UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的条件概率与条件期望
UA MATH563 概率論的數(shù)學(xué)基礎(chǔ) 鞅論初步2 條件期望的應(yīng)用:推導(dǎo)二元隨機(jī)變量的相關(guān)計(jì)算公式
上一講我們介紹了關(guān)于σ\sigmaσ-代數(shù)定義的條件期望以及關(guān)于隨機(jī)變量的條件期望,這一講我們用這些定義推導(dǎo)二元隨機(jī)變量的條件密度、條件期望等計(jì)算公式。
我們先描述一下概率空間,取Ω=R2\Omega = \mathbb{R}^2Ω=R2,它與B(R2)\mathcal{B}(\mathbb{R}^2)B(R2)構(gòu)成可測(cè)空間,用PPP表示定義在這個(gè)可測(cè)空間上的一個(gè)概率。(X,Y)(X,Y)(X,Y)是定義在這個(gè)可測(cè)空間上的隨機(jī)向量,它的概率密度是f(x,y)f(x,y)f(x,y),
P((X,Y)∈A)=∫χAdP=?Af(x,y)dxdy,?A∈B(R2)P((X,Y) \in A)=\int \chi_A dP=\iint_A f(x,y)dxdy,\forall A \in \mathcal{B}(\mathbb{R}^2)P((X,Y)∈A)=∫χA?dP=?A?f(x,y)dxdy,?A∈B(R2)
我們要回答的第一個(gè)問題是P(Y∈B∣X=x)P(Y \in B|X=x)P(Y∈B∣X=x)如何計(jì)算。
考慮?x∈R\forall x \in \mathbb{R}?x∈R
P(Y∈B∣X=x)=P(Y?1(B)∩X?1(x))P(X?1(x))=?{x}×Bf(x,y)dxdy?{x}×Rf(x,y)dxdy=∫Bf(x,y)dy∫Rf(x,y)dy?∫Bf(y∣x)dyP(Y \in B|X=x) = \frac{P(Y^{-1}(B) \cap X^{-1}(x))}{P(X^{-1}(x))} \\ = \frac{ \iint_{\{x\} \times B }f(x,y)dxdy}{\iint_{ \{x\} \times \mathbb{R} }f(x,y)dxdy}=\frac{\int_B f(x,y)dy}{\int_{\mathbb{R}}f(x,y)dy}\triangleq \int_B f(y|x)dyP(Y∈B∣X=x)=P(X?1(x))P(Y?1(B)∩X?1(x))?=?{x}×R?f(x,y)dxdy?{x}×B?f(x,y)dxdy?=∫R?f(x,y)dy∫B?f(x,y)dy??∫B?f(y∣x)dy
其中∫Rf(x,y)dy\int_{\mathbb{R}}f(x,y)dy∫R?f(x,y)dy是XXX的邊緣密度,記為fX(x)f_X(x)fX?(x),f(y∣x)f(y|x)f(y∣x)是Y∣X=xY|X=xY∣X=x的概率密度,稱之為YYY關(guān)于XXX的條件密度,
f(y∣x)=f(x,y)fX(x)f(y|x) = \frac{f(x,y)}{f_X(x)}f(y∣x)=fX?(x)f(x,y)?
表面上看我們仿佛得到了一個(gè)條件密度的公式,根據(jù)這個(gè)公式可以計(jì)算條件概率,但是這個(gè)公式還不是很嚴(yán)謹(jǐn),因?yàn)?span id="ze8trgl8bvbq" class="katex--inline">(X,Y)∈R2(X,Y) \in \mathbb{R}^2(X,Y)∈R2,xxx的取值有可能使得fX(x)=0f_X(x)=0fX?(x)=0,所以接下來我們要處理一下fX(x)=0f_X(x)=0fX?(x)=0的情況。計(jì)算
P({x:fX(x)=0})=?{x:fX(x)=0}×Rf(x,y)dxdyP(\{x:f_X(x)=0\})=\iint_{\{x:f_X(x)=0\} \times \mathbb{R}}f(x,y)dxdyP({x:fX?(x)=0})=?{x:fX?(x)=0}×R?f(x,y)dxdy
根據(jù)Fubini-Tonelli定理,交換積分次序
P({x:fX(x)=0})=?{x:fX(x)=0}×Rf(x,y)dydx=∫{x:fX(x)=0}fX(x)dx=0P(\{x:f_X(x)=0\})=\iint_{\{x:f_X(x)=0\} \times \mathbb{R}}f(x,y)dydx \\ = \int_{\{x:f_X(x)=0\}}f_X(x)dx=0P({x:fX?(x)=0})=?{x:fX?(x)=0}×R?f(x,y)dydx=∫{x:fX?(x)=0}?fX?(x)dx=0
這說明{x:fX(x)=0}\{x:f_X(x)=0\}{x:fX?(x)=0}是一個(gè)零測(cè)集,因此支撐集suppfX(x)={x:fX(x)>0}supp f_X(x)=\{x:f_X(x)>0\}suppfX?(x)={x:fX?(x)>0}幾乎必然等于R\mathbb{R}R,在分析時(shí)我們總是可以用支撐集代替全集進(jìn)行計(jì)算。
接下來我們討論第二個(gè)問題,E[g(Y)∣X]E[g(Y)|X]E[g(Y)∣X]如何計(jì)算,其中ggg是Borel可測(cè)函數(shù)。
我們可以基于上面定義的條件密度計(jì)算
E[g(Y)∣X]=∫Rg(y)f(y∣X)dyE[g(Y)|X]=\int_{\mathbb{R}} g(y)f(y|X)dyE[g(Y)∣X]=∫R?g(y)f(y∣X)dy
這里就涉及f(y∣X)f(y|X)f(y∣X)這個(gè)我們沒定義過的東西了,所以接下來我們定義一下它。
f(y∣X)=P(Y?1(y)∣X)=P(Y?1(y)∣σ(X))=P(Y?1(y)∩σ(X))P(σ(X))=f(X,y)∫yf(X,y)dyf(y|X)=P(Y^{-1}(y)|X)=P(Y^{-1}(y)|\sigma(X)) \\=\frac{P(Y^{-1}(y)\cap \sigma(X))}{P(\sigma(X))}=\frac{f(X,y)}{\int_{\mathbb{y}}f(X,y)dy}f(y∣X)=P(Y?1(y)∣X)=P(Y?1(y)∣σ(X))=P(σ(X))P(Y?1(y)∩σ(X))?=∫y?f(X,y)dyf(X,y)?
這個(gè)推導(dǎo)中需要注意的是關(guān)于XXX的條件概率就是關(guān)于σ(X)\sigma(X)σ(X)的條件概率,這種條件概率依然是隨機(jī)變量,因此f(y∣X)f(y|X)f(y∣X)也是隨機(jī)變量。
《新程序員》:云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作,文字、視頻、音頻交互閱讀總結(jié)
以上是生活随笔為你收集整理的UA MATH563 概率论的数学基础 鞅论初步2 条件期望的应用:推导二元随机变量的条件概率与条件期望的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: UA MATH523A 实分析3 积分理
- 下一篇: UA MATH563 概率论的数学基础