Lecture 6: Discrete Random Variable Examples； Joint PMFs

前言：本章节复习上一节课内容，更深入探讨期望


对于 var(X), 单位不对，所以开根号得到standard deviation。

举个例子，可以看到因为非线性的存在$E(TV)\ne E(T)\ast T(V)$
还是那句话，you can not reason on average

对于conditional PMF的理解：
对于一个condition，我们可以认为样本空间发生了变化，新的样本空间里面所有的outcome都满足这个condition。
这样的空间变化会使event所对应的概率发生变化。如图由于有了A这个condition，在新的空间下PMF发生了变化， 新的PMF 可以写成$P_{X|A}(x_i)$ 这里i = 2，3，4

当给定新的condition（事件 { X > 2 } \{X > 2\} {X>2}）之后， 新的样本空间从 k=3开始，这时候的PMF $P_{X|X>2}(k)$和原来的PMF具有一样的形状，只不过是从3开始，只要修改一下random variable变成$P_{X-2|X>2}(k)$，就和原先的PMF 完全一样了。

首先根据第一章的概念得出$P(B)$
然后把事件B换成事件{X= x}
最后把两端以x为权重求和，可以得到$E(X)$
当第一次投掷为head作为condition：
$P(X=1)E[X|X=1]=p\ast 1$
当第一次为tail作为condition：
$$\begin{gathered} P(X>1)E[X|X>1] \\ =P(X>1)\ast (E[X-1|X>1]+1) \\ =P(X>1)\ast (E[X]+1) \end{gathered}$$
$E[X|X>1]=E[X]+1$也可以看成 浪费了一次机会的重新开始

如果班级同学的身高和体重分别作为random variable，对身高和体重各自的PMF并不能表现出身高和体重之间的关系。
因此引入了joint PMF这个概念，