نمایش مبدأ برای تابع چگالی احتمال

در [[آمار]] و [[احتمالات|احتمال]]، به بیان ساده، '''تابعِ چگالیِ احتمالِ''' یک متغیر تصادفی پیوسته به تابعی گفته می‌شود که انتگرال آن در هر بازهٔ معین، برابر با احتمال قرار داشتن متغیر تصادفی در آن بازه است.<ref>{{cite book|chapter-url=https://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/Chapter4.pdf|chapter=Conditional Probability - Discrete Conditional|last1=Grinstead|first1=Charles M.|last2=Snell|first2=J. Laurie|publisher=Orange Grove Texts|isbn=1-61610-046-X|title=Grinstead & Snell's Introduction to Probability|date=2009|accessdate=2019-07-25|archive-date=۱۸ ژوئیه ۲۰۱۹|archive-url=https://web.archive.org/web/20190718103501/http://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/Chapter4.pdf|url-status=dead}}</ref>

بنابراین، احتمال این‌که یک متغیر تصادفی پیوسته، یک مقدار معیّن اختیار کند، صفر است.

مقدار تابع چگالی احتمال همواره غیرمنفی است.

== توزیع پیوسته یک‌متغیره ==
[[پرونده:Boxplot vs PDF.svg|بندانگشتی|350px|تابع [[توزیع نرمال]] {{nowrap|''N''(0, ''σ''<sup>2</sup>)}}.]]

احتمال آنکه متغیر تصادفی X در بازه [a,b] واقع شود از رابطهٔ زیر بدست می‌آید:<ref>[http://planetmath.org/?method=png&from=objects&id=2884&op=getobj Probability distribution function] PlanetMath {{webarchive|url=https://web.archive.org/web/20110807023948/http://planetmath.org/?method=png&from=objects&id=2884&op=getobj|date=2011-08-07}}</ref>
{{وسط‌چین}}
:<math>\Pr(a \leq X \leq b) =\int_a^b f(x)\,dx</math>
{{پایان وسط‌چین}}
همچنین کل مساحت زیر نمودار برابر است با ۱؛ یعنی:
{{وسط‌چین}}
::<math> \int_{-\infty}^\infty \,f(x)\,dx = 1 </math>
{{پایان وسط‌چین}}
در نتیجه [[تابع توزیع تجمعی]] را می‌توان به صورت زیر نوشت:
{{وسط‌چین}}
::<math>F(x) = \int_{-\infty}^x f(u) \, \mathrm{d}u ,</math>
{{پایان وسط‌چین}}
و اگر ''f'' [[تابع پیوسته|تابعی پیوسته]] باشد:
{{وسط‌چین}}
::<math> f(x) = \frac{\mathrm{d}}{\mathrm{d}x} F(x).</math>
{{پایان وسط‌چین}}

== تعریف ==
[[متغیر تصادفی]] X را در نظر بگیرید که مقدار آن در [[فضای اندازه]] <math>(\mathcal{X}, \mathcal{A})</math> تعریف شده و [[توزیع احتمال]] آن اندازه ''X''<sub>∗</sub>''P'' در <math>(\mathcal{X}, \mathcal{A})</math> است، آنگاه چگالی X نسبت به اندازه مرجع ''μ'' در <math>(\mathcal{X}, \mathcal{A})</math> بواسطه [[مشتق رادون−نیکودیم]] به شکل زیر تعریف می‌شود:
{{وسط‌چین}}
:<math>f = \frac{\mathrm d X_*P}{\mathrm d \mu}.</math>
{{پایان وسط‌چین}}
به عبارت دیگر، به ازای هر [[مجموعه اندازه‌پذیر]] <math>A \in \mathcal{A}</math>،
''f'' می‌تواند هر تابع قابل اندازه‌گیری با ویژگی زیر باشد:
{{وسط‌چین}}
:<math>\Pr [X \in A] = \int_{X^{-1}A} \, \mathrm d P = \int_A f \, \mathrm d \mu</math>
{{پایان وسط‌چین}}
برخلاف احتمالی که به یک متغیر تصادفی گسسته نسبت داده می‌شود، تابع چگالی احتمال می‌تواند مقادیر بیشتر از یک را نیز اختیار کند. به‌طور مثال [[توزیع یکنواخت]] در بازه [۱/۲ ،۰] چگالی احتمالی ''f''(''x'') = ۲ برای ۰ ≤ ''x'' ≤ ½ دارد و ''f''(''x'') = ۰ برای خارج این بازه دارد
با داشتن تابع چگالی احتمالی متغیر تصادفی ''X'' می‌توان مقدار [[امید ریاضی]] آن را به شکل زیر محاسبه کرد:
{{وسط‌چین}}
: <math>
  \operatorname{E}[X] = \int_{-\infty}^\infty x\,f(x)\,dx.
  </math>
{{پایان وسط‌چین}}

