-
Notifications
You must be signed in to change notification settings - Fork 0
/
stochastic-process.tex
4554 lines (3488 loc) · 165 KB
/
stochastic-process.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
\documentclass[openany]{ctexbook}
\usepackage{anyfontsize}
\usepackage[left=3.5cm,right=3.5cm,top=3cm,bottom=3cm,headheight=13pt]{geometry}
\ctexset{
chapter/number = \arabic{chapter},
chapter/beforeskip = {0pt},
}
\usepackage{fancyhdr}
\fancyhf{}
\fancyhead[OC]{\kaishu\nouppercase\rightmark}
\fancyhead[OR]{\thepage}
\fancyhead[EL]{\thepage}
\fancyhead[EC]{\kaishu\nouppercase\leftmark}
\pagestyle{fancy}
\usepackage{amsmath,amssymb,amsfonts,amsthm,mathrsfs,bm}
\newtheoremstyle{kaiti}{3pt}{3pt}{\kaishu}{}{\bfseries}{}{.5em}{}
\theoremstyle{kaiti}
\newtheorem{definition}{定义}[section]
\newtheorem{theorem}{定理}[section]
\newtheorem{corollary}{推论}[section]
\newtheorem{proposition}{命题}[section]
\newtheorem{lemma}{引理}[section]
\newtheoremstyle{normal}{3pt}{3pt}{}{}{\bfseries}{}{.5em}{}
\theoremstyle{normal}
\newtheorem{example}{例}[section]
\newtheorem{remark}{注}[section]
\makeatletter
\renewenvironment{proof}[1][\proofname]{\par
\pushQED{\qed}%
\normalfont \topsep6\p@\@plus6\p@\relax
\trivlist
\item\relax
{\heiti #1}\hspace{2\labelsep}\ignorespaces
}{%
\popQED\endtrivlist\@endpefalse
}
\makeatother
\usepackage{graphicx}
\graphicspath{{./figures/}}
\usepackage{tikz}
\usetikzlibrary{arrows.meta}
\usetikzlibrary{cd}
\tikzcdset{
arrow style=tikz,
diagrams={>=Latex}
}
\usepackage{subfigure}
\usepackage{longtable}
\usepackage{hyperref}
\hypersetup{
breaklinks,
colorlinks = true,
linkcolor = black,
}
\begin{document}
\title{\heiti \Huge 随机过程 \vspace{0.5cm}}
\author{\LARGE\kaishu 杨敬轩 \vspace{1cm}}
\maketitle
\thispagestyle{empty}
\frontmatter
\pagenumbering{Roman}
\tableofcontents
\mainmatter
\chapter{概率论与随机过程的基本概念}
\section{概率}
概率论的一个基本概念是随机试验. 一个试验或观察, 若它的结果预先无法确定, 则称之为随机试验, 简称为试验. 所有试验的可能结果组成的集合, 称为样本空间, 记作 $\Omega$. $\Omega$ 中的元素则称为样本点, 用 $\omega$ 表示. 由 $\Omega$ 的某些样本点构成的子集合, 常用大写字母 $A,B,C$ 等表示, 由 $\Omega$ 中的若干子集构成的集合称为集类, 用花写字母 $\mathcal{A},\mathcal{B},\mathcal{F}$ 等表示.
由于并不是在所有的 $\Omega$ 的子集上都能方便地定义概率, 一般只限制在满足一定条件的集类 $\mathcal{F}$ 上研究概率性质, 为此引入 $\sigma$ 域的概念.
\textbf{定义}:$\sigma$ 域与可测空间
设 $\mathcal{F}$ 为由 $\Omega$ 的某些子集构成的非空集类, 若满足
(1) 若 $A\in\mathcal{F}$, 则 $A^c\in\mathcal{F}$, $A^c$ 是 $A$ 的补集, 即 $A^c=\bar{A}=\Omega-A$
(2) 若 $A_n\in\mathcal{F}$, $n\in\mathbb{N}$, 则
\begin{equation}
\bigcup_{n=1}^\infty A_n\in\mathcal{F}
\end{equation}
则称 $\mathcal{F}$ 为 $\sigma$ 域, 或 $\sigma$ 代数, 称 $(\Omega,\mathcal{F})$ 为可测空间.
$\sigma$ 域性质
若 $\mathcal{F}$ 为 $\sigma$ 域, 则 $\mathcal{F}$ 对可列次交、并、差等运算封闭, 即 $\mathcal{F}$ 中的任何元素经可列次运算后仍属于 $\mathcal{F}$.
\textbf{定义}:最小 $\sigma$ 域
设 $\mathcal{A}$ 为由 $\Omega$ 的某些子集构成的集类, 一切包含 $\mathcal{A}$ 的 $\sigma$ 域的交, 记为 $\sigma(A)$, 称 $\sigma(A)$ 为由 $\mathcal{A}$ 生成的 $\sigma$ 域, 或称为包含 $\mathcal{A}$ 的最小 $\sigma$ 域. 一维 Borel $\sigma$ 域即为包含 $\mathbb{R}$ 上所有形如集合 $(-\infty,a]$ 的最小 $\sigma$ 域, 记为 $\mathcal{B}_{\mathbb{R}}=\sigma\{(-\infty,a],~\forall a\in\mathbb{R}\}$.
\textbf{定义}:概率测度与概率空间
设 $(\Omega,\mathcal{F})$ 为可测空间, $\mathbb{P}:\mathcal{F}\to\mathbb{R}$ 是一个定义在 $\mathcal{F}$ 上的函数, 若满足
(1) 非负性: $\mathbb{P}(A)\geqslant0,~\forall A\in\mathcal{F}$
(2) 归一性: $\mathbb{P}(\Omega)=1$
(3) 可列可加性: 若 $A_i\in\mathcal{F},~i=1,2,\cdots$, 且 $A_iA_j=\varnothing,~\forall i\neq j$ 有
\begin{equation}
\mathbb{P}\left(\bigcup_{i=1}^\infty A_i\right)=\sum_{i=1}^\infty \mathbb{P}(A_i)
\end{equation}
则称 $\mathbb{P}$ 为可测空间 $(\Omega,\mathcal{F})$ 上的一个概率测度, 简称概率. 称 $(\Omega,\mathcal{F},\mathbb{P})$ 为概率空间, 称 $\mathcal{F}$ 为事件域. 若 $A\in\mathcal{F}$, 则称 $A$ 为随机事件, 简称为事件, 称 $\mathbb{P}(A)$ 为事件 $A$ 的概率.
