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:
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。