概率论知识回顾(十二):连续性随机变量函数的密度函数

概率论知识回顾(十二)

重点:连续性随机变量函数的密度函数

知识回顾用于巩固知识和查漏补缺。知识回顾步骤:

  1. 查看知识回顾中的问题,尝试自己解答
  2. 自己解答不出来的可以查看下面的知识解答巩固知识。
  3. 对知识解答有疑问的,说明有关这一点的知识或者公式没有理解透彻或者没有记住,要重新翻看书籍。

知识回顾

  1. 对于密度函数为 f ( x ) f(x) f(x) 的一维连续随机变量, 若 y = g ( x ) y = g(x) y=g(x) ( − ∞ , + ∞ ) (-\infty, + \infty) (,+) 上严格单调且可导,那么 Y = g ( X ) Y = g(X) Y=g(X) 的密度函数 f Y ( y ) f_Y(y) fY(y)怎么表示?
  2. f ( x ) f(x) f(x) 在有限区间 [a, b] 以外等于 0, 那么 f Y ( y ) f_Y(y) fY(y) 有什么变化?
  3. 对于随笔变量 X X X 的密度函数 f ( x ) f(x) f(x) 来说,其取值为 (a, b), 若把 (a, b) 分成有限或可数的两两不想交的子区间 < a i , b i a_i, b_i ai,bi>, 使得 y = g ( x ) y = g(x) y=g(x) 在每一个子区间上面严格单调可导,那么 Y = g ( X ) Y = g(X) Y=g(X) 的密度函数怎么表示?
  4. Y = g ( X ) Y = g(X) Y=g(X), X X X 的密度函数为 f ( x ) f(x) f(x), 那么用分布函数法求 f Y ( y ) f_Y(y) fY(y) 该怎么求?

知识解答

  1. 对于密度函数为 f ( x ) f(x) f(x) 的一维连续随机变量, 若 y = g ( x ) y = g(x) y=g(x) ( − ∞ , + ∞ ) (-\infty, + \infty) (,+) 上严格单调且可导,那么 Y = g ( X ) Y = g(X) Y=g(X) 的密度函数 f Y ( y ) f_Y(y) fY(y)怎么表示?
    • f Y ( y ) = { f [ h ( y ) ] ∣ h ′ ( y ) ∣ α ≤ x ≤ β 0 o t h e r w i s e f_Y(y) = \begin{cases} f[h(y)]|h'(y)| & \alpha\le x\le \beta \\ 0 & otherwise \end{cases} fY(y)={f[h(y)]h(y)0αxβotherwise
    • 其中 h ( y ) h(y) h(y) g ( x ) g(x) g(x) 的反函数。 α = min ⁡ ( g ( − ∞ ) , g ( + ∞ ) ) , β = max ⁡ ( g ( − ∞ ) , g ( + ∞ ) ) \alpha = \min(g(-\infty), g(+\infty)), \beta = \max(g(-\infty), g(+\infty)) α=min(g(),g(+)),β=max(g(),g(+))
  2. f ( x ) f(x) f(x) 在有限区间 [a, b] 以外等于 0, 那么 f Y ( y ) f_Y(y) fY(y) 有什么变化?
    • 函数的定义没有什么变化,只是定义域 y 的范围有了变化。即 α = min ⁡ ( g ( a ) , g ( b ) ) , β = max ⁡ ( g ( a ) , g ( b ) ) \alpha = \min(g(a), g(b)), \beta = \max(g(a), g(b)) α=min(g(a),g(b)),β=max(g(a),g(b))
  3. 对于随笔变量 X X X 的密度函数 f ( x ) f(x) f(x) 来说,其取值为 (a, b), 若把 (a, b) 分成有限或可数的两两不想交的子区间 < a i , b i a_i, b_i ai,bi>, 使得 y = g ( x ) y = g(x) y=g(x) 在每一个子区间上面严格单调可导,那么 Y = g ( X ) Y = g(X) Y=g(X) 的密度函数怎么表示?
    • f Y ( y ) = ∑ k ψ k ( y ) , − ∞ < y < + ∞ f_Y(y) = \sum_k\psi_k(y), -\infty < y < + \infty fY(y)=kψk(y),<y<+
    • 其中: ψ k ( y ) = { f [ h k ( y ) ] ∣ h k ′ ( y ) ∣ , α k < y < β k 0 , o t h e r w i s e \psi_k(y) = \begin{cases} f[h_k(y)]|h'_k(y)| , & \alpha_k < y < \beta_k \\ 0, & otherwise \end{cases} ψk(y)={f[hk(y)]hk(y),0,αk<y<βkotherwise
    • 其中 h k ( y ) h_k(y) hk(y) y = g ( x ) y = g(x) y=g(x) 在 < a k , b k a_k, b_k ak,bk> 上的反函数, α k = min ⁡ ( g ( a k ) , g ( b k ) ) , β k = max ⁡ ( g ( a k ) , g ( b k ) ) \alpha_k = \min(g(a_k), g(b_k)), \beta_k = \max(g(a_k), g(b_k)) αk=min(g(ak),g(bk)),βk=max(g(ak),g(bk))
  4. Y = g ( X ) Y = g(X) Y=g(X), X X X 的密度函数为 f ( x ) f(x) f(x), 那么用分布函数法求 f Y ( y ) f_Y(y) fY(y) 该怎么求?
    F Y ( y ) = P { Y ≤ y } = P { Y ≤ g ( x ) } = P { X ≤ h ( y ) } = F ( h ( x ) ) = ∫ − ∞ h ( y ) f ( x ) d x 所 以 : f Y ( y ) = f [ h ( y ) ] ∣ h ( y ) ∣ \begin{aligned} F_Y(y) &= P\begin{Bmatrix} Y \le y \end{Bmatrix} \\ &= P\begin{Bmatrix} Y \le g(x) \end{Bmatrix} \\ &= P\begin{Bmatrix} X \le h(y) \end{Bmatrix} \\ &= F(h(x)) \\ &= \int_{-\infty}^{h(y)}f(x)dx \\ 所以:f_Y(y) = f[h(y)]|h(y)|\end{aligned} FY(y)fY(y)=f[h(y)]h(y)=P{Yy}=P{Yg(x)}=P{Xh(y)}=F(h(x))=h(y)f(x)dx

你可能感兴趣的:(回顾-概率论)