概率的基本性质
补集概率: $\mathbb{P}(\varnothing)=0$, $\mathbb{P}(A^c)=1-\mathbb{P}(A)$
有限可加性: 若 $A_i\in\mathcal{F},~i=1,2,\cdots,n$ 互不相容则
\begin{equation}
\mathbb{P}\left(\bigcup_{i=1}^n A_i\right)=\sum_{i=1}^n \mathbb{P}(A_i)
\end{equation}
交集和并集概率:
\begin{equation}
\mathbb{P}(A\cup B)=\mathbb{P}(A)+\mathbb{P}(B)-\mathbb{P}(AB)
\end{equation}
\begin{equation}
\mathbb{P}(A-B)=\mathbb{P}(A)-\mathbb{P}(AB)
\end{equation}
概率比较大小: 若 $A\subset B$, 则 $\mathbb{P}(A)\leqslant \mathbb{P}(B)$
次可列可加性: 若 $A_i\in\mathcal{F},~i=1,2,\cdots,n$, 则
\begin{equation}
\mathbb{P}\left(\bigcup_{i=1}^n A_i\right)\leqslant\sum_{i=1}^n \mathbb{P}(A_i)
\end{equation}
可列交并等式: 若 $A_i\in\mathcal{F},~i=1,2,\cdots,n$, 则
\begin{equation}
\mathbb{P}\left(\bigcup_{i=1}^n A_i\right)=\sum_{k=1}^n\left[ (-1)^{k+1}\sum_{1\leqslant i_1<i_2<\cdots<i_k\leqslant n}\mathbb{P}\left(A_{i_1}\cap A_{i_2}\cap\cdots\cap A_{i_k}\right)\right]
\end{equation}
\textbf{定义}:事件列的单调性与极限
一事件列 $\{A_n:n\geqslant1\}$ 称为单调增序列, 若 $A_n\subset A_{n+1},~n\geqslant1$; 称为单调减序列, 若 $A_n\supset A_{n+1},~n\geqslant1$.
如果 $\{A_n:n\geqslant1\}$ 是单调增序列, 定义事件列的极限
\begin{equation}
\lim_{n\to\infty}A_n=\bigcup_{i=1}^\infty A_i
\end{equation}
如果 $\{A_n:n\geqslant1\}$ 是单调减序列, 定义事件列的极限
\begin{equation}
\lim_{n\to\infty}A_n=\bigcap_{i=1}^\infty A_i
\end{equation}
\textbf{命题}:连续性定理
若 $\{A_n:n\geqslant1\}$ 是单调增或单调减序列, 则极限与概率测度可换序
\begin{equation}
\lim_{n\to\infty}\mathbb{P}(A_n)=\mathbb{P}\left(\lim_{n\to\infty}A_n\right)
\end{equation}
\textbf{命题}:Borel-Cantelli 引理
设 $\{A_n:n\geqslant1\}$ 是一事件序列, 若
\begin{equation}
\sum_{i=1}^\infty \mathbb{P}(A_i)<\infty,
\end{equation}
则
\begin{equation}
\mathbb{P}\left(\limsup_{i\to\infty}A_i\right)=0,
\end{equation}
其中
\begin{equation}
\limsup_{i\to\infty}A_i:=\bigcap_{n=1}^\infty\bigcup_{i=n}^\infty A_i.
\end{equation}
\textbf{定义}:事件独立
两个事件 $A,B\in\mathcal{F}$, 若满足
\begin{equation}
\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B),
\end{equation}
则称 $A$ 与 $B$ 相互独立.
容易证明下列命题等价:
(1) $A$ 与 $B$ 独立;
(2) $A$ 与 $B^c$ 独立;
(3) $\mathbb{P}(A|B)=\mathbb{P}(A)$;
(4) $\mathbb{P}(A|B^c)=\mathbb{P}(A)$.
三个事件 $A,B,C\in\mathcal{F}$, 若满足
\begin{equation}
\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B),~\mathbb{P}(AC)=\mathbb{P}(A)\mathbb{P}(C),~\mathbb{P}(BC)=\mathbb{P}(B)\mathbb{P}(C)
\end{equation}
及
\begin{equation}
\mathbb{P}(ABC)=\mathbb{P}(A)\mathbb{P}(B)\mathbb{P}(C)
\end{equation}
则称 $A,B,C$ 相互独立.
若 $A,B,C$ 相互独立, 则 $A\cup B$ 与 $C$, $AB$ 与 $C$, $A-B$ 与 $C$ 相互独立.
$n$ 个事件 $A_1,A_2,\cdots,A_n\in\mathcal{F}$, 若对其中任意 $k~(2\leqslant k\leqslant n)$ 个事件 $A_{i_1},A_{i_2},\cdots,A_{i_k}$, 其中 $1\leqslant i_1\leqslant i_2\leqslant\cdots\leqslant i_k\leqslant n$, 有
\begin{equation}
\mathbb{P}(A_{i_1}A_{i_2}\cdots A_{i_k})=\mathbb{P}(A_{i_1})\mathbb{P}(A_{i_2})\cdots \mathbb{P}(A_{i_k}),
\end{equation}
则称 $A_1,A_2,\cdots,A_n$ 相互独立.
若 $A_1,A_2,\cdots,A_n$ 相互独立, 取 $1\leqslant m<n$, 记
\begin{equation}
\mathcal{F}_1=\sigma(A_k,1\leqslant k\leqslant m),~\mathcal{F}_2=\sigma(A_k,m+1\leqslant k\leqslant n),
\end{equation}
任取 $B_1\in\mathcal{F}_1,~B_2\in\mathcal{F}_2$, 则 $B_1$ 与 $B_2$ 独立.
\textbf{命题}:独立事件 Borel-Cantelli 引理
若 $\{A_n:n\geqslant1\}$ 是相互独立的事件序列, 且
\begin{equation}
\sum_{n=1}^\infty \mathbb{P}(A_n)=\infty,
\end{equation}
则有
\begin{equation}
\mathbb{P}\left(\limsup_{i\to\infty}A_i\right)=\mathbb{P}\left(\bigcap_{n=1}^\infty\bigcup_{i=n}^\infty A_i\right)=\lim_{n\to\infty}\mathbb{P}\left(\bigcup_{i=n}^\infty A_i\right)=\lim_{n\to\infty}\mathbb{P}\left(\sup_{i\geqslant n} A_i\right)=1.
\end{equation}
\section{随机变量、分布函数及数字特征}
\subsection{随机变量与分布函数}
\textbf{定义}:随机变量
设 $(\Omega,\mathcal{F},\mathbb{P})$ 是一概率空间, $X(\omega):\Omega\to\mathbb{R}$ 是定义在 $\Omega$ 上的单值实函数, 如果对 $\forall a\in\mathbb{R}$, 有
\begin{equation}
\{\omega:X(\omega)\leqslant a\}\in\mathcal{F},
\end{equation}
则称 $X(\omega)$ 为随机变量.
常简记 $\{\omega:X(\omega)\leqslant a\}=\{X\leqslant a\}=\{X\in(-\infty,a]\}$, $X^{-1}(B)=\{\omega:X(\omega)\in B\}$, 且若 $X(\omega)$ 满足 $\{\omega:X(\omega)\leqslant a\}\in\mathcal{F}$, 则 $\forall a,b\in\mathbb{R}$, 有 $\{X>a\},\{X<a\},\{X=a\},\{a<X\leqslant b\},\{a\leqslant X<b\},\{a<X<b\},\{A\leqslant X\leqslant b\}\in\mathcal{F}$.
\textbf{定义}:分布函数
设 $X$ 为 $(\Omega,\mathcal{F},\mathbb{P})$ 上的随机变量, 对 $\forall x\in\mathbb{R}$, 定义
\begin{equation}
F(x)=\mathbb{P}(X\leqslant x)=\mathbb{P}(X\in(-\infty,x]),
\end{equation}
称 $F(x)$ 为 $X$ 的分布函数.
\textbf{定义}:连续型与离散型随机变量
(1) 离散型随机变量: 分布函数为分段右连续的阶梯函数
(2) 连续型随机变量: 分布函数为几乎处处连续的函数
\textbf{定义}:概率密度函数
对随机变量 $X$ 的分布函数 $F(x)$, 若存在一非负函数 $f(x)$, 对$\forall x\in\mathbb{R}$, 有
\begin{equation}
F(x)=\int_{-\infty}^xf(u)\mathrm{d}u
\end{equation}
则称 $f(x)$ 为随机变量 $X$ 的概率密度函数.
若 $f(x)$ 连续, 则
\begin{equation}
\frac{\mathrm{d}F(x)}{\mathrm{d}x}=f(x)
\end{equation}
即
\begin{equation}
\lim_{h\to0}\frac{\mathbb{P}(x<X\leqslant x+h)}{h}=f(x),
\end{equation}
或
\begin{equation}
\mathbb{P}(x<X\leqslant x+h)=f(x)h+o(h).
\end{equation}
\textbf{定义}:联合分布
二维随机变量 $(X,Y)$ 的联合分布函数 $F(x,y)$ 定义为
\begin{equation}
F(x,y)=\mathbb{P}(X\leqslant x,~Y\leqslant y).
\end{equation}
$X$ 和 $Y$ 的边缘分布分别定义为
\begin{equation}
F_X(x)= \mathbb{P}(X\leqslant x)= \lim_{y\to\infty} F(x, y)=F(x,\infty),
\end{equation}
\begin{equation}
F_Y(y)= \mathbb{P}(Y\leqslant y)= \lim_{x\to\infty} F(x, y)=F(\infty,y).
\end{equation}
若存在一非负函数 $f(x,y)$, 对 $\forall(x,y)\in\mathbb{R}^2$ 有
\begin{equation}
F(x,y)=\int_{-\infty}^x\int_{-\infty}^yf(u,v)\mathrm{d}u\mathrm{d}v,
\end{equation}
则称 $f(x,y)$ 为 $(X,Y)$ 的联合概率密度函数.
$n$ 维随机向量 $(X_1,X_2,\cdots,X_n)$ 的联合分布函数定义为
\begin{equation}
F(x_1,x_2,\cdots,x_n)=\mathbb{P}(X_1\leqslant x_1,X_2\leqslant x_2,\cdots,X_n\leqslant x_n).
\end{equation}
\textbf{定理}: 分布函数与事件独立的关系
称随机变量 $X$ 与 $Y$ 相互独立, 若对 $\forall(x,y)\in\mathbb{R}^2$, 有
\begin{equation}
F(x, y)=F_X(x)F_Y(y).
\end{equation}
若对 $\forall(x_1,x_2,\cdots,x_n)\in\mathbb{R}^n$ 有
\begin{equation}
F(x_1,x_2,\cdots,x_n)=F_1(x_1)F_2(x_2)\cdots F_n(x_n),
\end{equation}
则称 $X_1,X_2,\cdots,X_n$ 相互独立, 这里 $F_i(x_i)=F_{X_i}(x_i)=\mathbb{P}(X_i\leqslant x_i),~\forall i=1,2,\ldots,n$.
若 $X,Y,Z$ 相互独立, 则 $X\pm Y$ 与 $Z$ 独立, $X\cdot Y$ 与 $Z$ 独立, $X/Y(Y\neq0)$ 与 $Z$ 独立, 更一般有 $g_1(X,Y)$ 与 $g_2(Z)$ 独立, 其中 $g_1(X,Y),~g_2(Z)$ 可以是逐段单调函数或逐段连续函数.
\subsection{Riemann-Stieltjes 积分}
\textbf{定义}:Riemann-Stieltjes 积分
设 $F(x)$ 为 $(-\infty,\infty)$ 上的单调不减右连续函数, $g(x)$ 为 $(-\infty,\infty)$ 上的单值实函数, $\forall a<b$, 任取分点 $a=x_0<x_1<x_2<\cdots<x_{i-1}<x_i<\cdots<x_n=b$, $\forall u_i\in[x_{i-1},x_i]$, 作积分和式
\begin{equation}
\sum_{i=1}^ng(u_i)\Delta F(x_i)=\sum_{i=1}^ng(u_i)[F(x_i)-F(x_{i-1})].
\end{equation}
令 $\lambda=\max_{1\leqslant i\leqslant n}\Delta x_i=\max_{1\leqslant i\leqslant n}(x_i-x_{i-1})$, 若极限
\begin{equation}
J(a,b)=\lim_{\lambda\to0}\sum_{i=1}^ng(u_i)\Delta F(x_i)
\end{equation}
存在, 则记
\begin{equation}
J(a,b)=\int_a^bg(x)\mathrm{d}F(x),
\end{equation}
称极限 $J(a,b)$ 为 $g(x)$ 关于 $F(x)$ 在 $[a,b]$ 上的 Riemann-Stieltjes 积分.
当取 $F(x)=x$ 时, Riemann-Stieltjes 积分化为原来的 Riemann 积分, 所以 Riemann-Stieltjes 积分是 Riemann 积分的推广.
当 $a\to-\infty,~b\to\infty$ 时, 若极限
\begin{equation}
J(-\infty,\infty)=\lim_{a\to-\infty,~b\to\infty}\int_a^bg(x)\mathrm{d}F(x)
\end{equation}
存在, 则称
\begin{equation}
J(-\infty,\infty)=\int_{-\infty}^\infty g(x)\mathrm{d}F(x)
\end{equation}
为 $g(x)$ 关于 $F(x)$ 在 $(-\infty,\infty)$ 上的 Riemann-Stieltjes 积分.
Riemann-Stieltjes 积分的基本性质
分段相加: 当 $a=c_0<c_1<\cdots<c_n<c_{n+1}=b$ 时,
\begin{equation}
\int_a^bg(x)\mathrm{d}F(x)=\sum_{i=0}^n\int_{c_i}^{c_{i+1}}g(x)\mathrm{d}F(x)
\end{equation}
对被积函数线性:
\begin{equation}
\int_a^b\sum_{i=1}^ng_i(x)\mathrm{d}F(x)=\sum_{i=1}^n\int_a^bg_i(x)\mathrm{d}F(x)
\end{equation}
非负性: 若 $g(x)\geqslant0$ 且 $a<b$ 则
\begin{equation}
\int_a^bg(x)\mathrm{d}F(x)\geqslant0
\end{equation}
对被微函数线性: 若 $F_1(x),~F_2(x)$ 为两个分布函数, $c_1,c_2>0$ 为常数, 则
\begin{equation}
\int_a^bg(x)\mathrm{d}[c_1F_1(x)+c_2F_2(x)]=c_1\int_a^bg(x)\mathrm{d}F_1(x)+c_2\int_a^bg(x)\mathrm{d}F_2(x)
\end{equation}
被积函数为1: 若 $g(x)=1$, 则
\begin{equation}
\int_a^bg(x)\mathrm{d}F(x)=\int_a^b1\mathrm{d}F(x)=F(b)-F(a)=\mathbb{P}(a<X\leqslant b)
\end{equation}
离散型随机变量: 若 $X$ 为离散型随机变量, 即 $\mathbb{P}(X=c_i)=p_i,~i=1,2,\ldots,$ 则
\begin{equation}
F(x)=\sum_{c_i\leqslant x}p_i
\end{equation}
是一跳跃型分布函数, 即 $F(x)$ 的变化只在 $c_1,c_2,\ldots$ 这些点且其跃度为 $p_i$, 则 Riemann-Stieltjes 积分
\begin{equation}
\int_{-\infty}^\infty g(x)\mathrm{d}F(x)=\sum_{n=1}^\infty g(c_n)[F(c_n+0)-F(c_n-0)]=\sum_{n=1}^\infty g(c_n)p_n
\end{equation}
化成了一个级数.
