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
(
T
V
)
≠
E
(
T
)
∗
T
(
V
)
E(TV) \not= E(T) * T(V)
E(TV)=E(T)∗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
)
P_{X|A}(x_i)
PX∣A(xi) 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
)
P_{X|X > 2}(k)
PX∣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
)
P_{X-2|X > 2}(k)
PX−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
)
P(B)
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
)
E(X)
E(X)
当第一次投掷为head作为condition:
P
(
X
=
1
)
E
[
X
∣
X
=
1
]
=
p
∗
1
P(X = 1)E[X|X = 1] = p * 1
P(X=1)E[X∣X=1]=p∗1
当第一次为tail作为condition:
P
(
X
>
1
)
E
[
X
∣
X
>
1
]
=
P
(
X
>
1
)
∗
(
E
[
X
−
1
∣
X
>
1
]
+
1
)
=
P
(
X
>
1
)
∗
(
E
[
X
]
+
1
)
P(X > 1)E[X|X>1]\\ = P(X>1)*(E[X -1|X>1] + 1)\\ = P(X>1)*(E[X] + 1)
P(X>1)E[X∣X>1]=P(X>1)∗(E[X−1∣X>1]+1)=P(X>1)∗(E[X]+1)
E
[
X
∣
X
>
1
]
=
E
[
X
]
+
1
E[X|X>1] = E[X] + 1
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,