首页 > 代码库 > Introduction to Probability (5) Discrete random variable

Introduction to Probability (5) Discrete random variable

1.Basic concept

随机变量的定义:随机变量是指针对实验结果的函数。

随机变量的函数可以生成另外一个随机变量

离散型随机变量的定义:

离散型随机变量是指有有限个取值的实验结果的实值函数。每个离散型随机变量有PMF给出每个随机变量取值的概率。

2.PMF(probability mass function)

如何获得PMF?

将随机变量X取值x的所有概率相加,得到Px(x)。

伯努利分布:对于一件事情发生与否的概率分布,发生的概率为P,例如掷一枚硬币,head的概率为P,那么PMF为:



二项分布:(binomial)二项分布是指一连串n次独立的事件中,发生k次的概率。



下面是示例:


几何分布:几何分布表示的是连续做一件事情,直到成功为止,每次成功的概率是P。那么其概率分布为:


泊松分布:



3.随机变量的函数


如果我们要求随机变量Y的分布,那么就是要找出使Y=y的所有的随机变量x的概率,所以有:


4.期望,方差

期望的定义:


方差定义:


标准差定义:


对于随机变量函数的期望:


随机变量函数的期望和方差:


最后是方差的另一种表示:


5.多随机变量的联合分布

联合分布的概率表示为:


边际概率是值单独计算随机变量X,Y的概率,即X=x,Y=all的概率或者X=all,Y=y的概率:


多随机变量的期望:



通过这个公式可以方便的计算二项式的期望。

6.条件概率

随机变量的条件概率和普通的条件概率类似,每次的计算都关乎新的宇集的产生。

条件概率的定义:


它有以下性质:


根据全概率公式:


条件期望:条件期望与普通期望的区别仅在于概率变了,变成了新的条件概率:


7.Independence

独立的定义:事件X独立于事件A表示:A的发生并没有传递任何关于X发生与否的信息:


即X对于A的条件概率等于X发生的概率。

推广至随机变量X,Y:

如果X,Y相互独立,那么:

推导原理主要应用了独立事件的概率相乘原则。

如果X,Y独立,那么他们的方差满足: