当前栏目
[概率论与数理统计]笔记:2.5 随机变量函数的分布
2.5 随机变量函数的分布
随机变量函数
对于一个随机变量(X),其取值是不确定的,如果存在一个函数(g(x)),使得随机变量(X,Y)满足:
则称随机变量(Y)是随机变量(X)的函数。
(X)的统计规律决定了(Y)的统计规律.
离散型随机变量函数的分布
离散型随机变量(X)的函数(Y=g(X))显然还是离散型随机变量。
(Y)的概率分布完全由(X)的概率分布所确定。
连续型随机变量函数的分布
设随机变量(X)的密度函数为(f_X(x)),分布函数为(F_X(x))。
用函数(g(x))构造随机变量(Y=g(X)),记(Y)的密度函数为(f_Y(x)),分布函数为(F_Y(x))。
求解(Y)的密度函数的过程可以为:
- 使用(F_X(x))表示(F_Y(x)).
- 两边求导,得到用(f_X(x))表示的(f_Y(x)).
均匀分布
均匀分布线性替换后仍是均匀分布。
例题:
已知(X)的密度函数为(f_X(x)),(Y=3X+2),求(Y)的密度函数.
- (F_X(x)=P{Xle x})
- (F_Y(x)=P{Yle x})
解:
(F_Y(x)=P{Yle x}=P{3X+2le x}=P{Xle frac{x-2}{3}}=F_X(frac{x-2}{3}))
(F_Y(x)=F_X(frac{x-2}{3}))两边求导,得:
特别地,如果(X)服从区间([0,4])上的均匀分布,且
则有
事实上,若(X)服从([a,b])上的均匀分布,(Y=kX+C(k e0)),则服从相应区间上的均匀分布。
- 当(k>0)时,相应区间为([ka+C,kb+C])
- 当(k<0)时,相应区间为([kb+C,ka+C])
正态分布
线性
设(Xsim N(mu,sigma^2)),(Y=aX+b(a e0))。
当(a>0)时,(F_Y(x)=P{Yle x}=P{aX+ble x}=P{Xlefrac{x-b}{a}}=varPhi(frac{x-b}{a}))
两边都求导,得
再结合(varphi(x)=frac{1}{sqrt{2pi}sigma}e^{-frac{(x-mu)^2}{2sigma^2}}),两者对比,可得(Ysim N(amu+b,a^2sigma^2)).
当(a<0)时,过程类似,主要在于不等号的转换。
标准化
当(Y=frac{X-mu}{sigma})时,(Ysim N(0,1))。其实就是一个标准化的过程。
结论:服从正态分布的随机变量经过线性变换后仍然是服从正态分布的。
定理1 (X)的密度函数为(f_X(x)),(Y=kX+b(k e0)),则(f_Y(x)=frac{1}{|k|}f_X(frac{x-b}{k})).
非线性
-
若(Xsim N(0,1),Y=X^2),则(Y)服从自由度为1的卡方分布,记作(Ysim chi^2(1)).
-
若(Y=ln X)服从正态分布(N(mu,sigma^2)),则称随机变量(X)服从参数(mu,sigma^2)的对数正态分布,记作(ln Xsim N(mu,sigma^2))。
使用教材:
《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社
相关文章
- 前端面试 【JavaScript】— typeof 是否能正确判断类型?
- 前端面试 【JavaScript】— instanceof 能否判断基本数据类型?
- 前端面试 【JavaScript】— 能不能手动实现一下 instanceof 的功能?
- 前端面试 【JavaScript】— Object.is和=== 有什么区别?
- 前端面试 【JavaScript】— JS中类型转换有哪几种?
- 前端面试 【JavaScript】— == 和 ===有什么区别?
- 前端面试 【JavaScript】— 对象转原始类型是根据什么流程运行的?
- JavaScript 的 parseInt() 函数
- javascript实现两个数字进行组合
- JS监听键盘按键
- 大前端开发中的路由管理之五:Flutter篇
- Javascript的DOM操作
- 在Vue项目中使用WebSocket技术
- 新手向:前端程序员必学基本技能——调试JS代码
- React 毁了 Web 开发!
- 「JS 逆向百例」cnki 学术翻译 AES 加密分析
- 商标注册域名后缀用什么?商标和域名有哪些区别?
- 网站建设流程是怎样的?需要看重哪些细节?
- 网站域名商标注册流程是什么?网站域名商标有什么用?
- 如何建设一个实用性强的网站 网站上线后如何运营