== چند روش محاسبه ==
از روش‌های بدست آوردن تابع چگالی احتمالی متغیر تصادفی ''X'' [[مشتق‌گیری]] از [[تابع توزیع تجمعی]] (''F''<sub>X</sub>(''x'' آن است و که به صورت زیر تعریف می‌شود
{{وسط‌چین}}
<math>x \to F_X(x) = \operatorname{P}(X\leq x)</math>
: <math>
  \frac{d}{dx}F(x) = f(x).
  </math>
{{پایان وسط‌چین}}
یک روش دیگر برای بدست آوردن تابع چگالی احتمالی متغیر تصادفی ''X'' تخمین مقدار آن در یک بازه کوچک مانند <math> [x, x + \varepsilon] </math>: است.
{{وسط‌چین}}
: <math>
  \Pr(x<X<x+\varepsilon) = f(t)\,\varepsilon.
  </math>
{{پایان وسط‌چین}}
یا به عبارت دیگر
{{وسط‌چین}}
<math>
\lim_{\varepsilon \to 0} P(x <X <x + \varepsilon) / \varepsilon
</math>:
{{پایان وسط‌چین}}

== رابطه بین توزیع‌های گسسته و پیوسته ==
می‌توان بعضی از متغیرهای تصادفی گسسته را نیز با استفاده از تابع چگالی احتمالی توصیف کرد. به‌طور مثال برای متغیر تصادفی که دو مقدار ۱ و -۱ را هر کدام با احتمال ۱/۲ می‌گیرد، می‌توان چگالی احتمال زیر را نسبت داد
{{وسط‌چین}}
:<math>f(t) = \frac{1}{2}(\delta(t+1)+\delta(t-1)).</math>
{{پایان وسط‌چین}}
به‌طور کلی اگر متغیر تصادفی ''n'' مقدار حقیقی را اختیار کند می‌توان تابع چگالی احتمال آن را به این شکل نوشت
{{وسط‌چین}}
:<math>f(t) = \sum_{i=1}^np_i\, \delta(t-x_i),</math>
{{پایان وسط‌چین}}
که مقادیر ''x''<sub>1</sub>, …, ''x<sub>n</sub>'' مقادیری هستند که متغیر تصادفی ''X'' با احتمال ''p''<sub>1</sub>, …, ''p<sub>n</sub>'' اختیار می‌کند..

== چگالی احتمال توابع چندمتغیره ==
برای [[متغیرهای تصادفی]] <math>x_1,\ldots,x_n</math> همچنین می‌توان یک تابع چگالی چندمتغیره تعریف کرد که به تمامی "<math>X</math>"ها بستگی داشته باشد که به آن تابع چگالی احتمال مشترک (توأم) گویند. این تابع چگالی تابع چگالی <math>n</math> متغیره نام دارد به‌طوری‌که به ازای هر فضای احتمال "<math>n</math>" بعدی "<math>D</math>" از متغیرهای تصادفی <math>x_1,\ldots,x_n</math> احتمال اینکه این دسته متغیرها در "<math>D</math>" قرار بگیرند، به صورت زیر است:
{{وسط‌چین}}
:<math>\Pr \left(X_1,\ldots,X_N \isin D \right)
= \int_D f_{X_1,\dots,X_N}(x_1,\ldots,x_N)\,dx_1 \cdots dx_N.</math>
{{پایان وسط‌چین}}
اگر(''F''(''x''<sub>1</sub>, …, ''x''<sub>''n''</sub>) = Pr(''X''<sub>1</sub> ≤ ''x''<sub>1</sub>, …, ''X''<sub>''n''</sub> ≤ ''x''<sub>''n''</sub> باشد، به آن [[توزیع تجمعی احتمال]] بردار (''X''<sub>1</sub>, …, ''X''<sub>''n''</sub>) گوییم که در آن صورت توزیع چگالی احتمال توأم از طریق مشتق‌گیری از آن بدست می‌آید:
{{وسط‌چین}}
: <math>
  f(x) = \frac{\partial^n F}{\partial x_1 \cdots \partial x_n} \bigg|_x
  </math>
{{پایان وسط‌چین}}

