[统计推断]第四章·多维随机变量和不等式

本篇是《统计推断》第四章多维随机变量的后 2 节内容,主要关注于多维随机变量和一些不等式。

1 多维分布

关于记号:用黑体表示向量,如 X=(X1,,Xn)x=(x1,,xn).

1.1 相关概念定义

设随机向量 X 的样本空间是 Rn 的子集。若 X 为离散随机向量,则联合概率质量函数为: f(x1,,xn)=P(X1=x1,,Xn=xn) 且对任意 ARn,有 P(XA)=xAf(x)X 为连续随机向量,则联合概率密度函数满足 P(XA)=Af(x)dx=Af(x1,,xn)dx1dxng(x) 是定义在 X 样本空间上的实值函数,则 g(X) 是随机变量,期望为: E[g(X)]={++g(x)f(x)dxcontinuousxRng(x)f(x) 边缘 pmf/pdf 由联合 pmf/pdf 关于其余分量求积分/求和得到。例如 (X1,,Xn) 的前 k 个分量 (X1,,Xk) 的边缘 pdf 为: f(x1,,xk)=++f(x1,,xn)dxk+1dxn 条件 pmf/pdf 由联合 pmf/pdf 除以其余分量的边缘 pmf/pdf 得到。例如,若 f(x1,,xk)>0,则 (Xk+1,,Xn) 在条件 X1=x1,,Xn=xn 下的 pdf/pmf 为: f(xk+1,,xnx1,,xk)=f(x1,,xn)f(x1,,xk)

1.2 多项分布——二项分布的推广

回顾二项分布: P(X=xn,p)=(nx)px(1p)nx,x=0,1,2,,n 表示 n 次独立伯努利试验中成功 x 次的概率。

m,n 为正整数,数 p1,,pn 满足 0pi1,且 i=1Npi=1,若随机向量 (X1,,Xn) 的联合 pmf 为: f(x1,,xn)=m!x1!xn!p1x1pnxn=m!i=1npixixi! 其中 xi 均为非负整数且 i=1nxi=m,则称 (X1,,Xn) 服从 m 次试验、元概率为 p1,,pn 的多项分布(multinomial distribution)

与二项分布类似, 多项分布的意义是:做 m 次独立试验,每次试验有 n 中可能的结果,发生概率分别为 p1,,pn,随机变量 Xi 表示第 i 种结果出现的次数。


二项分布中的系数称为二项式系数,类似的,多项分布中的系数是多项式系数(mx1,,xn)=m!x1!xn! 表示将 m 个物品分为 n 类,第 i 类有 xi 个物品的方案数。

二项式定理可以推广为多项式定理:设 为正整数, 是满足每个 都是非负整数且 的全体向量 的集合,则对任意实数 ,有: 根据多项式定理,容易知道多项分布的 pmf 之和确实为 1,而集合 恰是其支撑集.


根据多项分布的意义,不难想到其第 个分量的边缘分布是 . 事实上,以第 个分量为例: 同样根据多项分布的意义,不难想到在第 个分量的条件下,其余分量服从 次试验、元概率为 的多项分布。事实上,以第 个分量作为条件为例:

多项分布的任意两个分量都是负相关的,且: Proof.

首先,由于多项分布的边缘分布是 ,所以 .

其次,在 的条件下,其余分量是一个多项分布,因此 服从这个多项分布的边缘分布 ,故 .

于是: 进而: Q.E.D.

1.3 独立性

前一篇讲了两个随机变量的独立性,我们将其进一步扩展:设 是一列随机向量,其联合 pdf/pmf 为 的边缘 pdf/pmf 维 ,若对任意 ,都有

则称 相互独立的随机向量;若每个 都是一维的,则称 相互独立的随机变量

注意:相互独立比两两独立更强,可以构造出两两独立的一组随机向量,但它们并不相互独立。


二维情形下的许多定理可以直接推广到多维情形:

定理:设 是相互独立的随机变量, 是实值一元函数,则: 定理:设 是相互独立的随机变量,矩母函数分别是 ,令 ,则 的矩母函数为:

例【伽玛变量和】伽玛分布的矩母函数为 ,若 ,则 的矩母函数为: .

