy y yz y z Z ),(||1)(ϕϕ.例5 设),(~),(y x Y X ϕ,且⎩⎨⎧<≤<= . ,0,10 8),(其他，y x xy y x ϕXY Z =,求)(z Z ϕ.解:⎰⎰==+∞∞-1),(1),(||1)(dy y yz ydy y yz y z Z ϕϕϕz z y d y yz yZZZ ln 481110-==+=⎰⎰⎰,10<<z .(4) YX Z =,则 ⎰+∞∞-=dy y yz y z Z ),(||)(ϕϕ.若X 与Y 独立，则⎰+∞∞-=dy y yz y z Y XZ )()(||)(ϕϕϕ.证明：⎰⎰⎰⎰⎰⎰+∞∞-∞-+∞≤+==),(),(),()(zyzyzyxZ dx y x dy dx y x dy dxdyy x z F ϕϕϕ⎰⎰⎰⎰+∞∞-∞--∞=+===00),(),(zzxty ydty ty dy ydt y ty dy ϕϕ⎰⎰⎰⎰+∞∞-∞-∞-+=00),(||),(||zzdt y ty y dy dt y ty y dy ϕϕ⎰⎰⎰⎰∞-+∞∞-+∞∞-∞-==zzdyy ty y dt dt y ty y dy ),(||),(||ϕϕ所以 ⎰+∞∞-=dy y yz y z Z ),(||)(ϕϕ.例5 设)(~i Exp X i ,2,1=i 独立, 21X X Z =,求)(z Z ϕ. 解: ⎰⎰+∞+∞∞-==)()()()(||)(2121dy y yz y dy y yz y z X X X X Z ϕϕϕϕϕ，① 当0≤z 时, 0)(=z Z ϕ；当0>z 时, ⎰+∞--=22)(dy eyez yzyZ ϕ22)2(122)2(2)2()2(2])2[()2()2(2z z y z d ez z yz +=+Γ=+++=⎰+∞+--.所以 ⎪⎩⎪⎨⎧≤>+=.0 ,0 ,0 ,)2(2)(2z z z z Z ϕ四、最大、最小公式设),,,(21n X X X 为S 上的n 维随机变量,且n X X X ,,,21 独立.(1) },,,max{21n X X X Z =，则∏==ni X Z z Fz F i1)()(.证明: }},,,{max{}{)(21z X X X P z Z P z F n Z ≤=≤= },,,{21z X z X z X P n ≤≤≤=∏==≤≤≤=ni X n z Fz X P z X P z X P i121)(}{}{}{ .(2)},,,min{21n X X X Z =，则∏=--=ni X Z z F z F i1)](1[1)(.证明: }},,,{min{1}{1}{)(21z X X X P z Z P z Z P z F n Z >-=>-=≤=},,,{121z X z X z X P n >>>-=∏=--=>>>-=ni X n z F z X P z X P z X P i 121)](1[1}{}{}{1 .例6 设)(~i i Exp X λ,2,1=i 独立,},max{211X X Z =,},min{212X X Z =, 求)(1z Z ϕ,)(2z Z ϕ.解:已知 xX i i ex F λ--=1)(,0>x ,那么① )1)(1()()()(21211zzX X Z eez F z F z F λλ----==,0>z ,zzzZ Z eeez F z )(2121212111)()()(λλλλλλλλϕ+---+-+='=，0>z .⎩⎨⎧≤>+-+=+---.0 ,0,0 ,)( )()(212121211z z e e e z z z z Z λλλλλλλλϕ② zX X Z ez F z F z F )(212121)](1)][(1[1)(λλ+--=---=,0>z ,zZ Z ez F z )(212122)()()(λλλλϕ+-+='=，0>z .所以 ⎩⎨⎧≤>+=+-.0 ,0,0 ,)( )()(21212z z e z z Z λλλλϕ五、函数的独立性设m X X X ,,,21 独立，),,,(21kkn k k k X X X X =，)(k k k X f Y =，m k ,,2,1 =.则 m Y Y Y ,,,21 也独立.证明：121,,,B ∈∀m B B B ,有},,,{2211m m B Y B Y B Y P ∈∈∈)}(,),(),({121221111m m m B f X B f X B f X P ---∈∈∈= )}({)}({)}({121221111m m m B f X P B f X P B f X P ---∈∈∈=}{}{}{2211m m B Y P B Y P B Y P ∈∈∈=例8 设),(~2i i i N X σμ,m i ,,2,1 =独立,则),(~1211∑∑∑====mi i mi i mi iN XY σμ.