概率分布

1、基本概念

1.1)随机变量

按照随机变量的特性，通常可把随机变量分为两类，即离散型随机变量和连续型随机变量。
连续型随机变量是指如果随机变量 $X$ 的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。例如，一批电子元件的寿命、实际中常遇到的测量误差等都是连续型随机变量。
离散型随机变量全部可能取到的不相同的值是有限个或可列无限多个，也可以说概率1以一定的规律分布在各个可能值上。

1.2)古典概率

古典概率通常又叫事前概率，是指当随机事件中各种可能发生的结果及其出现的次数都可以由演绎或外推法得知，而无需经过任何统计试验即可计算各种可能发生结果的概率。

• 古典概率的特征
  • 可知性，可由演绎或外推法得知随机事件所有可能发生的结果及其发生的次数。
  • 无需试验，即不必做统计试验即可计算各种可能发生结果概率。
  • 准确性，即按古典概率方法计算的概率是没有误差的。
  • 有限性。
  • 等可能性。

1.3)条件概率

条件概率是指事件 $A$ 在另外一个事件 $B$ 已经发生条件下的发生概率。条件概率表示为： $P(A|B)$，读作“在 $B$ 的条件下 $A$ 的概率”。条件概率可以用决策树进行计算。条件概率的谬论是假设 $P(A|B)$ 大致等于 $P(B|A)$。

1.4)离散变量

离散变量指变量值可以按一定顺序一一列举，通常以整数位取值的变量。如职工人数、工厂数、机器台数等。有些性质上属于连续变量的现象也按整数取值，即可以把它们当做离散变量来看待。例如年龄、评定成绩等虽属连续变量，但一般按整数计算，按离散变量来处理。离散变量的数值用计数的方法取得。

1.5)连续变量

在一定区间内可以任意取值的变量叫连续变量，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。

1.6)期望值

期望值是指在一个离散性随机变量试验中每次可能结果的概率乘以其结果的总和。期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值