二维随机变量期望公式_概率论笔记2--离散随机变量、数学期望和方差

有的材料按照 一维离散 -> 一维连续 -> 多维离散 -> 多维连续的角度讲解。

我比较喜欢先讲清楚离散，再扩展到连续。

这也跟 MIT 6.041 课程 的编排一致

1. 随机变量和随机过程，不一样。要区分开。
2. 独立性，依旧是一个重要议题。在伯努利“独立”重复实验相关的计算中，很实用。
3. Geometric 和 Binomial 分布的 PMF，期望，方差公式和推导过程。
4. 随机变量的分布函数
   在下一篇讨论: 概率论笔记3--连续随机变量、数学期望和方差

目录

1. 随机变量定义。是 function，而非 variable
2. PMF 公式。how to compute（图）, Geometric, Binomial
3. 数学期望。
   ,
4. 方差
5. 条件 PMF 和条件期望。在新的样本空间里，缩放 PMF。
6. Geometric PMF 期望计算。Memoryless & Total Expectation theorem
7. 联合分布和边缘分布。
8. 独立性。独立联合分布的 E 和 Var 计算。
9. Binomial means and variance。

1. Random variables 随机变量的定义

An assignment of a value (number) to every possible outcome.

Mathematically: A function from the sample space Ω to the real numbers.

随机变量，不是一个变量，而是一个 function(函数)。

一个 sample space 可以定义多个 Random variables，即多个特征。

比如，sample space 是一个班级里的所有学生，Random variables 可以是身高函数、体重函数。

Notation:

• random variable X -- 大写
• numerical value x -- 小写

2 个性质：

2. Probability mass function (PMF) 分布律

两种写法：