例9 设),(~λi i r X Γ,m i ,,2,1 =独立, 则),(~11λ∑∑==Γ=mi i mi ir XY .例10 设X 与Y 独立，且)(),(y x Y X ϕϕ,),(y x ϕ均连续, 而)(),(~),(22y x q y x Y X +=ϕ,则X 与Y 均服从正态分布.引理:设)(x f 与)(y g )0,(≥y x 都连续不恒为0,且0,≥∀y x 恒有)()()(y x h y g x f +=,则xka x f =)(,0≥x ，此处a k ,是常数, 0>a .证明:①先证明0)0(≠f .反证.假设0)0(=f ，则0)(≡x h .)(y g 不恒为0,故00≥∃y ,使得0)(0≠y g ,,那么0)()()(00≡+=y g y x h x f ,这与)(x f 不恒为0矛盾,故0)0(≠f .同理可证0)0(≠g .② 由于)()()0()0()(x h x g f g x f ==,那么)()0()0()()0()()0()(x p g f x h g x g f x f ===, 于是)()0()0()()0()()0()()()(y x p g f y x h g y g f x f y p x p +=+==,0,≥y x . ③ 再证明 0)1(≠p .反证. 假设0)1(=p ⇒0)1()1(==⎥⎦⎤⎢⎣⎡p n p n⇒0)1(lim )0(==→∞n p p n .而1)0()0()0(==f f p ,故0)1(≠p .④ 因)()()(y x p y p x p +=,0,≥y x .则 x a x p =)(⇒x x ka a f x f ==)0()(.此处a k ,是常数,且 0)21()21()1(>==p p p a .例10证明: 因X 与Y 独立,则)(),()()(22y x q y x y x Y X +==ϕϕϕ.考虑在第一象限1D 中,令)()()(22x x x f X X ϕϕ==,)()()(22y y x g Y Y ϕϕ==, 显然都连续不恒为0,再令 )()(2222y x q y x h +=+,于是 )()()(2222y x h y g x f +=,因此2)()(2x X ka x f x ==ϕ,0)0()0()1(>=g f h a .由于σπσπσπϕσ222)(12222k dx ek dx a kdx x xx====⎰⎰⎰+∞∞--+∞∞-+∞∞-,有σπ21=k ,其中,因⎰+∞∞-dx a x2收敛,于是10<<a ,这样0ln 21>-=aσ.从而22221)(σσπϕxX ex -=，在其他三象限同样有此结果,于是),0(~2σN X .由对称性知道, ),0(~2σN Y .六、随机变量的变换)(~x X ϕ为S 上的n 维随机变量，)(x f y =为nn R R →的变换,)(x f y =在其定义域x D 上雅可比行列式0≠∂∂=xyJ ，y D 为其值域，则)(x f y =有逆变换)(y h x =,)(X f Y =也是S 上的n 维随机变量，且1)]([)]([)(-=∂∂=Jy h yx y h y X X Y ϕϕϕ，y D y ∈. 证明：n y R ∈∀,有⎰≤=≤=yx f XY dx x y X f P y F )()(})({)(ϕ,0≠∂∂xy ,x D x ∈,故)(x f t =有逆变换)(t h x =,且0≠∂∂tx ，那么⎰⎰≤≤∂∂==yt X yx f X Y dt tx t h dx x y F )]([)()()(ϕϕ.又⎰≤=yt YY dt t y F )()(ϕ,故 yx y h y X Y ∂∂=)]([)(ϕϕ，y D y ∈.华东师大《数学分析(下)》例11 设),(~),(y x Y X ϕ，Y X Z +=,则 ⎰+∞∞--=dx x z x z Z ),()(ϕϕ.证明：令Y X Z +=,X W =,定义域和值域都是2R ,且雅可比行列式为10111-==∂∂∂∂∂∂∂∂=y w x w yzx z J , 而逆变换),(w z h 为W X =,W Z Y -=.这样),(W Z 的密度函数为),(),()],([),(11w z w y x J w z h w z -===-ϕϕϕϕ，于是⎰⎰+∞∞-+∞∞--=-=dx x z x dww z w z Z ),(),()(ϕϕϕ.。

