Processing math: 100%

2017年7月15日土曜日

Gamarnik, Tsisiklis. Fundamentals of Probability 10日目 写像で作られる確率変数のpdf

David Gamarnik, and John Tsitsiklis. 6.436J Fundamentals of Probability. Fall 2008. Massachusetts Institute of Technology: MIT OpenCourseWare, https://ocw.mit.edu. License: Creative Commons BY-NC-SA.

Lecture 10. Derived Distributions

random variable XとPDF fXが与えられ,measurable gがあるとき,Y=g(X)のdistribution(CDF, PDF or PMF)を知りたいことがよく有る.Xがdiscreteならば
pY(y)={x|g(x)=y}pX(x)
でよいが、continuousな場合はより複雑になる.

1. Functions of a Single Random Variable

Calculation of the PDF of a Function Y=g(X) of a Continuous Random Variable X

(a) FY(y)=P(g(X)y)={x|g(x)y}fX(x)dx
(b) fY(y)=dFYdy(y)

Example

Y=g(X)=X2とする.Xがcontinuousであって,fXをPDFとする.このとき
FY(y)=P(Yy)=P(X2y)=P(yXy)=FX(y)FX(y)
よって
fY(y)=dFYdy(y)=12y(fX(y)+fX(y))

Example

Xは非負でY=exp(X2)とする.
FY(y)={0   (y<1)P(eX2y)   (y1)
ここでP(eX2y)=P(X2logy)=P(Xlogy)
よってfY(y)=fX(logy)/(2ylogy)

1.1 The Case of Monotonic Functions

Ag(Ω)g:RRが狭義単調増加かつ微分可能なとき,B={g(x)|xA}とする.g|Aは可逆でg1|Aがある.yBに,chain ruleによって
fY(y)=ddyP(g(X)y)=ddyP(Xg1|A(y))=ddyFX(g1|A(y))=fX(g1|A(y))dg1|A(y)dy
dg1|Ady(y)=1g(g1(y))
を代入して
fY(y)=fX(g1(y))1g(g1|A(y))
gが狭義単調現象の場合にもほとんど同様に
fY(y)=fX(g1(y))1g(g1|A(y))
が成立して,
fY(y)=fX(g1(y))1|g(g1(y))|
である.
fY(y)|dy|=fX(x)|dx|
で,y=g(x),dy=|g(x)||dx|から
fY(y)|g(x)|=fX(x)
と考えれば良い.

1.2 Linear Functions

g(x)=ax+bつまりY=aX+bとなる場合を考える.a0とする.このとき
g(x)=a,g1(y)=(yb)/aであって,
fY(y)=1|a|fX((yb)/a)
である.

Example (A linear function of a normal random variable is normal)

X=dN(0,1),Y=aX+bとする.
fY(y)=12π|a|exp((yb)22a2)
すなわちYN(b,a2)である.

2. Multivariate Transformations

X=(X1,...,Xn)というjointly continousなrandom variableのベクトルを考えて,joint PDFはfX(x)=fX(x1,...,xn)とする.g:RnRnがあって,Y=(y1,...,yn)=g(X)とする.g=(g1,...,gn)とするとYi=gi(X)である.
g が openなARnで連続微分可能であるとき,B=g(A)gが可逆とする.
このtきg1|Bが存在する.
1次元の場合とほとんど同様の議論で多次元版に拡張できる.

2.1 Linear Functions

gは線形で,g=Mxとする.Mn×n行列である.xAを固定してδ>0とする.
xAδ>0を固定する.C=[x,x+δ]nAという超立方体を考えてD=MC=g(C)とする.Dの体積は|detM|δnである.
y=Mxとして,fX(x)xで連続なら
P(XC)=CfX(t)dt=fX(x)δn+o(δn)fX(x)δn
が成立する.したがって
fX(x)δnP(XC)=P(YD)fY(y)vol(D)=fY(y)|detM|δn
である.両辺をδnで割って,fX(x)=fY(y)|detM|が言える.
Mが可逆であればM1があって,さらにdet(M1)=1/(detM)に注意すれば,
fY(y)=fX(M1y)1|detM|
が成立する.Mが非可逆ならYSRでのみ値をとり,jointly continuousでない.SはあるRm,m<nに同型なので,YRmのjoint PDFとして書ける.

