随机变量与分布
随机变量是概率空间上的可测函数，其分布是它在实线上诱导的前推测度，也是实验和数据实际报告的内容；本领域研究分布以及描述它们的分析工具。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
随机变量是从概率空间到实数的可测函数，其分布是它在实线上诱导的概率测度，通过分布函数进行概括，并通过密度、矩和特征函数进行研究。
Scope
本领域涵盖随机变量和随机向量、分布函数和密度函数、作为分布傅里叶变换的特征函数及其反演和唯一性、标准离散和连续分布族，以及变量变换、矩、生成函数及其之间的关系。
Sub-topics
Core questions
- 随机变量的分布如何独立于底层样本空间进行定义？
- 哪些分析变换能够唯一编码分布并简化独立变量的和？
- 哪些标准分布族反复出现，原因何在？
- 分布在随机变量的函数下如何变换，其矩揭示了什么？
Key theories
- 作为前推测度的分布
- 随机变量的分布或律是概率测度在变量下的像，因此关于变量的所有概率陈述仅取决于此律，而不取决于承载它的特定概率空间。
- 特征函数的唯一性与反演
- 特征函数是分布的傅里叶变换；它唯一确定分布，可以反演以恢复分布，并将独立变量的卷积转化为乘法，这使其成为极限定理的核心分析工具。
Clinical relevance
分布是表达统计模型、模拟和风险的语言：选择和拟合分布族是估计和假设检验的基础，特征函数和生成函数推动了极限定理的证明，而变量变换在蒙特卡洛抽样和不确定性传播中是常规操作。
History
在抽象理论出现之前，德·莫瓦尔、拉普拉斯、高斯和泊松等学者早已研究了二项分布、正态分布和泊松分布等特定分布。将随机变量视为具有诱导律的可测函数，以及莱维（Levy）系统地使用特征函数的统一观点，属于二十世纪的测度理论综合。
Key figures
- William Feller
- Paul Levy
- Pierre-Simon Laplace
- Carl Friedrich Gauss
Related topics
Seminal works
- feller1971
- billingsley1995
Frequently asked questions
- 随机变量及其分布之间有什么区别？
- 随机变量是样本空间上的函数，而其分布是它在实线上诱导的概率测度；两个截然不同的随机变量可以共享相同的分布，并且只有分布才对仅通过变量定义的事件的概率有意义。
- 为什么特征函数被如此大量地使用？
- 它们总是存在，唯一确定分布，将独立变量的和转换为乘积，并且具有连续性，这使其成为证明依分布收敛和中心极限定理的天然工具。