随机变量函数中的线性变换与平方变换的图解法

【摘
明
要】概率论与数理统计》《中的求解随机变量函数的分布，图解法的求解直观、易于掌握，本文通过实例（线性变换与平方变换）以说加
【关键词】图解法；分布函数法；随机变量的函数
０引言
数学上难于理解的问题，若能用图形说清楚，对学生、教师都会收【其它Ｏ到事半功倍的效果，在求解随机变量函数Ｙ＝（）ｇｘ的分布中，一系列的２８的概率密度．Ｘ＋公式推导令学生难于理解与掌握，课堂上用图解法求解函数的的分布从图３上，Ｘ取值在（４，Ｏ，）对应Ｙ的取值在（，）Ｏ８，可使学生易于理解、易于掌握分布函数法，下面以实例来说明用图解法求解随机变量函数中常用的线性变换Ｙ＝Ｘ＋（≠０（调函数）ａｂａ）单与平方变换ＹＸ２单调函数）学生也可以用在其它类型的变换中，：＝ｆ非，如Ｂ对数变换、指数变换及三角函数变换等．。
—、。：
Ｏ｛哇
×
分布函数：ｄ）Ｆ（／）蹦一／）两边对Ｙ导得Ｙ的概率密度Ｆｙ＝ｘ一、，、求
ｆｙ＝ｄ） — 一Ｏ／ｔ、ｙ）、ｙ）一／）．
２ＶＹ
图２
对平方变换Ｙ＝非单调函数）从图形上搞清ｘ与Ｙ的取值范Ｘ（，围，以写出它们相应的分布函数，可从而求导得Ｙ的概率密度函数．
一
ｆ
．
０＼
图３
Ｘ
率值，如图１：
Ｏｘ

随机变量的分布函数、连续型

02
偏度是描述数据分布不对称性的量，即三阶中心矩与三阶原点矩的比值。偏度大于0表示分布右偏，偏度小于0表示分布左偏。
03
峰度是描述数据分布形态陡峭或扁平程度的量，即四阶中心矩与四阶原点矩的比值。峰度大于3表示分布比正态分布更陡峭，峰度小于3表示分布比正态分布更扁平。
PART 04
连续型随机变量的应用
用。
PART 03
连续型随机变量的性质
REPORTING
WENKU DESIGN
概率密度函数（PDF）
概率密度函数（PDF）描述了随机变量取值在某个区间的概率，即密度函数值与该区间长度之积等于该区间内事件发生的概率。
PDF具有非负性，即对于所有实数x， PDF(x)≥0。
整个实数轴上的概率总和为1，即 ∫∞−∞f(x)dx=1，其中f(x)是随机变量的概率密度函数。
在模拟连续型随机变量时，蒙特卡洛方法通过产生大量随机样本，并计算其统计量，来估计随机变量的分
布函数和概率密度函数。
蒙特卡洛方法的优点是简单易行，适用于各种类型的分布函数，但缺点是精度取决于样本数量，样本数量
越多，精度越高。
逆变换采样法
逆变换采样法是一种基于概率分布的反向抽样方法，即先从均匀分布的随机数中抽取样本，再通过概率分布的反函数变换得到所需的随机变量。
THANKS
感谢观看
REPORTING
https://
正态分布的实际应用案例
金融领域
正态分布被广泛用于描述金融数据的分布，如股票价格、收益率等。
自然现象
许多自然现象的分布呈现正态分布特征，如人类的身高、智商等。
统计学
在统计学中，正态分布是最常用的分布之一，用于描述数据的集中趋势和离散程度。

