作者:Vamei 出處:http://www.cnblogs.com/vamei 歡迎轉載,也請保留這段聲明。謝謝!
在前面的文章中,我先将機率值配置設定給各個事件,得到事件的機率分布。
通過事件與随機變量的映射,讓事件“數值化”,事件的機率值轉移到随機變量上,獲得随機變量的機率分布。
我們使用随機變量的函數,來定制新的随機變量。随機變量的函數是從舊有的随機變量到一個新随機變量的映射。通過函數的映射功能,原有随機變量對應新的随機變量。通過原有随機變量的機率分布,我們可以獲知新随機變量的機率分布。事件,随機變量,随機變量函數的關系如下:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5iZhJTNwQWOilTY2gjYjJjYmBDZ0EWYzgTOhN2Y4YmNz0SNwkjM2ETMw8CX4AzMxAjMvwlNxQzMxQzLcd2bsJ2Lc12bj5ycn9Gbi52YuAzcldWYtl2Lc9CX6MHc0RHaiojIsJye.png)
一個簡單的例子是擲硬币。出現正面的話,我赢1個籌碼,負面的話,我輸1個籌碼。那麼,投擲一次,赢的籌碼數是一個随機變量X,X可能取值為1和-1。是以X的分布為:
$$P(1) = 0.5$$
$$P(-1) = 0.5$$
換一個角度來思考,我們将正負面“換算”成輸赢的錢。如果一個籌碼需要10元錢買,那麼投擲一次硬币,赢的錢是一個随機變量Y,且[$ Y = 10X $]。Y的分布為:
$$P(10) = 0.5$$
$$P(-10) = 0.5$$
Y實際上是随機變量X的一個函數。X的1對應Y的10,X的-1對應Y的-10。即[$Y = 10X $]
小總結,在上面的實驗中,硬币為正面為一個事件。赢得的籌碼數為一個随機變量X。赢得的錢是X的函數Y,它也是一個随機變量。
随機變量的函數還可以是多變量函數,[$Y = g(X_1, X_2, ..., X_n)$]。Y的值y對應的是多元空間的點[$(x_1, x_2,..., x_n)$]。比如擲硬币,第一次赢的籌碼為[$X_1$],第二次赢的籌碼為[$X_2$]。我們可以構成一個新的随機變量[$Y = X_1 + X_2$],即兩次赢得的籌碼的總和。
一個核心問題是,如何通過X的機率分布,來獲得[$Y=g(X)$]的機率分布。基本的思路是,如果我們想知道Y取某個值y的機率,可以找到對應的X值x的機率。這兩個機率相等。
是以,我們使用如下方法來獲得Y的機率。如果有函數關系[$Y=g(X_1, X_2, ..., X_n)$],獲得Y分布的基本方法是:
1. 通過[$Y=g(X_1, X_2, ..., X_n)$],找到對應[$\{ Y \le y \}$]的[$(x_1, x_2, ..., x_n)$]區間I。
2. 在區間I上,積分[$ f(x_1, x_2, ..., x_n) $],獲得[$ P(Y \le y) $]
3. 通過微分,獲得密度函數。
如果有函數關系[$ Y = X^2 $], 而X滿足下面的分布:
$$f(x) = \frac{1}{\sqrt{2\pi}}e^{-x^2/2}$$
對于任意[$y \ge 0$]來說,
$$F(y) = P(Y \le y) = P(X^2 \le y) = P(-\sqrt{y} \le X \le \sqrt{y}) $$
$$F(y) = \int_{-\sqrt{y}}^{\sqrt{y}}\frac{1}{\sqrt{2\pi}}e^{-x^2/2}dx = 2 \int_{0}^{\sqrt{y}}\frac{1}{\sqrt{2\pi}}e^{-x^2/2}dx$$
對上面的F(y)微分,即獲得密度函數
$$f(y) = \frac{1}{\sqrt{2\pi}}y^{-1/2}e^{-y/2}, 0 \le y \le \infty$$
繪制密度函數
上面的例子展示的是單變量函數,我們看一個多變量函數的例子。即[$ Y=g(X_1, X_2, ..., X_n) $],且已知[$X_1, X_2, ..., X_n$]的聯合分布為[$f(x_1, x_2, ..., x_n)$]。我們需要找到滿足[$ g(x_1, x_2, ..., x_n) \le y $]的區間。
比如,[$ Y = X_1 + X_2 $],且[$X_1, X_2$]滿足如下分布:
$$f(x_1, x_2) = \frac{1}{2 \pi} \exp \left( -\frac{1}{2} \left( x_1^2 + x_2^2 \right) \right)$$
