概率论与数理统计教程(二)-随机变量及其分布06：随机变量函数的分布

§ 2.6 随机变量函数的分布
设 $y=g(x)$ 是定义在 $\mathbf{R}$ 上的一个函数, $X$ 是一个随机变量, 那么
$Y=g(X)$ 作为 $X$ 的函数, 同样也是一个随机变量. 在实际问题中,
我们经常感兴趣的问题是: 已知随机变量 $X$ 的分布,如何求出另一个随机变量
$Y=g(X)$ 的分布.
寻求随机变量函数的分布, 是概率论的基本技巧,
在概率论与数理统计中经常要用到这些技巧.
下面对离散和连续两种场合分别讨论随机变量函数的分布.
2.6.1 离散随机变量函数的分布
离散随机变量函数的分布是比较容易求得的. 设 $X$ 是离散随机变量, $X$
的分布列为
$X$ $x_1$ $x_2$ $\cdots$ $x_n$ $\cdots$

---

$P$ $p\left(x_1\right)$ $p\left(x_2\right)$ $\cdots$ $p\left(x_n\right)$ $\cdots$
显然 $Y=g(X)$ 也是一个离散随机变量, 此时 $Y$
的分布列就可以很简单地表示为
$Y$ $g\left(x_1\right)$ $g\left(x_2\right)$ $\cdots$ $g\left(x_n\right)$ $\cdots$

---

$P$ $p\left(x_1\right)$ $p\left(x_2\right)$ $\cdots$ $p\left(x_n\right)$ $\cdots$
当
$g\left(x_1\right),g\left(x_2\right),\cdots ,g\left(x_n\right),\cdots$
中有某些值相等时, 则把那些相等的值分别合并, 并把对应的概率相加即可.
例 2.6.1 已知随机变量 $X$ 的分布列如下, 求 $Y=X^2+X$ 的分布列.
$X$ -2 -1 0 1 2

---

$P$ 0.2 0.1 0.1 0.3 0.3
解 $Y=X^2+X$ 的分布列为
$Y$ 2 0 0 2 6

---

$P$ 0.2 0.1 0.1 0.3 0.3
再对相等的值合并, 得
$Y$ 0 2 6

---

$P$ 0.2 0.5 0.3
2.6.2 连续随机变量函数的分布
离散随机变量的函数仍是一个离散随机变量. 但连续随机变量 $X$ 的函数
$Y=g(X)$不一定为连续随机变量, 以下我们分几种情况讨论 $Y=g(X)$ 的分布.
一、当 $Y=g(X)$ 为离散随机变量
在这种情况下, 只须将 $Y$ 的可能取值一一列出,再将 $Y$
取各种可能值的概率求出即可. 例如, 设
$X\sim N\left(\mu ,{\sigma }^2\right)$ ，
$$Y=\{\begin{array}{ll}0,& X<\mu ,\\ 1,& X⩾\mu .\end{array}$$
则很容易计算得: $Y$ 服从 $p=0.5$ 的 0-1 分布.
二、当 $g(x)$ 为严格单调函数时
在这种情况下有以下定理:
定理 2.6.1 设 $X$ 是连续随机变量, 其密度函数为 $p_x(x).Y=g(X)$
是另一个连续随机变量. 若 $y=g(x)$ 严格单调, 其反函数 $h(y)$
有连续导函数, 则 $Y=g(X)$ 的密度函数为
$$p_y(y)=\{\begin{array}{ll}{p}_X[h(y)]\left|h^{\prime }(y)\right|,& a<y<b,\\ 0,& \text{ 其他. }\end{array}$$
其中
a = min ⁡ { g ( − ∞ ) , g ( ∞ ) } , b = max ⁡ { g ( − ∞ ) , g ( ∞ ) } a=\min \{g(-\infty), g(\infty)\}, b=\max \{g(-\infty), g(\infty)\} a=min{ g(−∞),g(∞)},b=max{ g(−∞),g(∞)}.
证明 不妨设 $g(x)$ 是严格单调增函数, 这时它的反函数 $h(y)$
也是严格单调增函数, 且 $h^{\prime }(y)>0$. 记
$a=g(-\infty ),b=g(\infty )$, 这意味着 $y=g(x)$ 仅在区间 $(a,b)$ 取值,
于是
当 $y<a$ 时,
$$F_Y(y)=P(Y⩽y)=0;$$
当 $y>b$ 时,
$$F_Y(y)=P(Y⩽y)=1;$$
当 $a⩽y⩽b$ 时,
$$F_Y(y)=P(Y⩽y)=P(g(X)⩽y)=P(X⩽h(y))={\int }_{-\infty }^{h(y)}{p}_X(x)\mathrm{d}x.$$
由此得 $Y$ 的密度函数为
$$p_Y(y)=\{\begin{array}{ll}{p}_X[h(y)]h^{\prime }(y),& a<y<b,\\ 0,& \text{ 其他. }\end{array}$$
同理可证当 $g(x)$ 是严格单调减函数时, 结论也成立. 但此时要注意
$h^{\prime }(y)<0$, 故要加绝对值符号, 这时 $a=g(\infty ),b=g(-\infty )$.
综上所述, 定理得证.
利用以上定理,我们来证明几个很有用的结论,并用定理形式表示.
定理 2.6.2 设随机变量 $X$ 服从正态分布 $N\left(\mu ,{\sigma }^2\right)$,
则当 $a\ne 0$ 时, 有 $Y=aX+b\sim$
$N\left(a\mu +b,a^2{\sigma }^2\right)$.
证明 当 $a>0$ 时, $Y=aX+b$ 是严格增函数, 仍在 ( − ∞ ,