离散随机变量(概率导论第二章)

离散型随机变量

1. 离散随机变量的相关概念

在一个试验的概率模型之下：

• 离散随机变量是试验结果的一个实值函数，但是他的取值范围只能是有限多个值或可数无限多个值。
• 一个离散随机变量有一个分布列，他对于随机变量的每一个取值，给出一个概率。
• 离散随机变量的函数也是一个离散随机变量，他的分布列可以从原随机变量的分布列得到。

2. 分布列

随机变量$X$的分布列的计算：

对每一个随机变量$X$的值$x$:

1. 找出与事件$X=x$相对应的所有试验结果。
2. 将相应的试验结果的概率相加得到$p_X(x)$。
3. 分布列满足归一化定理，${\sum }_x{p}_X(x)=1$

3. 随机变量函数

设$X$是一个随机变量，对$X$施行不同的变换，可以得到其他的随机变量。

用$X$表示今天的气温(单位为摄氏度，${}^{\circ }C$)。做变换$Y=1.8X+32$得到华氏温度的度数(${}^{\circ }F$)。在这里$Y$是$X$的线性函数
$$Y=g(X)=aX+b$$
其中的$a$和$b$是常数。我们也可以考虑$X$的非线性函数
$$Y=g(X)$$
例如指数数，此时的变换为$g(X)=e^X$。

设$Y=g(X)$是随机变量$X$的函数。那么对$Y$来说也是一个离散型随机变量，叫做$p_Y(y)$。此时对每一个固定的$y$值，$p_Y(y)$的值可以通过下式计算
p Y ( y ) = ∑ { x ∣ g ( x ) = y } p X ( x ) p_Y(y) = \sum_{\{x|g(x)=y\}} p_X(x) pY​(y)={ x∣g(x)=y}∑​pX​(x)

4. 期望，均值和方差

4.1 期望

设随机变量$X$的分布列为$p_X$，$X$的期望值有下式给出：
$$E[X]=\sum _{x}x{p}_X(x)$$

4.2 随机变量的函数期望规则

设随机变量$X$的分布列为$p_X$，又设$g(X)$是$X$的一个函数，则$g(X)$的期望有下列公式得到
$$E[g(X)]=\sum _{x}g(x)p_X(x)$$

4.3 方差

随机变量的方差有下列公式所定义：
$$var(X)=E[(X-E[X]{)}^2]$$
并且可以用下式进行计算：
$$var(X)=\sum _x(x-E[X]{)}^2{p}_X(x)$$
用矩表达的方差公式如下：
$$var(X)=E[X^2]-(E[X]{)}^2$$
除非 g