\subsection{数字特征}
\textbf{定义}:数学期望
设 $X$ 为随机变量, $F(x)$ 为 $X$ 的分布函数, 若
\begin{equation}
\int_{-\infty}^\infty |x|\mathrm{d}F(x)
\end{equation}
存在, 则称
\begin{equation}
\mathbb{E}X=\int_{-\infty}^\infty x\mathrm{d}F(x)
\end{equation}
为随机变量 $X$ 的数学期望.
若 $X$ 为非负随机变量, 则有
\begin{equation}
\begin{aligned}
\mathbb{E}X
&=\int_{0}^\infty x\mathrm{d}F(x)\\
&=\int_{0}^\infty\int_0^x1\mathrm{d}t\mathrm{d}F(x)\\
&=\int_{0}^\infty\int_t^\infty1\mathrm{d}F(x)\mathrm{d}t\\
&=\int_0^\infty \mathbb{P}(X>t)\mathrm{d}t
\end{aligned}
\end{equation}
同理可知, 对一般随机变量 $X$ 有
\begin{equation}
\begin{aligned}
\mathbb{E}X
&=\int_0^\infty \mathbb{P}(X>t)\mathrm{d}t+\int_{-\infty}^0\mathbb{P}(X\leqslant t)\mathrm{d}t\\
&=\int_0^\infty \mathbb{P}(X>t)\mathrm{d}t-\int_0^\infty \mathbb{P}(X\leqslant -t)\mathrm{d}t\\
\end{aligned}
\end{equation}
期望性质
线性:
\begin{equation}
\mathbb{E}\left(\sum_{i=1}^nc_iX_i\right)=\sum_{i=1}^nc_i\mathbb{E}X_i
\end{equation}
函数复合随机变量:
\begin{equation}
\mathbb{E}[g(X)]=\int_{-\infty}^\infty g(x)\mathrm{d}F(x)
\end{equation}
离散型随机变量: $\mathbb{P}(X=x_n)=p_n,~n\in\mathbb{N}$,
\begin{equation}
\mathbb{E}X=\sum_{n=1}^\infty x_np_n
\end{equation}
连续型随机变量: 概率密度函数 $f(x)$
\begin{equation}
\mathbb{E}X=\int_{-\infty}^\infty x\mathrm{d}F(x)=\int_{-\infty}^\infty xf(x)\mathrm{d}x
\end{equation}
\textbf{定义}:方差
随机变量 $X$ 的方差为
\begin{equation}
\mathrm{Var}(X)=\sigma_X^2=DX:= \mathbb{E}(X-\mathbb{E}X)^2=\mathbb{E}X^2-(\mathbb{E}X)^2.
\end{equation}
\textbf{定义}:协方差
对两个随机变量 $(X,Y)$ 定义协方差为
\begin{equation}
\mathrm{Cov}(X,Y):= \mathbb{E}[(X-\mathbb{E}X)(Y-\mathbb{E}Y)]=\mathbb{E}(XY)-(\mathbb{E}X)(\mathbb{E}Y).
\end{equation}
若 $X$ 与 $Y$ 独立, 则
\begin{equation}
\mathrm{Cov}(X,Y)=\mathbb{E}(XY)-(\mathbb{E}X)(\mathbb{E}Y)=(\mathbb{E}X)(\mathbb{E}Y)-(\mathbb{E}X)(\mathbb{E}Y)=0.
\end{equation}
\textbf{定义}:相关系数
若 $0<DX=\sigma_X^2<\infty$, $0<DY=\sigma_Y^2<\infty$, 则称
\begin{equation}
\rho(X,Y)=\frac{\mathrm{Cov}(X,Y)}{\sigma_X\sigma_Y}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{(DX)(DY)}}
\end{equation}
$\rho(X,Y)$ 刻画了 $X,Y$ 之间线性关系的密切程度, 若 $\rho=0$, 则称 $X,Y$ 不相关.
\textbf{定义}:矩
随机变量 $X$ 的 $k\geqslant1$ 阶矩定义为
\begin{equation}
\mathbb{E}(X^k)=\int_{-\infty}^\infty x^k\mathrm{d}F_X(x)
\end{equation}
数字特征性质
方差平方线性且相关:
\begin{equation}
D\left(\sum_{i=1}^nc_iX_i\right)=\sum_{i=1}^nc_i^2DX_i+2\sum_{i<j}c_ic_j\mathrm{Cov}(X_i,X_j)
\end{equation}
Schwartz 不等式: 若随机变量 $X,Y$ 的二阶矩存在, 则
\begin{equation}
|\mathbb{E}(XY)|^2\leqslant \mathbb{E}(X^2)\mathbb{E}(Y^2)
\end{equation}
\subsection{常用随机变量的分布}
二项分布: $X\sim B(n,p)$, $\mathbb{E}X=np$, $DX=np(1-p)$,
\begin{equation}
\mathbb{P}(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\quad0\leqslant k\leqslant n
\end{equation}
泊松分布: $X\sim \mathbb{P}(\lambda)$, $\mathbb{E}X=\lambda$, $DX=\lambda$,
\begin{equation}
\mathbb{P}(X=k)=\frac{\lambda^k}{k!}\mathrm{e}^{-\lambda},\quad k=0,1,2,\ldots
\end{equation}
几何分布: $X\sim G(p)$, $\mathbb{E}X=1/p$, $DX=(1-p)/p^2$,
\begin{equation}
\mathbb{P}(X=k)=(1-p)^{k-1}p,\quad k=1,2,\ldots
\end{equation}
均匀分布: $X\sim U(a,b)$, $\mathbb{E}X=(a+b)/2$, $DX=(b-a)^2/12$,
\begin{equation}
f(x)=\begin{cases}\dfrac{1}{b-a},&\text{if}~a<x<b\\0,&\text{o.w.}\end{cases}
\end{equation}
正态分布: $X\sim N(\mu,\sigma^2)$, $\mathbb{E}X=\mu$, $DX=\sigma^2$, $\mathbb{E}(X-\mu)^{2k}=(2k-1)!!~\sigma^{2k}$
\begin{equation}
f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}\exp\left\{-\frac{(x-\mu)^2}{2\sigma^2}\right\}
\end{equation}
指数分布: $X\sim E(\lambda)$, $\mathbb{E}X=1/\lambda$, $DX=1/\lambda^2$,
\begin{equation}
f(x)=\begin{cases}\lambda\mathrm{e}^{-\lambda x},&\text{if}~x\geqslant0\\0,&\text{o.w.}\end{cases}
\end{equation}