2.随机变量的分布

0
y1e y1 1 dy1 , 2 2 (1 y2 ) （ 1 y2）
由于g ( y1 , y2 ) g1 ( y1 ) g2 ( y2 ),所以Y1与Y2也是独立的。
第五节数字特征及其特征函数
一、数字特征
（一）随机变量的数学期望 1、定义设离散型随机变量的分布律为
DX E ( X 2 ) [ EX ]2 p p 2 p(1 p)
EX p DX p(1 p)
（2）二项分布 X ~ b(n, p)
X X1 X 2
P X i 1 p
Xn , X n 相互独立。
P X i 0 1 p
参数为
分布律为 P{ X k}
k e
k!
(k 0,1,2,)
E( X )
D( X ) E ( X ) E ( X )
2 2

2 2
E( X ) D( X )
（4）均匀分布密度函数
X ~ U (a, b) 参数为 a, b
1 , a x b, f ( x) b a others. 0,
ab (b a) 2 E( X ) , D( X ) 2 12
（5）正态分布 X ~ N ( , 2 ) 参数为 , 2
1 密度函数 f ( x) e 2
( x )2 2 2
称Y 是随机变量X 的标准化了的随机变量。
则
例
设 X , Y 是两个相互独立的且均服从正态分布
N (0,1/ 2) 的随机变量 , 则求随机变量 | X Y | 的数学
期望 E (| X Y |) .

