07.第二章 随机变量与分布函数(5)

第二章 随机变量与分布函数(5)

1.一维随机变量的函数

随机变量函数，指的是用某一个普通的实函数$g(\cdot )$作用于随机变量$X$，这样无论随机变量$X$取什么值$x$，$g(X)$都可以取相应的$g(x)$，显然$g(X)$也是随机变量，它的分布跟$X$存在联系。

如果$X$是离散型随机变量，则$X$的所有取值是可列的，那么$Y=g(X)$的所有取值也是可列的，故$Y$也是离散型随机变量，且$Y$的分布列为
$$P(Y=y)=\sum _{x_i:g(x_i)=y}p(x_i).$$
如果$X$是连续型随机变量，要求$Y=g(X)$的分布函数$G(y)$，有
$$G(y)=P(Y\le y)=P(g(x)\le y)={\int }_{B}p(x)dx,$$
这里$B$是满足$g(x)\le y$的$x$的取值集合，也是一个一维Borel集。这个形式并不常用，但如果$g(x)$有唯一的反函数$x=g^{-1}(y)$，则$Y$的密度函数可以写成
$$q_Y(y)=p_X(g^{-1}(y))\left|\frac{d{g}^{-1}(y)}{dy}\right|I_{(y\in f(x)的值域)}.$$
为便于计算，也可以写成
$$q_Y(y)|dy|=p_X(x)|dx|,x=g^{-1}(y).$$
一般$x$可以通过$y=g(x)$直接反解出唯一$x=g^{-1}(y)$。但也有$x$对应的反函数不唯一的情况（如$y=x^2{I}_{(-1\le x\le 1)}$，此时有$x_1=\sqrt{y}$或$x_2=-\sqrt{y}$两种情况。假设$X$的密度为$p(x)$，则此时
$$q(y)=p(x_1)\left|\frac{d{x}_1}{dy}\right|+p(x_2)\left|\frac{d{x}_2}{dy}\right|=\frac{p(\sqrt{y})+p(-\sqrt{y})}{2\sqrt{y}}{I}_{(0\le y\le 1)}.$$
若$X\sim U(-1,1)$，则$q(y)=\frac{1}{2\sqrt{y}}{I}_{(0\le y\le 1)}$。也就是说，反函数不唯一的情况下，直接把几种情况相加就好了。

2.随机向量函数

对于$(X_1,\cdots ,X_n)$，随机向量函数是$f(X_1,\cdots ,X_n)$，这里$f$是多元函数，即给定$x_1,\cdots ,x_n$的输入能输出一个单值。如果$X_1,\cdots ,X_n$都是离散的，那显然$Y=f(X_1,\cdots ,X_n)$也是离散的，分布列可以用类似于离散随机变量函数的方式写出。

如果$X_1,\cdots ,X_n$是连续的，则
$$F_Y(y)={\int \cdots \int }_{f(x_1,\cdots ,x_n\le y)}p(x_1,\cdots ,x_n)d{x}_1\cdots d{x}_n.$$
这个这个式子比较少应用，但有一些特例需要了解。

$Y=X_1+X_2$的分布函数是
$$\begin{array}{rl}{F}_Y(y)=& \underset{x_1+x_2\le y}{\iint }p(x_1,x_2)d{x}_{1}d{x}_2\\ =& {\int }_{-\infty }^{\infty }d{x}_1{\int }_{-\infty }^{y-x_1}p(x_1,x_2)d{x}_2\\ \underset{z=x_1+x_2}{\overset{x_2=z-x_1}{=}}& {\int }_{-\infty }^{\infty }d{x}_1{\int }_{-\infty }^{y}p(x_1,z-x_1)dz\\ =& {\int }_{-\infty }^y\left[{\int }_{-\infty }^{\infty }p(x_1,z-x_1)d{x}_1\right]dz.\end{array}$$
所以$Y$的密度函数是$p_Y(y)={\int }_{-\infty }^{\infty }p(x,y-x)dx$。

