随机变量变换

本篇笔记内容来源
概率论与数理统计教程（第三版） 茆诗松 高等教育出版社
数理统计学导论（原书第7版） 机械工业出版社

一元

设 $X$ 是具有 $pdf{f}_X(x)$ 以及支集 ${\mathcal{S}}_X$ 的连续随机变量. 设 $Y=g(X)$ ，其中 $g(x)$ 表示支集 ${\mathcal{S}}_X$ 上一对一的可微函数. 则 $Y$ 的 $pdf$ 为

$$f_Y(y)=f_X(g^{-1}(y))\left|\frac{\mathrm{d}}{\mathrm{d}y}{g}^{-1}(y)\right|$$

证明

因为 $g(x)$ 是一对一且连续的，所以它一定是严格单调的.

 假定 $g(x)$ 是严格单调递增的，则其反函数也是单调递增的

$$F_Y(y)=P[Y⩽y]=P[g(X)⩽y]=P[X⩽g^{-1}(y)]=F_X(g^{-1}(y))$$

所以 $Y$ 的 $pdf$ 为

$$f_Y(y)=\frac{\mathrm{d}}{\mathrm{d}y}{F}_Y(y)=\frac{\mathrm{d}}{\mathrm{d}y}{F}_X(g^{-1}(y))=f_X(g^{-1}(y))\frac{\mathrm{d}}{\mathrm{d}y}{g}^{-1}(y)$$

其中 $\frac{\mathrm{d}}{\mathrm{d}y}{g}^{-1}(y)>0$ ，取绝对值不影响结果

  $g(x)$ 严格单调递减的情况也类似，就差个负号

先求 $cdf$

$$F_Y(y)=P[Y⩽y]=P[g(X)⩽y]=P[X⩾g^{-1}(y)]=1-F_X(g^{-1}(y))$$

再求 $pdf$

$$f_Y(y)=\frac{\mathrm{d}}{\mathrm{d}y}{F}_Y(y)=\frac{\mathrm{d}}{\mathrm{d}y}[1-F_X(g^{-1}(y))]=-f_X(g^{-1}(y))\frac{\mathrm{d}}{\mathrm{d}y}{g}^{-1}(y)$$

其中 $\frac{\mathrm{d}}{\mathrm{d}y}{g}^{-1}(y)<0$ ，加上负号取绝对值也不影响结果

二元

设二维随机变量 $(X,Y)$ 的联合 $pdf$ 为 $f(x,y)$ ，如果函数

$$\{\begin{array}{l}u=g_1(x,y)\\ v=g_2(x,y)\end{array}$$

有连续偏导数，且存在唯一的反函数

$$\{\begin{array}{l}x=x(u,v)\\ y=y(u,v)\end{array}$$

其变换的雅可比行列式不为零

$$J=\frac{\partial (x,y)}{\partial (u,v)}=\left|\begin{array}{cc}\frac{\partial x}{\partial u}& \frac{\partial x}{\partial v}\\ \frac{\partial y}{\partial u}& \frac{\partial y}{\partial v}\end{array}\right|\ne 0$$

则 $(U,V)$ 的联合 $pdf$ 为

$$f(u,v)=p(x(u,v),y(u,v))|J|$$

这个方法实际上就是二重积分的变量变换法，其证明可参阅数学分析教科书