随机变量函数分布

随机变量函数分布随机变量函数分布是概率论中的重要概念，它描述了一个随机变量经过函数转换后的分布情况。

在实际问题中，我们常常需要通过随机变量的函数来描述某种现象的规律或特性。

本文将介绍随机变量函数分布的基本概念和常见的分布形式。

一、随机变量函数分布的定义随机变量函数分布指的是一个随机变量经过某种函数转换后的概率分布情况。

在数学上，对于一个随机变量X和一个函数Y=f(X)，我们可以描述函数Y的概率分布，也就是Y的取值在各个区间内的概率。

通常情况下，我们可以通过概率密度函数或累积分布函数来描述随机变量函数分布。

二、常见的随机变量函数分布形式1. 线性变换最简单的随机变量函数分布形式就是线性变换。

设X是一个随机变量，Y=aX+b是X的线性变换，其中a和b为常数。

如果知道X的分布情况，就可以通过线性变换得到Y的分布。

具体地，如果X服从均匀分布，则Y也会服从均匀分布。

2. 指数变换指数变换是常用的随机变量函数形式之一。

如果X服从指数分布，经过指数变换Y=e^X后，Y会服从对数正态分布。

指数变换在描述某些事件的时间间隔时非常有用，比如描述两次地震事件之间的时间间隔。

3. 幂变换幂变换是一种常见的函数形式，如果X服从正态分布，Y=X^2后，Y会服从卡方分布。

幂变换在统计学中的应用非常广泛，比如方差分析和回归分析中就经常用到幂变换来处理数据。

三、实际应用举例在实际问题中，随机变量函数分布具有广泛的应用。

比如在金融领域中，可以通过随机变量函数分布来描述股票价格的涨跌情况，进而进行风险管理和投资决策。

在生物学领域中，可以通过随机变量函数分布来描述基因的变异情况，进而研究遗传特性。

总的来说，随机变量函数分布是概率论中一个重要的概念，它通过函数转换描述了随机变量的特性和规律。

通过研究随机变量函数分布，我们可以更好地理解现实世界中复杂的随机变量关系，从而进行更加精确的建模和分析。

随机变量的拉普拉斯变换及威德形式的反演公式

ＸＮ０ＧＵＩＮＮＣＮ
２１第６００年期
随机变量的拉普拉斯变换及威德形式的反演公式
热依拉・布都热西提阿
（新疆阿克苏教育学院教学微机教研室，新疆阿克苏
８３０）４００
一
、
陋毛【量的拉晋孤斯变殃Ｉ变
设机量的率度／）ｆ０，），随变ｘ概密为，＜时：且０当分一）（０收时积８＞）敛有
＝
≤
Ｄ一
其中。于是第二个积分
（（州
（２１）
ｎＸｔ－ｉ＞￣
∽ Leabharlann … 这就是威德反演公式。最后证明（２１）式再（，ｏ）的任何有限区问中成立Ｏｏ的一致性。设Ｊ（，一）是有限区间，对＞０ｒＯ
所以，
６６ ‘
脚＝ｃ（）一
赤即
Ｅ）－（ｔ＝ｅｆｄＸｔ＇）
（１）
故
㈡山
证明己知Ｘ＝，… 服从１，Ｊ参数为指数布，２的分
－ｆ１￣－ｒ）式左端为Ｘ的母函数，右端为Ｘ的拉普拉］（
斯换（拉变。１式端是数厂）变称氏换）（）右又函的
２．威德反演公式的大数定律
令，对（）式两边取极限，有５
定１ｊ相独、服参为的数理设是互立均从数指
赤即
）㈤＝・
分的机量列＝那，布随变序， ∑ 么
ｋ＝ｌ
（）一
ＸＮ０ＧＵＩＮＮＣＮ

随机变量的函数及其分布

FY(y)=P{Y≤y}=0；当y≥β时， FY(y)=P{Y≤y}=1；当α<y<β时，
FY(y)=P{Y≤y}=P{g(x)≤y} =P{X≤h(y)}
hy
f X x dx
6.1 一维随机变量的函数及其分布
二、连续型随机变量
于是得Y的概率密度
fY
(
y)

于是Y分布函数为
y, 0 y 1 其他
0,
FY
(
y)

y,
1,
y0 0 y1
其他
因此

fY
(
y)

FY'
(
y)

1, 2y
y0
0, 其他
6.1 一维随机变量的函数及其分布
二、连续型随机变量
例：设随机变量X服从正态分布，X~N(0，1)，试求随机变量函数Y=|X|的密度函数
可导，则Y=g(x)的概率密度为
fY

y

f
X
h
0
y

h y
其中x=h(y)为y=g(x)的反函数，
y
其他
min g , g , max g , g
6.1 一维随机变量的函数及其分布
二、连续型随机变量
证：我们只证g(x)>0的情况。此时g(x)在(-∞,+ ∞)严格单调增加，它的反函数h(y)存在，且在(α，β)严格单调增加，可导，现在先来求Y的分布函数FY(y)。因为Y=g(X)在(α，β)取值，故当y≤α时，
2
因此

fY
(
y)