gamma 分布: $X\sim \Gamma(\alpha,\lambda)$, $\mathbb{E}X=\alpha/\lambda$, $DX=\alpha/\lambda^2$,
\begin{equation}
f(x)=\begin{cases}\dfrac{\lambda\mathrm{e}^{-\lambda x}(\lambda x)^{\alpha-1}}{\Gamma(\alpha)},&\text{if}~\alpha>0\\0,&\text{o.w.}\end{cases}
\end{equation}
这里 gamma 函数为
\begin{equation}
\Gamma(\alpha)=\int_0^\infty \mathrm{e}^{-t}t^{\alpha-1}\mathrm{d}t,\quad\forall \alpha>0
\end{equation}
beta 分布: $X\sim \mathcal{B}(\alpha,\beta)$, $\mathbb{E}X=\alpha/(\alpha+\beta)$, $DX=\alpha\beta/[(\alpha+\beta+1)(\alpha+\beta)^2]$,
\begin{equation}
f(x)=\begin{cases}\dfrac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)},&\text{if}~0<x<1\\0,&\text{o.w.}\end{cases}
\end{equation}
这里 beta 函数为
\begin{equation}
B(\alpha,\beta)=\int_0^1 x^{\alpha-1}(1-x)^{\beta-1}\mathrm{d}x=\frac{\Gamma(\alpha)\cdot\Gamma(\beta)}{\Gamma(\alpha+\beta)}
\end{equation}
\subsection{示性函数的线性组合}
非负随机变量可由事件示性函数的线性组合表示: 设 $X(\omega)$ 为非负随机变量, $\mathbb{P}(X<\infty)=1$, 令
\begin{equation}
X_n(\omega)=\sum_{k=0}^{n2^n-1}\frac{k}{2^n}\mathbb{I}_{\{\frac{k}{2^n}\leqslant X<\frac{k+1}{2^n}\}}(\omega)+n\mathbb{I}_{\{X\geqslant n\}}(\omega)
\end{equation}
则 $X_n(\omega)$ 是随机变量, 且 $\forall\omega\in\Omega$, 有
\begin{equation}
\lim_{n\to\infty}X_n(\omega)=X(\omega)
\end{equation}
一般随机变量可由事件示性函数的线性组合表示: 设 $X(\omega)$ 为一般的随机变量, 令
\begin{equation}
X^+=X\vee0=\max(X,0),~X^-=-(X\wedge0)=-\min(X,0).
\end{equation}
显然 $X^+,X^-\geqslant0$. 由上面的结论, 对 $X^+,X^-$ 存在 $X_n^+\uparrow X^+,~X_m^-\uparrow X^-$, 若令
\begin{equation}
X_n=X_n^+-X_n^-,
\end{equation}
则 $X_n\uparrow X$.
\section{矩母函数、特征函数和拉普拉斯变换}
\subsection{矩母函数}
\textbf{定义}:矩母函数或生成函数
随机变量 $X$ 的矩母函数或称生成函数定义为
\begin{equation}
\varphi(t)=\mathbb{E}(\mathrm{e}^{tX})=\int_{-\infty}^\infty\mathrm{e}^{tx}\mathrm{d}F_X(x).
\end{equation}
显然, 如 $X$ 的 $k$ 阶矩存在, 则
\begin{equation}
\mathbb{E}(X^k)=\varphi^{(k)}(0),\end{equation} 矩母函数由此得名, 可以证明矩母函数与分布函数是一一对应的.
对于取值非负整数的随机变量 $X$, 即
\begin{equation}
\mathbb{P}(X=k)=p_k\geqslant0,~k\geqslant0,~\sum_{k=0}^\infty p_k=1,
\end{equation}
则 $X$ 的矩母函数记为
\begin{equation}
g(s)=\mathbb{E}(s^X)=\sum_{k=0}^\infty p_ks^k.
\end{equation}
显然
\begin{equation}
p_k=\frac{g^{(k)}(0)}{k!},
\end{equation}
且有
\begin{equation}
\mathbb{E}[X(X-1)\cdots(X-k+1)]=g^{(k)}(1).
\end{equation}
特别地,
\begin{equation}
\mathbb{E}(X)=g'(1),\quad \mathbb{E}(X(X-1))=\mathbb{E}X^2-\mathbb{E}X=g''(1),
\end{equation}
则有
\begin{equation}
D(X)=\mathbb{E}X^2-(\mathbb{E}X)^2=g''(1)+g'(1)-[g'(1)]^2.
\end{equation}
若 $X_1,X_2$ 相互独立, 其矩母函数分别记为 $g_1(s),g_2(s)$, 则 $X_1+X_2$ 的矩母函数为
\begin{equation}
g_{X_1+X_2}(s)=g_1(s)g_2(s).
\end{equation}
\subsection{特征函数}
\textbf{定义}:特征函数
随机变量 $X$ 的特征函数定义为
\begin{equation}
\phi(x):= \mathbb{E}[\mathrm{e}^{\mathrm{i}tX}]=\int_{-\infty}^\infty\mathrm{e}^{\mathrm{i}tx}\mathrm{d}F_X(x).
\end{equation}
\subsection{Laplace-Stieltjes 变换}
\textbf{定义}:Laplace-Stieltjes 变换
设非负随机变量 $X$, 分布函数 $F_X(x)$, $s=a+\mathrm{i}b$, 这里 $a>0,~b$ 是实数, 称
\begin{equation}
\hat{F}_X(s)=\int_0^\infty\mathrm{e}^{-sx}\mathrm{d}F_X(x)
\end{equation}
为 $F_X(x)$ 的 Laplace-Stielties 变换, 或称随机变量 $X$ 的 Laplace-Stielties 变换, 简记 L-S 变换.
$\hat{F}_X(s)$ 与 $F_X(x)$ 也有一一对应关系, 且对 $X_1,X_2>0$ 相互独立, 有
\begin{equation}
\hat{F}_{X_1+X_2}(s)=\hat{F}_{X_1}(s)\hat{F}_{X_2}(s).
\end{equation}
\section{条件数学期望}
\subsection{离散型随机变量}
设 $(X,Y)$ 为两个离散型随机变量, 其联合分布律为
\begin{equation}
\mathbb{P}(X=x_i,Y=y_i)=p_{ij}\geqslant0,~\sum_{ij}p_{ij}=1,
\end{equation}
若
\begin{equation}
\mathbb{P}(Y=y_j)=\sum_i\mathbb{P}(X=x_i,Y=y_i)=\sum_ip_{ij}>0,
\end{equation}
则称
\begin{equation}
\mathbb{P}(X=x_i|Y=y_j)=\frac{\mathbb{P}(X=x_i,Y=y_i)}{\mathbb{P}(Y=y_j)}
\end{equation}
为给定 $Y=y_j$ 时, $X$ 的条件分布律.
