Introduction to Probability (5) Discrete random variable

标签：math   数学   概率论   

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：

Introduction to Probability (5) Discrete random variable,布布扣,bubuko.com

Introduction to Probability (5) Discrete random variable

标签：math   数学   概率论   

原文地址：http://blog.csdn.net/frog_in_a_well/article/details/29407167