=== چگالی توزیع حاشیه‌ای ===
''(f<sub>Xi</sub>''(''x<sub>i</sub>'' به ازای ''i''=۱، ۲، …,''n'' چگالی توزیع حاشیه‌ای می‌گوییم که فقط تابع ''X<sub>i</sub>'' است. می‌توان آن را از طریق [[انتگرال‌گیری]] از توزیع تجمعی نسبت به n-1 متغیر دیگر بدست آورد.
{{وسط‌چین}}
:<math>f_{X_i}(x_i) = \int f(x_1,\ldots,x_n)\, dx_1 \cdots dx_{i-1}\,dx_{i+1}\cdots dx_n.</math>
{{پایان وسط‌چین}}

=== استقلال ===
تابع توزیع مشترک n متغیره ''X''<sub>1</sub>, …, ''X<sub>n</sub>'' [[مستقل]] از تک تک آن‌ها مستقل است اگر و تنها اگر:
{{وسط‌چین}}
:<math>f_{X_1,\dots,X_n}(x_1,\ldots,x_n) = f_{X_1}(x_1)\cdots f_{X_n}(x_n).</math>
{{پایان وسط‌چین}}

=== نتیجه فرعی ===
اگر بتوان تابع توزیع مشترک یک بردار n تایی را به صورت حاصلضرب n تابع تک متغیره نوشت
{{وسط‌چین}}
:<math>f_{X_1,\dots,X_n}(x_1,\ldots,x_n) = f_1(x_1)\cdots f_n(x_n),</math>
{{پایان وسط‌چین}}
(لزومی ندارد که هر ''f<sub>i</sub>'' یک چگالی احتمال باشد) در آن صورت n متغیر از یکدیگر [[مستقل]] هستند و چگالی توزیع احتمال هریک به صورت زیر محاسبه می‌شود:
{{وسط‌چین}}
:<math>f_{X_i}(x_i) = \frac{f_i(x_i)}{\int f_i(x)\,dx}.</math>
{{پایان وسط‌چین}}

=== مثال ===
این مثال ابتدایی حالت ساده دو متغیره از تعریف تابع چکالی احتمال چند متغیره است. فرض کنید فضای <math>\vec R</math> یک فضای دو متغیره با بردار مختصات (''X'', ''Y'') است. احتمال اینکه <math>\vec R</math> در کنج مثبت باشد، اینگونه است:
{{وسط‌چین}}
:<math>\Pr \left(X> 0, Y> 0 \right)
= \int_0^\infty \int_0^\infty f_{X,Y}(x,y)\,dx\,dy.</math>
{{پایان وسط‌چین}}

== جمع دو متغیر تصادفی مستقل ==
تابع چگالی احتمال دو متغیر [[مستقل]] U و V، که هر یک دارای یک تابع چگالی احتمالند، [[کانولوشن]] تابع چگالی تک تک آن هاست:
{{وسط‌چین}}
:<math>
f_{U+V}(x) = \int_{-\infty}^\infty f_U(y) f_V(x - y)\,dy
= \left(f_{U} * f_{V} \right) (x)
</math>
{{پایان وسط‌چین}}
می‌توان رابطه بالا را به N [[متغیر مستقل]]، با چگالی‌های ''U''<sub>1</sub>, …, ''U<sub>N</sub>'' تعمیم داد:
{{وسط‌چین}}
:<math>
f_{U_{1} + \ldots + U_{N}}(x)
= \left(f_{U_{1}} * \ldots * f_{U_{N}} \right) (x)
</math>
{{پایان وسط‌چین}}

== متغیرهای وابسته و تغییر متغیر ==
اگر تابع چگالی احتمال متغیر تصادفی X به صورت ''(f<sub>X</sub>''(''x'' داده شده باشد، می‌توان (ولی معمولاً غیرضروری است، زیر را مشاهده کنید) تابع چگالی احتمال متغیری مانند ({{nowrap|''Y {{=}} g''(''X''}} را محاسبه کرد. به این کار «تغییر متغیر» می‌گویند و در عمل برای تولید متغیر تصادفی با شکل دلخواه {{nowrap|''f''<sub>''g''(''X'')</sub> {{=}} ''f<sub>Y</sub>''}} با استفاده از مولد عدد تصادفی شناخته شده (برای مثال یکنواخت)، مورد استفاده قرار می‌گیرد.

