264 字
1 分钟
一维随机变量函数及其分布

随机变量函数Y=g(X)的概率密度和分布函数#

  • 核心思想:变量代换

如何通过 XX 的概率密度 fX(x)f_X(x) 和分布函数 FX(X)F_X(X) ,来获得 Y=g(X)Y=g(X) 的概率密度 fY(y)f_Y(y) 和分布函数 FY(y)F_Y(y)

  1. 通过 Y=g(X)Y=g(X) ,找到对应 {Yy}\{Y≤y\}xx 区间 II

  2. 在区间 II 上, If(x)dx\int_I f(x)dx ,获得 P(Yy)P(Y≤y) ,也就是 FY(y)F_Y(y)

  3. 求导 FY(y)F_Y(y),获得密度函数 fY(y)f_Y(y)

FY(y)=P(Yy)=P(g(X)y)解出来x的范围(含y),假设是y1xy2FY(y)=FX(y2)FX(y1)FY(y)=y1y2fX(x)fY(y)=FY(y)F_Y(y)=P(Y\leq y)=P(g(X)\leq y)\\ \text{解出来$x$的范围(含$y$),假设是$y_1\leq x\leq y_2$}\\ \begin{align*} F_Y(y)&=F_X(y_2)-F_X(y_1)\\ \text{或} F_Y(y)&=\int_{y_1}^{y_2}f_X(x)\\ f_Y(y)&=F_Y^\prime(y)\\ \end{align*}

对于连续型随机变量,直接公式法:

y=g(x)y=g(x) 是严格单调的且反函数 h(y)h(y) 可导时, 则随机变量 YY 仍为连续型随机变量, 且有概率密度函数

fY(y)={fX(h(y))h(y)A<y<B0others其中A=min{g(a),g(b)},B=max{g(a),g(b)}f_Y(y)=\left\{\begin{matrix} \begin{align*} &f_X(h(y))\cdot|h^\prime(y)|&&A <y<B\\ &0 &&others \end{align*} \end{matrix}\right.\\ \text{其中}A=\min\{g(a),g(b)\},B=\max\{g(a),g(b)\}
  • 推论:正态变量的线性变换依然是正态变量,即 Y=aX+b,XN(μ,σ2)Y=aX+b,X\sim N(\mu,\sigma^2),则 YN(aμ+b,a2σ2)Y\sim N(a\mu+b,a^2\sigma^2)

例如:

XE(2),Y=1e2XX\sim E(2),Y=1-e^{-2X},求Y的分布

分布函数法#

FY(y)=P(Yy)=P(1e2Xy)当y<0时FY(y)=0当y>1时FY(y)=1当0<y<1时FY(y)=P(X12ln(1y))=FX(12ln(1y))=1e2(12ln(1y))=yF_Y(y)=P(Y\leq y)=P(1-e^{-2X}\leq y)\\ \text{当y<0时}\\ F_Y(y)=0\\ \text{当y>1时}\\ F_Y(y)=1\\ \text{当0<y<1时}\\ F_Y(y)=P(X\leq -\frac{1}{2}\ln (1-y))\\ =F_X(-\frac{1}{2}\ln (1-y))\\ =1-e^{-2(-\frac{1}{2}\ln (1-y))}\\ =y

公式法#

y的反函数是 h(y)=12ln(1y)h(y)=-\frac{1}{2}\ln (1-y)

一维随机变量函数及其分布
https://biscuit0613.github.io/posts/possibilitytheory/pt_1drandvarfunc/
作者
Biscuit
发布于
2025-10-27
许可协议
CC BY-NC-SA 4.0