称
\begin{equation}
\mathbb{E}(X|Y=y_j):=\sum_ix_i\mathbb{P}(X=x_i|Y=y_j)
\end{equation}
为给定 $Y=y_j$ 时, $X$ 的条件数学期望.
记
\begin{equation}
\mathbb{E}(X|Y):=\sum_j\mathbb{I}_{\{Y=y_j\}}(\omega)\mathbb{E}(X|Y=y_j),
\end{equation}
称 $\mathbb{E}(X|Y)$ 为 $X$ 关于 $Y$ 的条件数学期望.
随机变量 $\mathbb{E}(X|Y)$ 是随机变量 $Y$ 的函数, 当 $\omega\in\{\omega:Y(\omega)=y_j\}$ 时, $\mathbb{E}(X|Y)$ 的取值为 $\mathbb{E}(X|Y=y_j)$, 其数学期望应为
\begin{equation}
\begin{aligned}
\mathbb{E}[\mathbb{E}(X|Y)]
&=\sum_j\mathbb{E}(X|Y=y_j)\mathbb{P}(Y=y_j)\\
&=\sum_{i,j}x_i\mathbb{P}(X=x_i|Y=y_j)\mathbb{P}(Y=y_j)\\
&=\sum_{i,j}x_i\frac{\mathbb{P}(X=x_i,Y=y_i)}{\mathbb{P}(Y=y_j)}\mathbb{P}(Y=y_j)\\
&=\sum_{i,j}x_i\mathbb{P}(X=x_i,Y=y_i)\\
&=\sum_{i}x_i\mathbb{P}(X=x_i)\\
&=\mathbb{E}X
\end{aligned}
\end{equation}
\subsection{连续型随机变量}
设 $(X,Y)$ 的联合概率密度函数为 $f(x,y)$, 若 $Y$ 的概率密度函数
\begin{equation}
f_Y(y)=\int_{-\infty}^\infty f(x,y)\mathrm{d}x>0
\end{equation}
则称
\begin{equation}
f_{X|Y=y}(x|y)=\frac{f(x,y)}{f_Y(y)}
\end{equation}
为给定 $Y=y$ 时, $X$ 的条件概率密度函数.
条件分布函数为
\begin{equation}
F_{X|Y=y}(x|y)=\mathbb{P}(X\leqslant x|Y=y)=\int_{-\infty}^x\frac{f(u,y)}{f_Y(y)}\mathrm{d}u,
\end{equation}
条件数学期望为
\begin{equation}
\mathbb{E}(X|Y=y)=\int_{-\infty}^\infty xf_{X|Y=y}(x|y)\mathrm{d}x=\int_{-\infty}^\infty x\frac{f(x,y)}{f_Y(y)}\mathrm{d}x
\end{equation}
考虑 $D\in\mathcal{B}_{\mathbb{R}}$, 给定 $Y\in D$, 若 $\mathbb{P}(Y\in D)>0$, $X$ 的条件分布函数为
\begin{equation}
\begin{aligned}
F_{X|Y\in D}(x|D)
&=\mathbb{P}(X\leqslant x|Y\in D)\\
&=\frac{\mathbb{P}(X\leqslant x,Y\in D)}{\mathbb{P}(Y\in D)}\\
&=\frac{\displaystyle\int_{-\infty}^x\int_{y\in D}f(x,y)\mathrm{d}y\mathrm{d}x}{\displaystyle\int_{y\in D}f_Y(y)\mathrm{d}y}
\end{aligned}
\end{equation}
所以给定 $Y\in D$, $X$ 的条件概率密度函数为
\begin{equation}
f_{X|Y\in D}(x|D)=\frac{\displaystyle\int_{y\in D}f(x,y)\mathrm{d}y}{\displaystyle\int_{y\in D}f_Y(y)\mathrm{d}y}=\frac{\displaystyle\int_{y\in D}f(x,y)\mathrm{d}y}{\mathbb{P}(Y\in D)}
\end{equation}
于是给定 $Y\in D$, $X$ 的条件数学期望为
\begin{equation}
\begin{aligned}
\mathbb{E}(X|Y\in D)
&=\int_{-\infty}^\infty xf_{X|Y\in D}(x|D)\mathrm{d}x\\
&=\int_{-\infty}^\infty x\frac{\displaystyle\int_{y\in D}f(x,y)\mathrm{d}y}{\mathbb{P}(Y\in D)}\mathrm{d}x\\
&=\frac{1}{\mathbb{P}(Y\in D)}\int_{-\infty}^\infty\int_{y\in D}xf(x,y)\mathrm{d}y\mathrm{d}x\\
&=\frac{1}{\mathbb{P}(Y\in D)}\int_{y\in D}\int_{-\infty}^\infty\frac{xf(x,y)}{f_Y(y)}f_Y(y)\mathrm{d}x\mathrm{d}y\\
&=\frac{1}{\mathbb{P}(Y\in D)}\int_{y\in D}\mathbb{E}(X|Y=y)f_Y(y)\mathrm{d}y\\
&=\mathbb{E}[\mathbb{E}(X|Y)|Y\in D]\\
\end{aligned}
\end{equation}
若取 $D=\mathbb{R}$, 则有
\begin{equation}
\mathbb{E}(X|Y\in\mathbb{R})=\mathbb{E}(X)=\mathbb{E}[\mathbb{E}(X|Y)|Y\in \mathbb{R}]=\mathbb{E}[\mathbb{E}(X|Y)]
\end{equation}
此即是所谓全期望公式.
上面两点分别是对条件期望取单点值和区间值的要求, 基于此即可定义连续型随机变量条件数学期望.
\textbf{定义}:连续型随机变量条件数学期望
设 $(X,Y)$ 具有联合概率密度函数 $f(x,y)$, $Y$ 的概率密度函数为 $F_Y(y)>0$, $\mathbb{E}|X|<\infty$, 若随机变量 $\mathbb{E}(X|Y)$ 满足
$\mathbb{E}(X|Y)$ 是随机变量 $Y$ 的函数, 当 $Y=y$ 时, 它的取值为 $\mathbb{E}(X|Y=y)$
对任意 $D\in\mathcal{B}_{\mathbb{R}}$, 有
\begin{equation}
\mathbb{E}[\mathbb{E}(X|Y)|Y\in D]=\mathbb{E}[X|Y\in D]
\end{equation}
则称随机变量 $\mathbb{E}(X|Y)$ 为 $X$ 关于 $Y$ 的条件数学期望.
\subsection{一般随机变量}
设 $(X,Y)$ 为一般随机变量, 其联合分布函数为 $\mathbb{P}(X\leqslant x,~Y\leqslant y)$. 以下假设 $\mathbb{E}|X|<\infty$, 分两种情况讨论.
\textbf{定义}:一般随机变量条件数学期望
设 $D\in\mathcal{B}_{\mathbb{R}}$, $\mathbb{P}(Y\in D)>0$. $\forall x\in\mathbb{R}$, 称
\begin{equation}
\mathbb{P}(X\leqslant x|Y\in D)=\frac{\mathbb{P}(X\leqslant x,Y\in D)}{\mathbb{P}(Y\in D)}
\end{equation}
为 $X$ 关于事件 $\{\omega:Y(\omega)\in D\}$ 的条件分布函数.
