漫步数理统计十——连续随机变量(上)

上篇文章我们讨论了离散随机变量，在统计应用中还有一个非常重要的随机变量，那就是这里要讲的连续随机变量。

$\textbf{定义1：}$对于某个随机变量，如果它的累加分布函数$F_X(x)$对于所有的$x\in R$都是连续的，那么我们称其为连续随机变量。

回忆一下之前讲过的，对于任意的随机变量$X,P(X=x)=F_X(x)-F_X(x-)$，因此对于一个连续随机变量$X$，不存在离散质量的点；即如果$X$是连续的，那么对于所有的$x\in R,P(X=x)=0$，大部分连续随机变量是绝对连续的，即存在某个函数$f_X(t)$，使得

$$F_X(x)=\int_{-\infty}^xf_X(t)dt$$

函数$f_X(t)$称为$X$的概率密度函数，如果$f_X(x)$也是连续的，那么根据微积分基本定理可得

$$\frac{d}{dx}F_X(x)=f_X(x)$$

连续随机变量$X$的支撑由满足$f_X(x)>0$的点$x$组成，与离散情况一样，我们常用$\textbf{S}$表示$X$的支撑。

如果$X$是一个连续随机变量，那么通过积分可以得到其概率，即

$$P(a<X\leq b)=F_X(b)-F_X(a)=\int_a^b f_X(t)dt$$

另外对于连续随机变量，$P(a<X\leq b)=P(a\leq X\leq b)=P(a\leq X<b)=P(a<X<b)$，因为$f_X(x)$在$X$的支撑上是连续的且$F_X(\infty)=1$，所以pdf满足两个性质：

$$(i):f_X(x)\geq 0;(ii):\int_{-\infty}^{\infty}f_X(t)dt=1$$

在高等概率论教程中，如果一个函数满足上面的两个性质，那么它就是一个连续随机变量的pdf。

考虑在区间$(0,1)$中随机选一个数的例子，所选的数字$X$ 就是一个连续随机变量的例子，对于$x\in(0,1)$，$X$的cdf是$F_X(x)=x$，因此$X$的pdf为

$$f_X(x)= \begin{cases} 1&x\in(0,1)\\ 0&elsewhere \end{cases}$$

任何连续或离散随机变量$X$，如果它的pdf或pmf在$X$的支撑上是常数，那么我们说其满足均匀分布。

$\textbf{例1：}$假设我们在半径为1的单位圆上随机选一个点，令$X$表示原点与该点的距离，那么试验的样本空间是$\textbf{C}=\{(w,y):w^2+y^2<1\}$，因为点是随机选择的，似乎$\textbf{C}$的子集$C$等价于面积，因此所选点位于的集合$C$正比于$C$的面积；即

$$P(C)=\frac{C\text{的面积}}{\pi}$$

对于$0<x<1$，事件$\{X\leq x\}$等价于半径为$x$的圆中的点。根据概率法则可得$P(X\leq x)=\pi x^2/\pi=x^2$，因此$X$的cdf为

$$F_X(x)= \begin{cases} 0&x<0\\ x^2&0\leq x<1\\ 1&1\leq x \end{cases}$$

$X$的pdf为

$$f_X(x)= \begin{cases} 2x&0\leq x<1\\ 0&elsewhere \end{cases}$$

为了说明，所选点位于半径为$1/4,1/2$环中的概率为

$$P(\frac{1}{4}<X\leq \frac{1}{2})=\int_{\frac{1}{4}}^{\frac{1}{2}}2wdw=[w^2]|_{\frac{1}{4}}^{\frac{1}{2}}=\frac{3}{16}$$

$\textbf{例2：}$令随机变量表示繁忙阶段打进电话的时间间隔(单位为秒)，假设$X$随机变量模型的pdf为

$$f_X(x)= \begin{cases} \frac{1}{4}e^{-x/4}&0<x<\infty\\ 0&elsewhere \end{cases}$$

注意$f_X$满足pdf的两个性质，即$(i)f(x)\geq 0$且$(ii)$

$$\int_0^\infty\frac{1}{4}e^{-x/4}dx=[-e^{-x/4}]|_0^\infty=1$$

为了说明，连续两次电话的时间超过4秒的概率为

$$P(X>4)=\int_0^\infty\frac{1}{4}e^{-x/4}dx=e^{-1}=0.3679$$

上面考虑的pdf与概率如图1所示。

图1

令$X$是连续随机变量，pdf$_X$是已知的。与离散情况一样，我们经常对随机变量$Y$感兴趣，而随机变量是$X$的某个变换，$Y=g(X)$，我们一般通过得到$Y$的cdf后即可求出pdf，接下来举例说明。

$\textbf{例3：}$令$X$是例1中的随机变量，表示单位圆中随机选的点距原点的距离。假设我们对距离的平方感兴趣；即$Y=X^2$，$Y$的支撑与$X$是一样的即$\textbf{S}_Y=(0,1)$，$Y$的cdf是什么呢？我们知道$X$的cdf是

$$F_X(x)= \begin{cases} 0&x<0\\ x^2&0\leq x<1\\ 1&1\leq x \end{cases}$$

令$y$位于$Y$的支撑中；例如$0<y<1$，那么利用上式以及$X$的支撑只包含正值，那么$Y$的cdf是

$$F_Y(y)=P(Y\leq y)=P(X^2\leq y)=P(X\leq\sqrt{y})=F_X(\sqrt{y})=\sqrt{y}^2=y$$

紧接着$Y$的pdf是

$$f_Y(y)= \begin{cases} 1&0<y<1\\ 0&elsewhere \end{cases}$$

$\textbf{例4：}$令$f_X(x)=\frac{1}{2},-1<x<1$，其余地方为0，是随机变量$X$的pdf，随机变量$Y$为$Y=X^2$，我们希望找出$Y$的pdf。如果$y\geq 0$，概率$P(Y\leq y)$等价于

$$P(X^2\leq y)=P(-\sqrt{y}\leq X\leq\sqrt{y})$$

$Y$的cdf，$F_Y(y)=P(Y\leq y)$为

$$F_Y(y)= \begin{cases} 0&y<0\\ \int_{\sqrt{y}}^{\sqrt{y}}\frac{1}{2}dx=\sqrt{y}&0\leq y<1\\ 1&1\leq y \end{cases}$$

因此$Y$的pdf为

$$f_Y(y)= \begin{cases} \frac{1}{2\sqrt{y}}&0<y<1\\ 0&elsewhere \end{cases}$$

这些例子说明了累加分布函数方法。第一个例子中的变换是一对一的，这时候我们用$X$的pdf得到$Y$pdf的简单形式，如下篇文章的定理所述。