اگر تابع g [[یکنواخت]] باشد، در آن صورت تابع چگالی حاصل به صورت زیر است:
{{وسط‌چین}}
: <math>f_Y(y) = \left| \frac{1}{g'(g^{-1}(y))} \right| \cdot f_X(g^{-1}(y)).</math>
{{پایان وسط‌چین}}
در اینجا منظور از ''g''<sup>−1</sup>، [[تابع معکوس]] و منظور از '''g''، [[تابع مشتق]] است.

این به دنبال این حقیقت ناشی می‌شود که احتمال در ناحیه مشتق‌گیری تحت تأثیر [[تغییر متغیر]]، باید ثابت بماند. یعنی:
{{وسط‌چین}}
: <math>\left| f_Y(y)\, dy\right| = \left| f_X(x)\, dx\right|,</math>
{{پایان وسط‌چین}}
یا
{{وسط‌چین}}
: <math>f_Y(y) = \left| \frac{dx}{dy} \right| f_X(x) = \left| \frac{1}{g'(x)} \right| f_X(x) = \left| \frac{1}{g'(g^{-1}(y))} \right|f_X(g^{-1}(y)).</math>
{{پایان وسط‌چین}}
برای توابعی که یکنواخت نیستند، تابع چگالی احتمال "y" به صورت زیر است:
{{وسط‌چین}}
:<math>\sum_{k=1}^{n(y)} \left| \frac{1}{g'(g^{-1}_{k}(y))} \right| \cdot f_X(g^{-1}_{k}(y))</math>
{{پایان وسط‌چین}}
که در آن (''n''(''y'' تعداد جواب‌های "x" برای رابطه {{nowrap|''g''(''x'') {{=}} ''y''}} و (''g''<sup>−1</sup><sub>''k''</sub>(''y''ها همان جواب‌ها هستند.

حال وسوسه انگیز است که در مورد امید ریاضی((''E''(''g''(''X'' نیز بیندیشیم. به این منظور ابتدا باید چگالی احتمال(''f<sub>g(X</sub>'' را برای متغیر تصادفی جدید ({{nowrap|''Y {{=}} g''(''X''}} بیابیم. به جای محاسبه
{{وسط‌چین}}
:<math> E(g(X)) = \int_{-\infty}^\infty y f_{g(X)}(y)\,dy, </math>
{{پایان وسط‌چین}}
بهتر است.
{{وسط‌چین}}
:<math>E(g(X)) = \int_{-\infty}^\infty g(x) f_X(x)\,dx.</math>
{{پایان وسط‌چین}}
را محاسبه کرد.

دو انتگرال در تمامی شرایط در حالی که ''X'' و (''g''(''X'' دارای تابع توزیع چگالی باشند، جواب یکسانی دارند. هیچ الزامی وجود ندارد که تابع ''g'' یک [[تابع یک به یک]] باشد. برخی مواقع انتگرال دوم، بسیار راحت تر از اولی قابل محاسبه است.

