分布函数法与一维换元公式

所属章节:第2章 一维随机变量及其分布

(2) 连续型 →\to 连续型(或混合型) .

设 XX 为连续型随机变量,其分布函数、概率密度分别为 FX(x)F_X(x) 与 fX(x)f_X(x),随机变量 Y=g(X)Y = g(X) 是 XX 的函数,则 YY 的分布函数或概率密度可用下面两种方法求得 .

① 分布函数法(定义法) .

直接由定义求 YY 的分布函数

FY(y)=P{Y⩽y}=P{g(X)⩽y}=∫g(x)⩽yfX(x) dx,F_Y(y) = P\{Y \leqslant y\} = P\{g(X) \leqslant y\} = \int_{g(x) \leqslant y} f_X(x) \, \mathrm{d}x ,

如果 FY(y)F_Y(y) 连续,且除有限个点外,FY′(y)F_Y'(y) 存在且连续,则 YY 的概率密度 fY(y)=FY′(y)f_Y(y) = F_Y'(y) .

② 公式法 .

根据上面的分布函数法,若 y=g(x)y = g(x) 在 (a,b)(a, b) 上是关于 xx 的严格单调可导函数,则存在 x=h(y)x = h(y) 是 y=g(x)y = g(x) 在 (a,b)(a, b) 上的可导反函数 .

若 y=g(x)y = g(x) 严格单调增加,则 x=h(y)x = h(y) 也严格单调增加,即 h′(y)>0h'(y) > 0,且

FY(y)=P{Y⩽y}=P{g(X)⩽y}=P{X⩽h(y)}=∫−∞h(y)fX(x) dx,F_Y(y) = P\{Y \leqslant y\} = P\{g(X) \leqslant y\} = P\{X \leqslant h(y)\} = \int_{-\infty}^{h(y)} f_X(x) \, \mathrm{d}x ,

故 fY(y)=FY′(y)=fX[h(y)]⋅h′(y)f_Y(y) = F_Y'(y) = f_X[h(y)] \cdot h'(y) .

若 y=g(x)y = g(x) 严格单调减少,则 x=h(y)x = h(y) 也严格单调减少,即 h′(y)<0h'(y) < 0,且

FY(y)=P{Y⩽y}=P{g(X)⩽y}=P{X⩾h(y)}=∫h(y)+∞fX(x) dx,F_Y(y) = P\{Y \leqslant y\} = P\{g(X) \leqslant y\} = P\{X \geqslant h(y)\} = \int_{h(y)}^{+\infty} f_X(x) \, \mathrm{d}x ,

故 fY(y)=FY′(y)=−fX[h(y)]⋅h′(y)=fX[h(y)]⋅[−h′(y)]f_Y(y) = F_Y'(y) = -f_X[h(y)] \cdot h'(y) = f_X[h(y)] \cdot [-h'(y)] .

综上,

fY(y)={fX[h(y)]⋅∣h′(y)∣,α<y<β,0,其他,f_Y(y) = \begin{cases} f_X[h(y)] \cdot |h'(y)|, & \alpha < y < \beta, \\ 0, & \text{其他}, \end{cases}

其中 α=min⁡{lim⁡x→a+g(x), lim⁡x→b−g(x)}\alpha = \min \left\{ \lim\limits_{x \to a^+} g(x), \, \lim\limits_{x \to b^-} g(x) \right\},β=max⁡{lim⁡x→a+g(x), lim⁡x→b−g(x)}\beta = \max \left\{ \lim\limits_{x \to a^+} g(x), \, \lim\limits_{x \to b^-} g(x) \right\} .

关联知识

原文:原笔记 · 2.3.2 随机变量函数的分布(原文件第 171–206 行)。

返回概率论导航