称
\begin{equation}
\mathbb{E}(X|Y\in D)=\int_{-\infty}^\infty x\mathrm{d}\mathbb{P}(X\leqslant x|Y\in D)
\end{equation}
为 $X$ 关于事件 $\{\omega:Y(\omega)\in D\}$ 的条件数学期望.
在许多问题中常常需要考虑 $D$ 为单点集 $\{y\}$ 的情形. 若 $\mathbb{P}(Y=y)>0$, 这时定义条件分布同上. 当 $\mathbb{P}(Y=y)=0$ 时, 定义 $\mathbb{P}(X\leqslant x|Y=y)$ 如下.
\textbf{定义}:一般随机变量单点概率为零时条件数学期望
设 $(x,y)\in\mathbb{R}^2$, 对充分小的 $h>0$, 有 $\mathbb{P}(y<Y\leqslant y+h)>0$. 若
\begin{equation}
\mathbb{P}(X\leqslant x|Y=y):=\lim_{h\to0}\mathbb{P}(X\leqslant x|y<Y\leqslant y+h)
\end{equation}
存在, 则称 $\mathbb{P}(X\leqslant x|Y=y)$ 为 $X$ 关于事件 $\{\omega:Y(\omega)=y\}$ 的条件分布函数.
称
\begin{equation}
\mathbb{E}(X|Y=y)=\int_{-\infty}^\infty x\mathrm{d}\mathbb{P}(X\leqslant x|Y=y)
\end{equation}
为 $X$ 关于事件 $\{\omega:Y(\omega)=y\}$ 的条件数学期望.
\textbf{定义}:条件数学期望
若随机变量 $\mathbb{E}(X|Y)$ 满足
(1) $\mathbb{E}(X|Y)$ 是随机变量 $Y$ 的函数, 当 $Y=y$ 时, 它的取值为 $\mathbb{E}(X|Y=y)$;
(2) 对任意 $D\in\mathcal{B}_{\mathbb{R}}$, 有
\begin{equation}
\mathbb{E}[\mathbb{E}(X|Y)|Y\in D]=\mathbb{E}[X|Y\in D].
\end{equation}
则称随机变量 $\mathbb{E}(X|Y)$ 为 $X$ 关于 $Y$ 的条件数学期望.
\textbf{定理}: 全期望公式
设随机变量 $\mathbb{E}(X|Y)$ 为 $X$ 关于 $Y$ 的条件数学期望, 则有
\begin{equation}
\mathbb{E}X=\mathbb{E}[\mathbb{E}(X|Y)]=\int_{-\infty}^\infty \mathbb{E}(X|Y=y)\mathrm{d}\mathbb{P}(Y\leqslant y).
\end{equation}
上式可看作是数学期望形式的全概率公式, 即全期望公式.
\subsection{条件概率与条件分布函数}
条件概率, 条件分布函数均可用条件数学期望的概念及性质来处理.
由示性函数的定义有
\begin{equation}
\mathbb{P}(B)=\mathbb{E}[\mathbb{I}_B(\omega)],
\end{equation}
称
\begin{equation}
\mathbb{E}[\mathbb{I}_B(\omega)|Y]=\mathbb{P}(B|Y)
\end{equation}
为事件 $B$ 关于随机变量 $Y$ 的条件概率, 此时 $\mathbb{P}(B|Y)$ 是随机变量且是 $Y$ 的函数.
对于 $\forall x\in\mathbb{R}$, 取 $B=(\omega:X(\omega)\leqslant x)$, 称
\begin{equation}
F(x|Y):= \mathbb{P}(X\leqslant x|Y)=\mathbb{E}[\mathbb{I}_{\{X(\omega)\leqslant x\}}(\omega)|Y]
\end{equation}
为 $X$ 关于 $Y$ 的条件分布函数.
\subsection{条件数学期望的基本性质}
两个随机变量 $Z_1,Z_2$, 如果 $\mathbb{P}(Z_1=Z_2)=1$, 则称 $Z_1,Z_2$ 几乎处处 (almost everywhere) 或几乎必然 (almost surely) 相等, 记作 $Z_1=Z_2$ a.e. 或 a.s.
\textbf{定理}: 条件数学期望的基本性质
设 $X,Y,X_i$, $1\leqslant i\leqslant n$ 为随机变量, $g(x),h(y)$ 为一般函数, 且 $\mathbb{E}|X|<\infty$, $\mathbb{E}|X_i|<\infty$, $1\leqslant i\leqslant n$, $\mathbb{E}|g(X)h(Y)|<\infty$, $\mathbb{E}|g(X)|<\infty$. 则有
全期望公式:
\begin{equation}
\mathbb{E}X=\mathbb{E}[\mathbb{E}(X|Y)]
\end{equation}
线性: $\forall \alpha_i\in\mathbb{R},~1\leqslant i\leqslant n$, 有
\begin{equation}
\mathbb{E}\left(\sum_{i=1}^n\alpha_iX_i\Big|Y\right)=\sum_{i=1}^n\alpha_i\mathbb{E}(X_i|Y)
\end{equation}
条件期望平滑性:
\begin{equation}
\mathbb{E}[g(X)h(Y)|Y]=h(Y)\mathbb{E}[g(X)|Y]
\end{equation}
特别地, 有
\begin{equation}
\mathbb{E}(X|X)=X
\end{equation}
\begin{equation}
\mathbb{E}[g(X)h(Y)]=\mathbb{E}\{\mathbb{E}[g(X)h(Y)|Y]\}=\mathbb{E}\{h(Y)\mathbb{E}[g(X)|Y]\}
\end{equation}
独立性: 若 $X$ 与 $Y$ 相互独立, 则
\begin{equation}
\mathbb{E}(X|Y)=\mathbb{E}X
\end{equation}
\subsection{多元随机变量的条件数学期望}
离散型随机变量
设三个随机变量 $(X,Y,Z)$, 其中 $(Y,Z)$ 为离散型随机变量, 称随机变量 $\mathbb{E}(X|Y,Z)$ 是 $X$ 关于 $Y,Z$ 的条件数学期望, 若它满足
(1) $\mathbb{E}(X|Y,Z)$ 是 $(Y,Z)$ 的二元函数, 当 $Y=y_j$, $Z=z_k$ 时, $\mathbb{E}(X|Y,Z)$ 的取值为 $\mathbb{E}(X|Y=y_j,Z=z_k)$
(2) 对任意 $D_j\in\mathcal{B}_{\mathbb{R}}$, $D_k\in\mathcal{B}_{\mathbb{R}}$, 有
\begin{equation}
\mathbb{E}[\mathbb{E}(X|Y,Z)|Y\in D_j,Z\in D_k]=\mathbb{E}(X|Y\in D_j,Z\in D_k)
\end{equation}
用示性函数表示, 即
\begin{equation}
\mathbb{E}(X|Y,Z):=\sum_{j,k}\mathbb{I}_{\{Y(\omega)=y_j,Z(\omega)=z_k\}}(\omega)\mathbb{E}(X|Y=y_j,Z=z_k)
\end{equation}
当 $\mathbb{E}|X|<\infty$ 时, 由对 $Z$ 的全期望公式和条件期望平滑性有
\begin{equation}
\mathbb{E}[\mathbb{E}(X|Y,Z)|Y]=\mathbb{E}(X|Y)=\mathbb{E}[\mathbb{E}(X|Y)|Y,Z]
\end{equation}
连续型随机变量
如 $(X,Y,Z)$ 为连续型随机变量, 联合概率密度函数为 $f(x,y,z)$, $(Y,Z)$ 的联合概率密度函数为 $f_{Y,Z}(y,z)$, $X$ 关于 $Y=y,Z=z$ 的条件概率密度函数为
\begin{equation}
f_{X|(Y,Z)=(y,z)}(x|y,z)=\frac{f(x,y,z)}{f_{Y,Z}(y,z)},
\end{equation} 设 $\mathbb{E}|X|<\infty$, $f_{Y,Z}(y,z)>0$, 若随机变量 $\mathbb{E}(X|Y,Z)$ 满足
$\mathbb{E}(X|Y,Z)$ 是 $(Y,Z)$ 的二元函数, 当 $Y=y,Z=z$ 时, $\mathbb{E}(X|Y,Z)$ 的取值为 $\mathbb{E}(X|Y=y,Z=z)$
对任意 $D_1\in\mathcal{B}_{\mathbb{R}}$, $D_2\in\mathcal{B}_{\mathbb{R}}$, 有
\begin{equation}
\mathbb{E}[\mathbb{E}(X|Y,Z)|Y\in D_1,Z\in D_2]=\mathbb{E}(X|Y\in D_1,Z\in D_2)
\end{equation}
称随机变量 $\mathbb{E}(X|Y,Z)$ 是 $X$ 关于 $Y,Z$ 的条件数学期望.