随机变量的函数变换

对数变换的性质与定理
1
对数变换可以用来将正态分布转换为标准正态分布。
2
如果随机变量X的对数变换Y=logX服从正态分布，那么Y的数学期望EY=0，方差DY=1。
3
如果X是连续型随机变量，那么对于任意实数a，有P(aX≤x)=P(X≤x/a)。
幂函数变换的性质与定理
幂函数变换可以用来将均匀分布转换为标准均匀分布。
对数变换
对数变换是指将随机变量X替换为 log(X)，其中log表示以e为底的对数。对数变换可以用来将概率分布从偏态分布转化为正态分布。
在生物学、医学和金融领域，对数变换被广泛应用于处理数据，因为这些领域的数据往往呈现偏态分布。
幂函变换
幂函数变换是指将随机变量X替换为X^a，其中a是常数且a≠0。幂函数变换可以用来改变随机变量的分布形状，特别是当X的值域较大时。
在研究随机过程时，经常需要将时间变量或空间变量进行函数变换，以分析随机过程的性质和行为。
随机变量的变换
通过对随机变量进行函数变换，可以研究其概率分布的性质，如期望、方差、协方差等。
随机事件的变换
在概率论中，通过对随机事件进行函数变换，可以研究其概率的增减和变化规律。
在金融数学中的应用
风险度量
如果随机变量X的幂函数变换 Y=X^n服从均匀分布[0,1]，那么Y的数学期望EY=1/n，方差
DY=1/n^2。
如果X是连续型随机变量，那么对于任意实数a和正整数n，有 P(aX≤x)=P(X≤x^(1/n))/|a|^ n。
05
函数变换的应用
在统计学中的应用
分布变换
通过函数变换，可以将一种分布的随机变量转换为另一种分布的随机变量，从而简化统计分析过程。

人工智能的数学基础】随机变量的变量替换定理

人工智能的数学基础】随机变量的变量替换定理下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。

文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢！本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注！Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!人工智能的数学基础：随机变量的变量替换定理引言人工智能领域涉及广泛的数学概念和技术，其中概率论和数理统计是其重要的数学基础之一。

逆变换法求随机变量的原理

逆变换法求随机变量的原理
逆变换法求随机变量的基本原理是:
1. 对给定的随机变量X,先求出其分布函数或特征函数。

2. 根据X的分布函数或特征函数,确定一个中间变量Y,使Y满足已知的一些标准分布,如标准正态分布。

3. 利用分布函数或特征函数的可逆性,建立随机变量X和中间变量Y之间的一一对应关系。

4. 将关于Y的分布函数或特征函数表达成关于X的形式。

5. 最终得到随机变量X的分布律。

6. 逆变换法主要用于求解变量转化后的分布,特别是确定难以直接求得的分布。

7. 常用的逆变换方法有Box-Cox变换、幂变换等。

8. 逆变换法需要运用分布函数或特征函数的基本理论知识。

9. 应用复杂,但可以推导出许多不规则分布的精确分布。

10. 需要仔细推导求解过程,正确运用相关公式。

综上所述,这就是逆变换法求随机变量分布的一般思路和原理。

随机变量函数中的线性变换与平方变换的图解法

随机变量函数中的线性变换与平方变换的图解法
线性变换与平方变换是随机变量函数的一类变换，它用于描述实验中观察到的随机变量之间的关系。

本文主要介绍线性变换与平方变换的图解法，并讨论它们之间的区别和特点。

线性变换是指把一个随机变量变换成另一个同样可以表示为一组常数乘以原来随机变量的新的随机变量的变换。

它的图解法可以用四象限散点绘图来表示，如图1所示，以一个变
量Y为横轴，另一个变量X为纵轴，变换前原变量X和Y在图中表示为正方形，变换后
新变量X'和Y'形成直线，其斜率可以由图中给出，公式可表示为：Y'/X' = kY/X。

图1 线性变换的图解法
平方变换是把一个随机变量X变换为X^2的随机变量Y的变换，它的图解法可以用交叉
散点图来表示，如图2所示，以一个变量X为横轴，另一个变量Y为纵轴，表示X^2 = Y，公式可表示为Y = X^2。