对于$Y=X_1/X_2$，要区分$X_2$符号，它的分布函数是
$$\begin{array}{rl}{F}_Y(y)=& \underset{x_1/x_2\le y}{\iint }p(x_1,x_2)d{x}_{1}d{x}_2\\ =& {\int }_0^{\infty }d{x}_2{\int }_{-\infty }^{y{x}_2}p(x_1,x_2)d{x}_1+{\int }_{-\infty }^{0}d{x}_2{\int }_{y{x}_2}^{\infty }p(x_1,x_2)d{x}_1\\ \underset{z=x_1/x_2}{\overset{x_1=z{x}_2}{=}}& {\int }_0^{\infty }d{x}_2{\int }_{-\infty }^{y}p(z{x}_2,x_2)x_{2}dz+{\int }_{-\infty }^{0}d{x}_2{\int }_y^{-\infty }p(z{x}_2,x_2)x_{2}dz\\ =& {\int }_{-\infty }^y\left[{\int }_0^{\infty }p(z{x}_2,x_2)x_{2}d{x}_2-{\int }_{-\infty }^{0}p(z{x}_2,x_2)x_{2}d{x}_2\right]dz.\end{array}$$
所以$Y$的密度函数为$p_Y(y)=[{\int }_0^{\infty }p(zx,x)xdx-{\int }_{-\infty }^{0}p(zx,x)xdx]={\int }_{-\infty }^{\infty }p(zx,x)|x|dx$。

3.随机向量的变换

现有两个等长随机向量$(X_1,\cdots ,X_n),(Y_1,\cdots ,Y_n)$，如果存在一族函数$f_1,\cdots ,f_n$使得$Y_i=f_i(X_1,\cdots ,X_n)$，则称为随机向量的变换。离散型的依然是简单的分布列，现在还是讨论连续情形。

已知$(X_1,\cdots ,X_n)$的密度函数是$p(x_1,\cdots ,x_n)$，要求$(Y_1,\cdots ,Y_n)$的联合密度$q(y_1,\cdots ,y_n)$，首先对于函数变换要有唯一的反函数组
$$\{\begin{array}{l}{y}_1=f_1(x_1,\cdots ,x_n)\\ ⋮\\ y_n=f_n(x_1,\cdots ,x_n)\end{array}\Rightarrow \{\begin{array}{l}{x}_1=g_1(y_1,\cdots ,y_n)\\ ⋮\\ x_n=g_n(y_1,\cdots ,y_n)\end{array},$$
设
$$J=\frac{\partial (x_1,\cdots ,x_n)}{\partial (y_1,\cdots ,y_n)}=\left|\begin{array}{cccc}\frac{\partial x_1}{\partial y_1}& \frac{\partial x_1}{\partial y_2}& \cdots & \frac{\partial x_1}{\partial x_n}\\ \frac{\partial x_2}{\partial y_1}& \frac{\partial x_2}{\partial y_2}& \cdots & \frac{\partial x_2}{\partial y_2}\\ ⋮& ⋮& \ddots & ⋮\\ \frac{\partial x_n}{\partial y_1}& \frac{\partial x_n}{\partial y_2}& \cdots & \frac{\partial x_n}{\partial y_n}\end{array}\right|.$$
则有
$$q(y_1,\cdots ,y_n)=p\left(g_1(y_1,\cdots ,y_n),\cdots ,g_n(x_1,\cdots ,x_n)\right)|J|;$$
也可简记为
$$q(y_1,\cdots ,y_n)|\partial (y_1,\cdots ,y_n)|=p(x_1,\cdots ,x_n)|\partial (x_1,\cdots ,x_n)|.$$
如果反函数组不止一个，也和一维随机变量变换类似，将所有情况直接加起来即可。

随机向量的变换是非常重要的工具，它可以用来求复杂随机变量的分布函数，即通过构造另外的辅助随机变量，通过随机向量变换求得联合分布，再对其辅助随机变量积分，得到复杂随机变量的边际分布。