Закон бессознательного статистика - Law of the unconscious statistician

В теория вероятности и статистика, то закон бессознательной статистики (LOTUS) это теорема, используемая для вычисления ожидаемое значение из функция грамм(Икс) из случайная переменная Икс когда каждый знает распределение вероятностей из Икс но неизвестно распределение грамм(Икс). Форма закона может зависеть от формы, в которой утверждается распределение вероятностей случайной величины.Икс. Если это дискретное распределение и каждый знает его функция массы вероятности ƒ_Икс (но нет ƒ_{грамм(Икс)}), то ожидаемое значение грамм(Икс) является

${displaystyle operatorname {E} [g(X)]=sum _{x}g(x)f_{X}(x),,}$

где сумма по всем возможным значениямИкс изИкс. Если это непрерывное распространение и каждый знает его функция плотности вероятности ƒ_Икс (но нет ƒ_{грамм(Икс)}), то ожидаемое значение грамм(Икс) является

${displaystyle operatorname {E} [g(X)]=int _{-infty }^{infty }g(x)f_{X}(x),mathrm {d} x}$

Если кто-то знает кумулятивная функция распределения вероятностей F_Икс (но нет F_{грамм(Икс)}), то ожидаемое значение грамм(Икс) задается Интеграл Римана – Стилтьеса.

${displaystyle operatorname {E} [g(X)]=int _{-infty }^{infty }g(x),mathrm {d} F_{X}(x)}$

(снова предполагая Икс с действительным знаком).^[1][2][3][4]

Этимология

Это утверждение известно как закон бессознательного статистика, потому что студентов обвиняли в использовании идентичности, не осознавая, что ее следует рассматривать как результат строго доказанной теоремы, а не просто определение.^[4]

Совместные раздачи

Аналогичное свойство имеет место для совместное распределение. Для дискретных случайных величин Икс и Y, функция двух переменных грамм, и совместная функция масс вероятности ж(Икс, у):^[5]

${displaystyle operatorname {E} [g(X,Y)]=sum _{y}sum _{x}g(x,y)f(x,y)}$

В непрерывном случае с ж(Икс, у) - совместная функция плотности вероятности,

${displaystyle operatorname {E} [g(X,Y)]=int _{-infty }^{infty }int _{-infty }^{infty }g(x,y)f(x,y),mathrm {d} x,mathrm {d} y}$

Доказательство

Этот закон не является тривиальным результатом определений, как может показаться на первый взгляд, а скорее должен быть доказан.^[5][6][7]

Непрерывный случай

Для непрерывной случайной величины Икс, позволять Y = грамм(Икс), и предположим, что грамм дифференцируема и обратная ей грамм⁻¹ монотонный. По формуле для обратные функции и дифференцирование,

${displaystyle {frac {d}{dy}}(g^{-1}(y))={frac {1}{g^{prime }(g^{-1}(y))}}}$

Потому что Икс = грамм⁻¹(у),

${displaystyle dx={frac {1}{g^{prime }(g^{-1}(y))}}dy}$

Так что замена переменных,

${displaystyle int _{-infty }^{infty }g(x)f_{X}(x),dx=int _{-infty }^{infty }yf_{X}(g^{-1}(y)){frac {1}{g^{prime }(g^{-1}(y))}},dy}$

Обратите внимание на то, что, поскольку кумулятивная функция распределения ${displaystyle F_{Y}(y)=P(Yleq y)}$, подставляя значение грамм(Икс), взяв инверсию обеих сторон и переставив доходности ${displaystyle F_{Y}(y)=F_{X}(g^{-1}(y))}$. Затем по Правило цепи,

${displaystyle f_{Y}(y)=f_{X}(g^{-1}(y)){frac {1}{g^{prime }(g^{-1}(y))}}}$

Комбинируя эти выражения, находим

${displaystyle int _{-infty }^{infty }g(x)f_{X}(x),dx=int _{-infty }^{infty }yf_{Y}(y),dy}$

По определению ожидаемое значение,

${displaystyle operatorname {E} [g(X)]=int _{-infty }^{infty }g(x)f_{X}(x),dx}$

Дискретный корпус

Позволять ${displaystyle Y=g(X)}$. Затем начните с определения ожидаемой стоимости.

${displaystyle operatorname {E} [Y]=sum _{y}yf_{Y}(y)}$

${displaystyle operatorname {E} [g(X)=Y]=sum _{y}yP(g(X)=y)}$

${displaystyle operatorname {E} [g(X)]=sum _{y}ysum _{x,:,g(x)=y}f_{X}(x)}$

${displaystyle operatorname {E} [g(X)]=sum _{x}g(x)f_{X}(x)}$

Из теории меры

Технически полный вывод результата доступен с использованием аргументов в теория меры, в которой вероятностное пространство преобразованного случайная переменная грамм(Икс) связано с исходной случайной величиной Икс. Шаги здесь включают определение предварительная мера для преобразованного пространства, и тогда результат является примером формула замены переменных.^[5]

${displaystyle int _{Omega }gcirc X,mathrm {d} P=int _{mathbb {R} }g,mathrm {d} (X_{*}P)}$

Мы говорим ${displaystyle X}$ имеет плотность, если ${displaystyle mathrm {d} (X_{*}P)}$ абсолютно непрерывна относительно меры Лебега ${displaystyle mu }$. В таком случае

${displaystyle mathrm {d} (X_{*}P)=f,mathrm {d} mu }$

куда ${displaystyle f:mathbb {R} o mathbb {R} }$ это плотность (см. Производная Радона-Никодима ). Таким образом, приведенное выше можно переписать как более знакомое

${displaystyle operatorname {E} [g(X)]=int _{Omega }gcirc X,mathrm {d} P=int _{mathbb {R} }g(x)f(x),mathrm {d} x}$

Рекомендации

1. Эрик Ки (1998) Лекция 6: Случайные переменные В архиве 2009-02-15 в Wayback Machine, Конспект лекций, Университет Лидса
2. Бенгт Рингнер (2009) «Закон бессознательного статистика», неопубликованная заметка, Центр математических наук, Лундский университет
3. Блицштейн, Джозеф К .; Хван, Джессика (2014). Введение в вероятность (1-е изд.). Чепмен и Холл. п. 156.
4. ДеГрут, Моррис; Шервиш, Марк (2014). вероятность и статистика (4-е изд.). Pearson Education Limited. п. 213.
5. Росс, Шелдон М. (2010). Введение в вероятностные модели (10-е изд.). Elsevier, Inc.
6. Виртуальные лаборатории теории вероятностей и статистики, Разд. 3.1 «Ожидаемое значение: определение и свойства», пункт «Основные результаты: теорема об изменении переменных».
7. Румбо, Адольфо Дж. (2008). "Вероятностные конспекты лекций" (PDF). Получено 6 ноября 2018.