\textbf{定理}: 多元随机变量条件期望的性质
设以下所涉及的期望全都有限, 则有
全期望公式:
\begin{equation}
\mathbb{E}X=\mathbb{E}[\mathbb{E}(X|Y_1,Y_2,\cdots,Y_n)]
\end{equation}
线性: $\forall \alpha_i\in\mathbb{R},~1\leqslant i\leqslant n$, 有
\begin{equation}
\mathbb{E}\left(\sum_{i=1}^n\alpha_iX_i\Big|Y_1,Y_2,\cdots,Y_n\right)=\sum_{i=1}^n\alpha_i\mathbb{E}(X_i|Y_1,Y_2,\cdots,Y_n)
\end{equation}
条件期望平滑性:
\begin{equation}
\mathbb{E}[g(X)h(Y_1,Y_2,\cdots,Y_n)|Y_1,Y_2,\cdots,Y_n]=h(Y_1,Y_2,\cdots,Y_n)\mathbb{E}[g(X)|Y_1,Y_2,\cdots,Y_n]
\end{equation}
独立性: 若 $X$ 与 $Y_1,Y_2,\cdots,Y_n$ 独立, 则
\begin{equation}
\mathbb{E}(X|Y_1,Y_2,\cdots,Y_n)=\mathbb{E}X
\end{equation}
\subsection{条件乘法公式与条件独立性}
下面在条件概率测度下推广原本的概率乘法公式和事件独立性.
条件概率的乘法公式
设 $A,B$ 为两个随机事件, 由条件概率的定义可知
\begin{equation}
\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B|A)
\end{equation}
与上面的概率乘法公式类似, 条件概率测度 $\mathbb{P}(\cdot|A)$ 的乘法公式如下.
\textbf{定义}:条件概率测度下的乘法公式
设 $A,B,C$ 为随机事件, 则
\begin{equation}
\mathbb{P}(BC|A)=\mathbb{P}(B|A)\mathbb{P}(C|AB)
\end{equation}
条件独立性
当两个随机事件 $A,B$ 独立时, 有 $\mathbb{P}(AB)=\mathbb{P}(A)\mathbb{P}(B)$, 即 $\mathbb{P}(A|B)=\mathbb{P}(A)$. 与上面的独立性概念类似, 条件独立性的定义如下.
\textbf{定义}:条件独立
设 $A,B,C$ 为随机事件, 称事件 $A,B$ 关于事件 $C$ 条件独立, 即在条件概率测度 $\mathbb{P}(\cdot|C)$ 下独立, 若满足
\begin{equation}
\mathbb{P}(A|BC)=\mathbb{P}(A|C).
\end{equation}
\textbf{命题}:条件独立的充要条件
设 $A,B,C$ 为随机事件, 则事件 $A,B$ 关于事件 $C$ 条件独立的充要条件为
\begin{equation}
\mathbb{P}(AB|C)=\mathbb{P}(A|C)\mathbb{P}(B|C),
\end{equation}
此即事件独立定义在条件概率测度 $\mathbb{P}(\cdot|C)$ 下的自然推广.
\subsection{全概率公式}
设 $\{B_k\},~k=1,2,\cdots$ 为 $\Omega$ 的一个分割, 则有全概率公式
\begin{equation}
\mathbb{P}(A)=\sum_{k=1}^\infty \mathbb{P}(B_k)\mathbb{P}(A|B_k).
\end{equation}
\section{随机过程的概念}
在概率论中, 研究了随机变量, $n$ 维随机向量. 在极限定理中, 涉及到了无穷多个随机变量, 但局限在它们之间是相互独立的情形. 将上述情形加以推广, 即研究一族无穷多个、相互有关的随机变量, 这就是随机过程.
\subsection{随机过程的定义}
\textbf{定义}:随机过程
设 $T$ 是一个指标集, 如 $T=\mathbb{Z},\mathbb{Z}^+,\mathbb{R},\mathbb{R}^+,[0,t]$ 等. $\forall t\in T$, $X_t$ 是定义在概率空间 $(\Omega,\mathcal{F},\mathbb{P})$ 上取值与 $S$ 的随机变量, 则称 $X=\{X_t:t\in T\}$ 是定义在 $(\Omega,\mathcal{F},\mathbb{P})$ 上以 $S$ 为状态空间的随机过程.
当 $T=\mathbb{Z},\mathbb{Z}^+$ 或其子集时, 称 $X$ 是离散参数随机过程, 当 $T=\mathbb{R},\mathbb{R}^+$ 或其子区间时, 称 $X$ 是连续参数随机过程.
若 $S$ 是有限集或可列无穷集时, 称 $X$ 是离散状态的, 若 $S$ 是连续流, 则称 $X$ 是连续状态的.
有时记 $X_t(\omega)=X(t,\omega):T\times\Omega\to S$, 即 $X(\cdot,\cdot)$ 为 $T\times\Omega$ 上的二元单值函数.
固定 $t\in T$, 函数 $X_t(\omega):\Omega\to S$ 是定义在样本空间 $\Omega$ 上的函数, 即为一随机变量.
固定 $\omega\in\Omega$, 函数 $X_t(\omega):T\to S$ 称为 $X$ 的一条样本轨道.
\subsection{随机过程的分布}