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
- 随机变量和随机过程,不一样。要区分开。
- 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。
- Geometric 和 Binomial 分布的 PMF,期望,方差公式和推导过程。
- 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
- 随机变量定义。是 function,而非 variable
- PMF 公式。how to compute(图), Geometric, Binomial
- 数学期望。
,
- 方差
- 条件 PMF 和条件期望。在新的样本空间里,缩放 PMF。
- Geometric PMF 期望计算。Memoryless & Total Expectation theorem
- 联合分布和边缘分布。
- 独立性。独立联合分布的 E 和 Var 计算。
- 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: