离散分布的分布函数_算法数学基础-随机变量及其分布是什么？

为什么会有随机变量的提法？很多随机事件的样本空间是不能用数字来表示的，比如掷骰子，如果掷一次它的样本空间就是{正面，反面}，是非数字表示，如果掷三次{HHH,TTT,HHT,HT,TTH,TH}。这样是无法用数学模型来计算的，所以考虑用一个规则来将样本空间的事件数字化。所以就引出了随机变量的概念，实现样本空间中的事件到实数的一个映射，通过函数关系来映射，这个函数就是随机变量。我们可以基于一组实验数据定义不同的随机变量，来研究不同的问题，随机变量可以不同的。

k比如我们可以用X(e)=3，e=HHH来表示样本空间中HHH这个基本时间，X代表三次投掷中出现正面的次数。所以随机变量不是代数中的未知数的概念，它代表了一个函数关系，自变量是事件，函数值是一个实数，满足单值实函数的要求。这个函数对应离散时间就是一个表(如果函数值域是离散、有限的，称为离散型随机变量分布律)，对应连续变量就是一个曲线(如取值是连续的连续型随机变量称为分布)。

随机实验：掷骰子三次

样本空间：{HHH,HHT,HTT,HTH,TTT,THH,TTH,THH,THT}

随机变量：正面(H)出现的次数，X(e)=0,1,2,3,4 ；e分别对应{TTT},{HTT,TTH}....

同样，也可以定义随机变量为反面出现的次数，同上。他们对样本空间构成了一个划分，每一个值对应了一个基本事件，所以所有事件同时发生的概率即为样本空间，也意味着概率为1。

随机变量的概率如何计算呢？如上例中X=2出现的概率，就可以用P(X=2)={HHT,HTH,THH)/{HHH,...,TTT)=3/8

这里有两个分布类型要注意，一个是0-1分布，一个是二项分布。

0-1分布是对随机变量X只有0-1取值时的最简单的描述，比如一次投掷硬币，如果定义X为出现正面的次数，则该随机变量满足0-1分布，因为正面要么出现X为1，要么不出现X取0。所以他的分布律很简单假设出现的概率为p，则P(X=1)=p，P(X=0)=1-p。

二项分布：对应与贝努利实验，就是只有两个可能结果的实验，其实就是对应0-1分布的推广。将实验进行n次，则称为n重贝努利实验，满足二项分布。公式就不列了，但是二项分布的特点是事件出现的概率先增加后减少。n重贝努利实验中，概率随着恰好出现k次正面的次数的增大先增后减，数学表示为b(n,p)，n为贝努利实验的次数，p为事件发生的概率。这个很有用，比如产品的质量控制等领域经常用到。p是一个先验的知识，需要从历史数据中获得。

泊松分布：对于随机变量的概率为P(X=k)满足泊松公式的X，称为满足泊松分布。泊松分布其实就是二项分布中n趋于无穷大的情况。比如一件产品次品率为0.1%，问1000件产品中恰好有两个次品发生的概率，其实就是二项分布的应用，1000远大于0.001，所以可以用泊松分布来近似。而泊松分布的常数为n与p的乘积。

从上面三个分布形式可以看出，0-1分布->二项分布->泊松分布的关系是递进的。0-1分布对应一次贝努利实验，二项分布对应于n重贝努利实验，泊松分布对应于有n趋于无穷大时候的贝努利实验。