2.2 期望和方差
2.2.1 关于测度的积分
定义 2.16 (随机变量
关于概率测度
的积分)
设
是概率空间,
是一个实值简单随机变量,定义
的积分为
如果
是非负的随机变量,我们用简单随机变量积分的上确界定义它的积分
其中
,
;容易验证
。
注解 2.16
- 事实上,这里的积分就是随机变量
在概率测度
下的 Lebesgue 积分,不难发现我们可以将其理解为对 “值域进行分割”。
- 我们假设后面出现的所有积分都存在且有限
术语约定 2.17
对于
维随机变量
,其中
,我们将其积分写为
定义 2.18 (期望,方差)
假设
是一个向量值的随机变量,称
为它的方差。不难验证
.
2.2.2 分布函数
本节中我们默认概率空间是
,并有一个随机变量
。
术语约定 2.19
取向量
,如果对每一个
,都有
,我们就说
。
事实上这在
上构造了一个偏序。
定义 2.20 (分布函数)
随机变量
的分布函数
定义如下
更一般地,对于多个随机变量
,它们的联合分布函数
定义为
其中
定义 2.21(密度函数)
是随机变量,
是它的分布函数。假如存在一个非负可积的函数
使得
引理 2.22
如果随机变量
的分布函数
存在对应的密度函数
,并考虑
,且
是可积的(这里
可积和
可积是一个意思吗?)则有
其中
。
注释 2.23
这样一来我们就能通过在
上求积分的方式得到
和
。但需要注意概率空间
是 “难以看见的”,而我们所看见的是经过
映射后在
中的东西。
事实上,所有概率论中感兴趣的量都可以在
中通过密度函数
求得
证明. 我们从简单的情况开始。首先假设
是
上的一个简单函数:
这样就有
另一方面
这样我们就得到当
是简单函数时引理成立。由于一般的函数可由简单函数逼近,对于一般的函数上面的引理也成立。