定理:设 是相互独立的随机变量,矩母函数分别是 ,令 ,则 的矩母函数为: Proof. Q.E.D.

例【独立正态随机变量值和仍然服从正态分布】:设 是相互独立的随机变量,且 ,则: Proof. 回忆 随机变量的矩母函数为 ,于是 .

Q.E.D.

定理(独立的充要条件):设 是一列随机向量,则 相互独立当且仅当存在函数 使得 的联合 pdf/pmf 可以写作: 定理:设 是一列独立的随机向量, 是一元函数,则随机变量 相互独立。

1.4 随机向量变换的分布

设随机向量 的 pdf 为 . 考察新的随机向量 ,其中 . 设 的一个划分且 . 对所有 ,变换 都是从 的一对一变换,因此对每个 都存在从 的逆变换。记第 个逆变换为 ,则对任意 ,它确定了唯一的 使得 . 记 为第 个逆变换的 Jacobi 行列式: 假定 上不恒为 ,则对任意 ,联合 pdf 可以表示为:

前面一堆集合划分啥的,只是为了在每个划出来的集合上有逆变换罢了。定理的重点在于,随机向量变换后,新的 pdf 不仅要把变换代入,还要乘上一个 Jacobi 行列式的绝对值

2 不等式

2.1 数值不等式

引理:设 为任意正数,且 满足(显然 ): 当且仅当 时等式成立。

Proof. 考察函数 求导令为零: ,故极小值为: 又极小值唯一且当且仅当 ,也即 时达到。

Q.E.D.


Holder 不等式:设 为任意随机变量, 满足 ,则: Proof.

左边:由于 ,得 ,即 .

右边:令 则根据引理,有: 对两边取期望,左边期望为 ,因此: Q.E.D.


Cauchy-Schwarz 不等式:在 Holder 不等式中,取 ,得:

协方差不等式:根据 Cauchy-Schwarz 不等式,有: 两边平方,即得到:

Liapounov 不等式:在 Holder 不等式中,令 ,则: 对任意 ,用 代替上式中的 ,则: 做变量替换 ,得到:

Minkowski 不等式:设 为任意随机变量,则对任意 ,有: Proof. 由三角不等式 ,有: 对上式右端两个期望分别使用 Holder 不等式,得到: 其中 满足 ,即 . 两边除以 ,则右边即为所求,左边为: 亦为所求。Q.E.D.

2.2 函数不等式

凸函数:如果对任意 以及 ,函数 都满足 ,则称 为凸函数;如果 是凸函数,则称 为凹函数。


Jensen 不等式:设 是任意随机变量,如果 是凸函数,则: 等号成立当且仅当对于 处的切线 ,有 .

Proof. 设 处的切线为 ,由 的凸性可知 ,于是: Q.E.D.

若对 使用 Jensen 不等式,得到: 若对 使用 Jensen 不等式,得到:

均值不等式:设 均为正数,令: 则: Proof. 我们可以利用 Jensen 不等式完成证明。设随机变量 取值范围为 且各取值概率相等,由于 是凹函数,所以: Q.E.D.


协方差不等式 - Ⅱ:设 是任意随机变量, 是任意函数且 均存在,

  1. 是递增函数, 是递减函数,则

  2. 同为递增或递减函数,则

协方差不等式有明显的直观解释:上面两种情形恰好反映了 之间的负相关和正相关,借助该不等式我们可以直接估计期望,而无需计算高阶矩。


[统计推断]第四章·多维随机变量和不等式
https://xyfjason.github.io/blog-main/2022/07/30/统计推断-第四章·多维随机变量和不等式/
作者
xyfJASON
发布于
2022年7月30日
许可协议