2.2 The General Case

gxrで連続微分可能な場合,M(x)gxにおけるJacobi行列とする.D=g(C)は直線で囲まれた図形ではないが,1つぎのTaylor展開によってgxの周りで線形近似できる.Dが体積|detM(x)|δn+o(δn)を持つから,線形の場合と同様に
fY(y)=fX(g1(y))|M(g1(y))=fX(g1(y))|M1(g1(y))|
である.ここでJ(y)g1(y)のJacobi行列とすれば,y=g(x)J(y)=M1(x)であって,
fY(y)=fX(g1(y))|J(y)|
である.

3. A Single Function of Multiple Random Variables

X=(X1,...,Xn),g1:RnRがあって,random variableY=g1(X)とする.
FY(y)=P(g(X)y)={x|g(x)y}fX(x)dx
を微分すればPDFを得られる.
もう一つの方法に,g2,...,gn:RnR,Yi=gi(X)を,g=(g1,...,gn)が可逆であるように定義して2.2で述べた公式を用いてY=(Y1,...,Yn)のjoint PDFを求め,Y1のPDFを積分によって求めるというのが有る.
最も単純なYi,i2の定め方はYi=Xiであって,g(x)=(g1(x),x2,...,xn)として,h:RnRg1の第一次元とする(y=g(x),x1=h(y)).
このときg1(y)=(h(y),y2,..,yn),Jacobi 行列は
J(y)=(y1h(y)y2h(y)ynh(y)010001)
よって|detJ(y)|=|hy1(y)|
fY(y)=fX(h(y),y2,..,yn)|hy1(y)|dy2dyn

Example

X1,X2は正でjointly continousで,Y1=g(X1,X2)=X1X2のPDFを求める.
x1=y1/x2からh(y1,y2)=y1/y2であって,hy1=1/y2
fY1(y1)=fX(y1/y2,y2)1y2dy2=fX(y1/y2,x2)1x2dx2
X1,X2=dU(0,1)とすると
fX(y1/x2,x2)=fX1(y1/x2)fX2(x2)=1   (x2y1)
から
fY1(y1)=1y11x2dx2=logy
1FY1(y1)=P(X1X2y1)=1y11y1/x1dx2dx1=y1(1y1/x1)dx1=(1y1)+y1logy1
したがってfY1(y1)=logy1

4. Maximum And Minimum of Random Variables

X1,...,Xnは独立とする.またX(1)X(2)X(n){Xi}order statisticsとする.すなわちX(1){Xi}の最少, X(2){Xi}の二番目に小さい要素,… である.
このoder statistics のjoint distributionとminXj,maxXjのdistributionを求める.
P(maxXjx)=P(X1,...,Xnx)=P(X1x)P(Xnx)=FX1(x)FXn(x)
が成立し,また
P(minXjx)=1P(minXj>x)=1P(X1,...,Xn)>x)=1(1FX1(x))(1FXn(x))
である.
特に{Xj}がi.i.d.(独立だが同じdistribution)でそのCDFがF, PDFがfとするとき,
P(maxXjx)=Fn(x),  P(minXjx)=1(1F(x))n
であって,
fmaxXj(x)=nFn1(x)f(x),  fminXj(x)=n(1F(x))n1f(x)

5. Sum of Independent Random Variables - Convolution

X,Yは独立なdiscrete random variableとする.X+YのPMFは
pX+Y(z)=P(X+Y=z)={(z,y)|x+y=z}P(X=x,Y=y)=xpX(x)pY(zx)
である.continuousでも,jointly continousなら
P(X+Yz)={x,y|x+yz}fX,Y(x,y)dxdy=zxfX,Y(x,y)dydx
ここでt=x+yとすると
P(X+Yz)=zfX,Y(x,tx)dtdx
tで微分して
fX+Y(z)=fX,Y(zx)dx
特にX,Yが独立なら
fX+Y(z)=fX(x)fY(zx)dx
である.

0 件のコメント:

コメントを投稿