二维随机变量期望公式_统计概率思维（一）：随机变量与概率分布详解

前言

一、随机变量

（一）概念

在统计概率中，用事件来表示某件事情，在一定条件下，可能发生也可能不发生的事件，我们称为随机事件。随机变量是用来量化随机事件的函数，它将随机事件每一个可能的试验结果赋于一个数值。随机变量通常用X、Y等大写字母表示。

例如：明天是否下雨这个随机事件，则可定义随机变量。下雨就等于1，不下雨就等于0（根据需要定义函数值，不一定是0、1），这样，随机变量即将随机事件的结果映射到定义好的数值。又因为明天是否下雨是随机的，即随机变量可取定义好的一个值。

（二）分类

随机变量可分为：离散随机变量 和 连续随机变量。

离散随机变量：即 结果可一一列举出来，也可以说是从一个数字到另一个数字，中间有一定间隔。例：明天是否下雨，结果不是1就是0。

连续随机变量：即 事件有无数个结果，将这些数字可以用一条光滑的曲线连起来。例如：明天下雨毫米数，可能是1.1、1.11、1.111等数字。

可知：离散随机变量与连续随机变量的概率分布是有差别的。

二、概率分布

数据在统计图中的形状叫做它的分布。

概率分布，将随机变量、概率、分布这三个东西组合起来的一种表现手段。用统计图来表示随机变量的所有可能结果和对应结果发生的概率。 横轴是随机变量的数字，也就是随机事件的所有可能结果，纵轴是横轴上对应结果发生的概率。

根据随机变量类型的不同，概率分布也分为离散概率分布和连续概率分布。

计算离散随机变量的概率公式：概率质量函数（PMF）。本文讨论 4种 常见的离散概率分布：伯努利分布、二项分布、几何分布、泊松分布

计算连续随机变量的概率公式：概率密度函数（PDF）。本文讨论 2种 常见的连续概率分布：正态分布、幂律分布

（一）离散概率分布

1、离散概率分布：伯努利分布

1.1 概念：在同样的条件下，重复地进行相互独立的随机试验。其特点为这个随机试验只有2个可能结果（例如抛硬币试验，要么正面、要么反面）。

1.2 检验是否符合伯努利分布：若某事件符合伯努利试验，则服从伯努利分布，如抛硬币。

1.3 用Python实现伯努利分布

#统计计算包的统计模块
import scipy.stats as stats
import numpy as np
import matplotlib.pyplot as plt

# 第 1 步：定义随机变量为 1 次，抛硬币。正面朝上即为 1，反面朝上即为 0。
# 用 arange() 方法生成等差数列，表示：0为起点，不超过 2，步长为 1。
X = np.arange(0,2,1)
print(X) # [0 1]

# 第 2 步：计算对应分布的概率：概率质量函数（PMF)
# 它返回一个列表，列表中每个元素表示随机变量中对应值的概率
p = 0.5   #硬币朝上的概率
pList = stats.bernoulli.pmf(X,p)
print(pList) # [0.5 0.5]

# 第 3 步：画图
'''
plot默认绘制折线图，本例中只绘制点（下面输入的参数不画线，只画点），
marker:点的形状，值为“o”，表示点为圆圈标记（circle marker）
linestyle：线条的形状，值None表示不显示连接各个点的折线
'''
# 3.1 设置成微软雅黑，支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']

# 3.2 创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3.3 绘制图形
plt.plot(X,pList,marker='o',linestyle='None')

'''
vlines用于绘制竖直线（vertical lines),
参数说明：
vlines(x坐标值，y坐标最小值，y坐标最大值)
传入的 X 是一个数组，是给数组中的每个 X坐标 值绘制竖直线，竖直线 y坐标 最小值是0；
y坐标 值最大值是对应pList中的值；
'''

plt.vlines(X,0,pList)

#x轴文本
plt.xlabel('随机变量：抛硬币1次')

#y轴文本
plt.ylabel('概率')

#标题
plt.title('伯努利分布：p=%.1f'% p)

#显示图形
plt.show()

伯努利分布

2、离散概率分布：二项分布

2.1 概念：二项分布是求做重复n次独立的伯努利试验中成功k次的概率。

若某件事发生次数固定，我们感兴趣的是成功次数的概率，即可用二项分布计算其概率。例如：抛硬币5次，其中3次正面朝上的概率是多少？

2.2 检验是否符合二项分布

• 做某件事的次数是固定的，次数用 n 表示，n 次某件事是相互独立的；