=== متغیرهای چندگانه ===
فرمول بالا را می‌توان به متغیرهایی (که آن‌ها را دوباره ''y'' می‌نامیم) وابسته به چند متغیر تصادفی تعمیم داد. (''f''(''x''<sub>0</sub>, ''x''<sub>1</sub>, …, ''x''<sub>''m''−1</sub> را می‌توان به عنوان تابع چگالی احتمال ''y'' در نظر گرفت که به آن‌ها وابسته است که این وابستگی به صورت {{nowrap|''y {{=}} g''(''x''<sub>0</sub>, ''x''<sub>1</sub>, …, ''x''<sub>''m''−1</sub>)}} است. در نتیجه تابع چگالی به صورت زیر بدست می‌آید:
{{وسط‌چین}}
:<math> \int\limits_{y = g(x_0, x_1, \dots, x_{m-1})} \frac{f(x_0, x_1,\dots, x_{m-1})}{\sqrt{\sum_{j=0}^{j<m}} (\frac{\partial g}{\partial x_j}(x_0, x_1, \dots , x_{m-1}))^2} \; dV</math>
{{پایان وسط‌چین}}
که در آن انتگرال روی ''m-1'' بعد است و باید ''dV'' را متناسب با این انتگرال جایگزین کرد. متغیرهای تصادفی ''x''<sub>0</sub>, ''x''<sub>1</sub>, …, ''x''<sub>''m''−1</sub> بالطبع توابعی از این پارامتریزه کردن‌ها هستند.

شاید بصری به نظر برسد، ولی این ناشی از مطلب زیر است: فرض کنید ''''x'''' یک متغیر تصادفی n-بعدی با تابع چگالی احتمال f است. اگر {{nowrap|'''''y''''' {{=}} ''H''('''''x''''')}} و ''H'' تابعی [[دوسویه]] و [[تشخیص پذیر]] باشد، ''y'' دارای چگالی احتمال ''g'' است:
{{وسط‌چین}}
: <math>g(\mathbf{y}) = f(\mathbf{x})\left\vert \det\left(\frac{d\mathbf{x}}{d\mathbf{y}}\right)\right \vert</math>
{{پایان وسط‌چین}}
که مشتق در نظر گرفته شده، [[ماتریس ژاکوبی]] معکوس تابع ''H'' نسبت به ''y'' است.

با استفاده از تابع دلتا، (و فرض بر استقلال) جواب یکسانی به صورت زیر بدست می‌آید.

اگر تابع چگالی احتمال [[متغیرهای تصادفی مستقل]] ''X<sub>i</sub>'', {{nowrap|''i'' {{=}} ۱, ۲, …''n''}} به صورت (''f<sub>Xi</sub>''(''x<sub>i</sub>'' داده شده باشند، می‌توان تابع چگالی احتمال متغیرهایی مانند ({{nowrap|''Y {{=}} G''(''X''<sub>1</sub>, ''X''<sub>2</sub>, …''X<sub>n</sub>''}} را حساب کرد. فرمول زیر ارتباطی بین تابع چگالی احتمال ''y'' که با (''f<sub>Y</sub>''(''y'' نشان می‌دهیم و (''f<sub>Xi</sub>''(''x<sub>i</sub>'' با استفاده از [[تابع دلتای دیراک]] برقرار می‌کند:
{{وسط‌چین}}
:<math>f_Y(y) = \int_{-\infty}^\infty \int_{-\infty}^\infty \ldots \int_{-\infty}^\infty f_{X_1}(x_1)f_{X_2}(x_2) \ldots f_{X_n}(x_n)\delta(y-G(x_1,x_2,\ldots x_n))\,dx_1\,dx_2\,\ldots dx_n</math>
{{پایان وسط‌چین}}

== منابع ==
{{پانویس}}
* <small>{{یادکرد-ویکی
|پیوند = http://en.wikipedia.org/wiki/Markov_chain
|عنوان = Markov chain
|زبان = انگلیسی
|بازیابی =۲۶ ژوئیهٔ ۲۰۱۲
}}</small>
* <small>{{یادکرد-ویکی
|پیوند = http://en.wikipedia.org/wiki/functionProbability_density_function
|عنوان = Probability density
|زبان = انگلیسی
|بازیابی =۲۸ ژوئیهٔ ۲۰۱۲
}}</small>
{{چپ‌چین}}
* Probability and Statistics in Engineering And Management Science, William W. Hines, Douglas C. Montgomery, Third Edition, John Wiley and Sons, 1990, {{ISBN|0-471-60090-3|en}}.
{{پایان چپ‌چین}}
{{نظریه توزیع‌های احتمال}}
[[رده:احتمالات]]
[[رده:توابع مرتبط با توزیع‌های احتمال]]
[[رده:مفاهیم فیزیکی]]
[[رده:نظریه توزیع‌های احتمالی]]
[[رده:معادلات فیزیک]]