综上所述，线性变换与平方变换的图解法有所不同。

前者是从一个正方形变成一条斜率，而后者是从一个点变成一条曲线。

同时，它们都是研究随机变量之间联系，表现出不同随
机变量之间的内在联系的一种变换方式。

概率论变量变换法

概率论变量变换法概率论变量变换法是一种求解随机变量函数的分布的方法，它利用随机变量之间的函数关系，通过积分或者求和的方式，得到新的随机变量的概率分布。

概率论变量变换法有两种常见的形式：一元变换和多元变换。

一元变换是指已知一个随机变量X的分布，求另一个随机变量Y=f(X)的分布。

一元变换的方法有两种：累积分布函数法和密度函数法。

累积分布函数法是利用Y=f(X)的累积分布函数F_Y(y)等于F_X(f^{-1}(y))或者1-F_X(f^{-1}(y))，根据X的累积分布函数F_X(x)求出F_Y(y)，然后求导得到Y 的密度函数f_Y(y)。

密度函数法是利用Y=f(X)的密度函数f_Y(y)等于f_X(f^{-1}(y))乘以f^{-1}(y)对y的导数的绝对值，根据X的密度函数f_X(x)求出f_Y(y)。

一元变换的例子有指数分布、正态分布、卡方分布、t分布等。

多元变换是指已知n个随机变量X_1,X_2,...,X_n的联合分布，求另外m个随机变量Y_1,Y_2,...,Y_m=g(X_1,X_2,...,X_n)的联合分布。

多元变换的方法有两种：雅可比行列式法和矩母函数法。

雅可比行列式法是利用(Y_1,Y_2,...,Y_m)和(X_1,X_2,...,X_n)之间的雅可比行列式J=\frac{\partial(Y_1,Y_2,...,Y_m)}{\partial(X_1,X_2 ,...,X_n)}，根据(X_1,X_2,...,X_n)的联合密度函数f_{X_1,X_2,...,X_n}(x_1,x_2,...,x_n)求出(Y_1,Y_2,...,Y_m)的联合密度函数f_{Y_1,Y_2,...,Y_m}(y_1,y_2,...,y_m)，其中f_{Y_1,Y_2,...,Y_m}(y_1,y_2,...,y_m)=f_{X_1,X_2,... ,X_n}(g^{-1}(y_1,y_2,...,y_m))|J|。

高级数学中的概率论与随机变量

离散型随机变量：其分布函数是一个阶梯函数，概率密度函数是离散的。连续型随机变量：其分布函数是连续的，概率密度函数也是连续的。正态分布：其分布函数和概率密度函数都是钟形的，且对称轴为均值所在直线。指数分布：其分布函数和概率密度函数都是无限可导的，且在均值处达到最大值。
随机变量的数字特征
越弱
矩的定义：矩是随机变量的概率分布的数学描述，包括原点矩和中心矩。矩的性质：矩具有一些重要的性质，如线性性质、幂等性质和正定性等。常用矩：常用的矩包括期望值、方差、偏度和峰度等。矩的计算方法：可以通过概率密度函数或概率质量函数来计算矩。
随机变量的极限理论
大数定律：描述了当试验次数趋于无穷时，随机事件的相对频率趋于该事件的概率。中心极限定理：无论独立随机变量的分布是什么，它们的和在平均值附近趋近于正态分布。
数学期望的定义：随机变量所有可能取值的概率加权和数学期望的性质：线性性质、非负性、可加性数学期望与概率的关系：反映随机变量的平均水平数学期望在概率论中的应用：估计概率分布、计算概率密度函数等
方差的定义：衡量随机变量偏离其期望值的程度
方差的性质：非负性、有界性、对称性
方差的计算公式：D(X)=E[(XE(X))^2]
强大数定律：描述了当试验次数趋于无穷时，随机变量的平均值趋近
于真实值。
弱收敛性：描述了随机变量的分布函数在概率空间上的
收敛性质。
两者关系：强大数定律是弱收敛性的一个特例，弱收敛性更广泛地描述了随机变量的收敛性质。
应用场景：在统计学、概率论、金融等领域有广泛应用。
定义：随机变量序列的极限存在，即存在一个随机变量X，使得对于任意小的正数ε，存在正整数N，使得当n>N时，Xn与X 的距离不超过ε的概率不小于1-δ。

