分布\index{distribution} 可以用优雅且简洁的方式描述许多物理现象。它们可以描述静电中的电荷“分布”(如点电荷、偶极电荷)。它们还可以将导数的概念推广到不连续的函数。
定义
L. Schwartz 分布是
上的连续线性泛函,因此是
的对偶
的元素。
定义
如果一个函数在任何有界区间上都是 Lebesgue 可积的,则称该函数是局部可和的。
定义
对于任何局部可和函数
,可以关联一个分布
,定义为

可以关联。
定义
狄拉克分布\index{Dirac distribution},记为
,定义为

备注
物理学家经常使用(不正确的!)积分符号

来描述狄拉克分布
对函数
的作用。
卷积是两个函数
和
的运算结果,如果存在,则表示为函数
,其定义如下:

并记为

两个分布
和
的卷积运算结果 (如果存在) 是一个记为
的分布,其定义如下:

以下是卷积运算的一些结果:
- 与
进行卷积运算相当于单位运算。
- 与
进行卷积运算相当于求导运算。
- 与
进行卷积运算相当于求 m 阶导数。
- 与
进行卷积运算相当于将函数进行 a 位平移。
函数的傅里叶变换的概念可以推广到分布。首先回顾函数的傅里叶变换的定义。
傅里叶变换存在的充分条件是
是可和的。傅里叶变换可以反转:如果

那么

以下是一些有用的公式






现在让我们将傅里叶变换的概念推广到分布。分布的傅里叶变换不能通过以下公式定义:

事实上,如果
,那么
,上述等式的第二项不存在。
定义
缓增分布
的傅里叶变换是分布
,定义为

狄拉克分布的傅里叶变换是 1

分布\index{distribution} 可以用优雅且简洁的方式描述许多物理现象。它们可以描述静电中的电荷“分布”(如点电荷、偶极电荷)。它们还可以将导数的概念推广到不连续的函数。
分布理论将函数概念推广到描述 \index{随机变量} 物理学中非常常见的物体(点电荷、不连续面等)。随机变量也描述了物理学中非常常见的物体。正如我们将看到的,分布可以帮助描述随机变量。在 secstoch 部分,我们将介绍随机过程,这是无处可微的数学特征。
设
是集合
中 “结果”
的一个部落。事件是
的一个元素,即一组
。概率
是部落
的一个正测度。从 0 到 6 编 号 的骰 子 面 可 以 被 视 为 集 合
的 结果。随机变量
是从
到
(或
)的一个映射。例如,可以将骰子实验的每个结果
关联到一个等于其上面写着的数字的数字。这个数字就是一个随机变量。
分布理论为描述统计“分布”提供了合适的框架。设
是一个在
中取值的随机变量。
定义
概率密度函数
使得
![{\displaystyle P(X\in {\mathrel {]}}x,x+dx{\mathrel {]}})=f(x)dx}](https://wikimedia.org/api/rest_v1/media/math/render/svg/94e52f3165f0613f22f5f175356363af14a37f48)
它满足:
例子
伯努利过程的概率密度函数为

通常,函数
由其矩来描述
定义
函数
的
矩是积分

定义
随机变量的均值或数学期望是矩
定义
方差
是二阶矩

方差的平方根称为离差,记作
.
定义
概率密度
的生成函数\index{生成函数} 是
的傅里叶变换。
例子
对于伯努利分布

傅里叶变换的性质

意味着

我们这里不提供这个定理的证明,但读者可以通过以下例子理解卷积是如何出现的。两个随机变量的和可以取
的值,其中
,其概率为
,考虑所有可能的情况

这可以用来证明与二项式定律相关的密度概率。利用先前定理的傅里叶对应物
所以

我们来陈述中心极限定理。
定理
大量函数的卷积积趋于\footnote{ 这里使用的极限概念没有明确说明,因为这个结果在这本书中不会被进一步使用。} 高斯函数。 \index{中心极限定理}
![{\displaystyle [f(x)]^{*n}\longrightarrow {\frac {1}{\sigma {\sqrt {2\pi n}}}}e^{-{\frac {x^{2}}{2n\sigma ^{2}}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/dbe9226b23f9ac533f09c9ff62116f55ad209830)