為了讓[$x_1 + x_2 \le y$],我們可以讓[$x_1$]任意取值,而讓[$x_2 \le y - x_1$]
$$F_Y(y) = \int_{-\infty}^{\infty} \int_{-\infty}^{y - x_1} f(x_1, x_2) dx_2dx_1 $$
讓x_2 = v - x_1,有
$$F_Y(y) = \int_{-\infty}^{\infty} \int_{-\infty}^{y} f(x_1, v - x_1)dvdx_1 = \int_{-\infty}^{y} \int_{-\infty}^{\infty}f(x_1, v - x_1)dvdx_1$$
微分,可得y的分布為:
$$ f_Y(y) = \int_{-\infty}^{\infty} f(x_1, y - x_1) dx_1 = \int_{-\infty}^{\infty} \frac{1}{2 \pi} \exp \left( -\frac{1}{2} \left( x_1^2 + (y - x_1)^2 \right) \right) dx_1 $$
上述方程也可以使用數值方法求解:
代碼如下:
上面的int_core()函數是一個閉包,它表示積分核部分。density()函數用于求某個y值下的積分結果。
(我們也可以利用解析的方法,推導出f(y)滿足分布[$N(0, \sqrt{2})$]。如果有微積分基礎,可以将此作為練習。)
上面求新的随機變量分布的步驟較為繁瑣。在一些特殊情況下,我們可以直接代入通用公式,來獲得新的分布。
(通用公式實際上是從基本方法推導出的數學表達式)
對于單變量函數來說,如果[$Y=g(X)$],g是一個可微并且單調變化的函數 (在該條件,存在反函數[$g^{-1}$],使得[$X=g^{-1}(Y))$]。那麼我們可以使用下面的通用公式,來獲得Y的分布:
$$f_Y(y) = f_X(g^{-1}(y)) \cdot \frac{d}{dy}g^{-1}(y)$$
假設X為标準分布,即[$N(0, 1)$],且[$Y = 5X + 1$],那麼[$g^{-1}(y) = (y - 1)/5$],是以:
$$f_Y(y) = f_X((y-1)/5) \cdot (1/5) = \frac{1}{5\sqrt{2\pi}}e^{-(y-1)^2/(2 \times 25)}$$
可以看到,新的分布是一個[$\mu = 1, \sigma=5$]的正态分布,即[$N(1, 5)$]
并不是所有的函數都有反變換,是以這裡的“通用”公式并不能适用于所有的情況。
在一些特殊情況下,我們可以使用多變量函數的通用公式。
如果[$U=g_1(X, Y), V=g_2(X, Y)$],且存在反變換,使得
$$X = h_1(U, V)$$
$$Y = h_2(U, V)$$
那麼,我們可以通過如下公式,從X,Y的分布獲得U,V的聯合分布:
$$f_{UV}(u, v) = f_{XY}(h_1(u, v), h_2(u, v))|J|$$
J表示雅可比變換(Jacobian tranformation),表示如下
$$J = \left| \begin{array}{cc} \frac{\partial x}{\partial u} & \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} & \frac{\partial y}{\partial v} \end{array} \right| =\frac{\partial x}{\partial u}\frac{\partial y}{\partial v}-\frac{\partial x}{\partial v}\frac{\partial y}{\partial u} $$
如果X和Y是獨立的随機變量,且有相同的分布$$f(x) = e^{-x}, x \ge 0$$。如果[$U = X+Y, V= Y$],求U和V的聯合分布。
由于X和Y獨立,是以
$$f_XY(x, y) = f(x)f(y) = e^{-x}e^{-y}$$
根據[$ U=X+Y $],[$V= Y$],可以得到[$ u \ge 0, v \ge 0$], 且有:
$$X = U - V$$
$$Y = V$$
是以
$$f(u, v) = e^{-(u-v)}e^{-v} = e^{-u}, u \ge 0, v \ge 0$$
通過随機變量的函數,我們可以利用已知随機變量,建立新的随機變量,并獲得其分布。
歡迎繼續閱讀“資料科學”系列文章
如果你喜歡這篇文章,歡迎推薦。