1.1.3 随机变量的函数变换

h1' ( y ) = 1 ( 2 by )
' h2 ( y ) = 1 ( 2 by )
' fY ( y ) = f X (h1 ( y )) h1' ( y ) + f X (h2 ( y )) h2 ( y )
fY ( y ) = f X ( y b ) 1 (2 by ) + f X ( y b ) 1 (2 by )
P(x < X ≤ x + dx) = P( y < Y ≤ y + dy)
f X (x)dx = fY ( y)dy
1
dx fY ( y ) = f X ( x) dy
X = 1 (Y ) = h(Y )
考到率度负虑概密非 dx = f X (h( y)) h′( y) fY ( y) = f X (x) dy
f X ( x) =
1 2π σ X
( xmX )2
2 2σ X
e
Y b X = h(Y) = a
f Y ( y ) = f X (h( y )) h′( y ) =
1 = e 2π a σ X
1 2π σ X
e
y b mX )2 a 2 2σ X (
1 a
( y am X b ) 2
2 2 a 2σ X
ΦY (ω) =Φ (ω)
2 X
ΦX (ω) = e
ΦX (ω) = e
ω2
2
Φ Y (ω ) = e
ω 2
ω2
2
fY ( y ) = FT 1 [Φ Y (ω )]
FT[e
t2 2 2σ
] = σ 2π e
σ 2ω2

§2.1 随机变量与随机变量函数

☺ 小结☺
1. 概率论是从数量上来研究随机现象内在规律性的，因此为了方便有力的研究随机现象，律性的，因此为了方便有力的研究随机现象，就需将随机事件数量化，需将随机事件数量化，把一些非数量表示的随机事件用数字表示时，事件用数字表示时，就建立起了随机变量的概因此随机变量是定义在样本空间上的一种特念．因此随机变量是定义在样本空间上的一种特殊的函数．殊的函数． 2. 随机变量的分类离散型、连续型随机变量的分类: 离散型、连续型.
S={1，2，3，4，5，6} ，，，，，样本点本身就是数量
X(e) = e
恒等变换
X (1) = 1, X (2) = 2, X (3) = 3, X (4) = 4, X (5) = 5, X (6) = 6,
且有
1 P { X = i } = , ( i = 1,2,3,4,5,6). 6
红色白色
X(e)
S 0
1
R
即有
X (红色 = 1 , X (白色 = 0. 红色) 白色) 红色白色
1, X (e ) = 0,
e = 红色, e = 白色.
红色，这样便将非数量的 S = {红色，白色数量化了红色白色} 数量化了.
实例2 实例则有
抛掷骰子,观察出现的点数抛掷骰子观察出现的点数. 观察出现的点数
• 随机变量与普通函数有何区别？随机变量与普通函数有何区别？ • 试写出几个随机变量. 试写出几个随机变量.
随机变量随着试验的结果不同而取不同的值由于试验的各个结果的出现具有一定的概率随机变量的取值具有一定的概率规律随机变量是一个函数但它与普通的函数有着本质的差别普通函数是定义在实数轴上的而随机变量是定义在样本空间上的样本空间的元素不一定是实数

随机变量的函数变换

随机变量的定义定义

随机变量的函数变换

第06章 随机变量函数

随机变量函数中的线性变换与平方变换的图解法

随机变量的分布函数、连续型

2.随机变量的分布

随机变量函数分布

随机变量的拉普拉斯变换及威德形式的反演公式

随机变量的函数及其分布

随机变量的函数变换

人工智能的数学基础】随机变量的变量替换定理

逆变换法求随机变量的原理

随机变量函数中的线性变换与平方变换的图解法

概率论变量变换法

高级数学中的概率论与随机变量

1.1.3 随机变量的函数变换

§2.1 随机变量与随机变量函数

第06章随机变量函数