概率论第2记：随机变量1

从这一章开始，概率统计进入高数的研究范围。打起精神吧

什么是随机变量？

如果我们先后抛掷两颗骰子，所有可能的样本空间S={(1,1),(1,2)…(2,1)…(6,6)}，很多时候我们关心的不是样本空间，也不是先后抛出了多少点，而是关注两个骰子的点数加起来是多少点，比如加起来是5点的有（1，4）（2，3）（4，1）（3，2）.这样，就是样本空间和具体的数值之间建立了某种关联，这个数值如果用字母X表示，就称X是建立在样本空间S上的随机变量。所以随机变量的定义为：定义在样本空间S上的实值单值函数：X=X(x),(x∈S).
比如打靶，着弹点距离靶心的距离就是一个随机变量(假设目标靶直径人，而且每次射击不会脱靶)：X((x,y))=$\sqrt{x^2+y^2}，x^2+y^2<=r^2$很显然，随机变量的取值也有一定的概率性。

离散型和连续型随机变量

随机变量的取值是否可以列举，是区别二者的标志
对于离散型随机变量：
p_i>=0
${\sum }_{k=1}^{\infty }{p}_k=1$

两种重要的离散型随机变量

二项分布

样本空间只有两个结果{H，L}，这样的实验称为贝努利实验。这样的实验进行n次，就是n重贝努利实验。设样本空间某实验结果（H或者L，这里我们假设是H）出现的概率为p，那么n重贝努利实验中，出现k次H的概率为：P(X=k)=${\text{C}}_n^k\ast x^p\ast (1-p{)}^{n-k}$,称X服从以n,p为参数的二项分布。特别的，当n=1时候,P(X=k)=$p^k(1-p{)}^{1-k}$

泊松Poisson分布

P(X=k)=$\frac{{\lambda }^k{e}^{-\lambda }}{k!}$
很多随机变量服从或近似服从泊松分布，比如一天中医院挂号的人数。
泊松分布，当k=$\lambda$时，函数取最大值。以下是不同$\lambda$的泊松分布函数图（虽然是离散型随机变量，但是，此处以连续的函数图形直观说明）

实现以上图形的Python代码如下：

from math import *
import matplotlib.pyplot as plt
def Poisson(K,l):
    return ((l**K)*exp(-1*l))/factorial(K)
_lambda=[10,30,50,70]
for i in range(4):
    test_data=[]
    subplt=plt.subplot(2,2,i+1)
    for j in range(100):
        test_data.append(Poisson(j,_lambda[i]))
    subplt.plot(test_data,label="lambda=%d"%_lambda[i])
    subplt.Xlabel="X=k"
    subplt.Ylabel="Posisson"
    subplt.legend()
plt.show()

PS:实际上，以上两种分布的公式，如果看作连续型随机变量的话(尽管实际上不是)，函数都是概率密度函数，因为：$\sum f=1，\int fdx=1$
上面提到了概率密度函数，下面接着写。

连续型随机变量

连续型随机变量和离散型随机变量的重要区别：离散型随机变量X的取值是当x为样本空间某一随机事件（包含基本事件）X的概率值。连续型随机变量的值是x在某一取值区间时候X的概率值（因为样本点不可列举），而在某一确切的x值，X为0，从这个表述可以看书，连续型随机变量的取值实际上是某一个函数在区间的积分：
$P(a⩽x⩽b)={\int }_a^{b}f(x)dx$
而且有：${\int }_a^{b}f(x)dx⩾0$
${\int }_{-\infty }^{\infty }f(x)dx=1$
f(x)称为X的概率密度（函数），在计算X落在某一区间的概率时候，可以不必考虑是否包含区间的端点，毕竟端点积分为0，所以:P{a≤X≤b}=P{a<x≤b}=P{a<x<b}
根据微分原理，P{x≤X≤x+Δx}，当Δx→0时候，P≈f(x)*Δx,(即曲边梯形的面积近似等于矩形的面积)如图

三种重要的连续型随机变量

平均分布

X在区间（a,b)内平均分布，区间外概率为0：
f(x)=$\{\begin{array}{ll}0& \text{ if }x=其他\\ \frac{1}{b-a}& \text{ if }a\le x\le b\end{array}$

指数分布

X具有概率密度：f(x)=$\{\begin{array}{ll}0& \text{ if }x=其他\\ \frac{1}{\beta }{e}^{\frac{-x}{\beta }}& \text{ if }x>0\end{array}$
比如电子元件的寿命就服从指数分布

正态分布

也叫高斯分布
百度百科这么说：若随机变量X服从一个数学期望为μ、方差为σ^{2的正态分布，记为N(μ，σ}2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

这个分布以后详解