離散型隨機變量
1. 離散隨機變量的相關概念
在一個試驗的概率模型之下:
- 離散隨機變量是試驗結果的一個實值函數,但是他的取值範圍只能是有限多個值或可數無限多個值。
- 一個離散隨機變量有一個分佈列,他對於隨機變量的每一個取值,給出一個概率。
- 離散隨機變量的函數也是一個離散隨機變量,他的分佈列可以從原隨機變量的分佈列得到。
2. 分佈列
隨機變量X的分佈列的計算:
對每一個隨機變量X的值x:
- 找出與事件X=x相對應的所有試驗結果。
- 將相應的試驗結果的概率相加得到pX(x)。
- 分佈列滿足歸一化定理,∑xpX(x)=1
3. 隨機變量函數
設X是一個隨機變量,對X施行不同的變換,可以得到其他的隨機變量。
用X表示今天的氣溫(單位爲攝氏度,∘C)。做變換Y=1.8X+32得到華氏溫度的度數(∘F)。在這裏Y是X的線性函數
Y=g(X)=aX+b
其中的a和b是常數。我們也可以考慮X的非線性函數
Y=g(X)
例如指數數,此時的變換爲g(X)=eX。
設Y=g(X)是隨機變量X的函數。那麼對Y來說也是一個離散型隨機變量,叫做pY(y)。此時對每一個固定的y值,pY(y)的值可以通過下式計算
pY(y)={x∣g(x)=y}∑pX(x)
4. 期望,均值和方差
4.1 期望
設隨機變量X的分佈列爲pX,X的期望值有下式給出:
E[X]=x∑xpX(x)
4.2 隨機變量的函數期望規則
設隨機變量X的分佈列爲pX,又設g(X)是X的一個函數,則g(X)的期望有下列公式得到
E[g(X)]=x∑g(x)pX(x)
4.3 方差
隨機變量的方差有下列公式所定義:
var(X)=E[(X−E[X])2]
並且可以用下式進行計算:
var(X)=x∑(x−E[X])2pX(x)
用矩表達的方差公式如下:
var(X)=E[X2]−(E[X])2
除非g(X)是一個線性函數,一般情況下$E[g(X)] 不等於g(E[X])$。
4.4 隨機變量的線性函數的均值和方差
設X爲隨機變量,令
Y=aX+b
其中a和b爲給定的常數,則
E[Y]=aE[X]+b, var(Y)=a2var(X)
5. 多個隨機變量的聯合分佈列
設X和Y爲在某個試驗中的隨機變量。
- X和Y的聯合分佈列PX,Y由下式定義
pX,Y(x,y)=P(X=x,Y=y)
pX(x)=y∑pX,Y(x,y), pY(y)=x∑pX,Y(x,y)
- X和Y的函數g(X,Y)是一個隨機變量,並且
E[g(X,Y)]=x∑y∑g(x,y)pX,Y(x,y)
若g是線性的,並且g=aX+bY+c,則
E[aX+bY+x]=aE[X]+bE[Y]+c
- 上面的結論可以自然推廣到兩個以上的隨機變量的情況。
6. 條件
6.1 條件分佈列小結
設X和Y爲某一試驗中的兩個隨機變量。
- 條件分佈列與無條件分佈列完全類似,其差別只是前者是在已知某事件發生的條件下的隨機變量的分佈列。
- 設A爲某事件,P(A)>0。隨機變量X在給定A發生的條件下的條件分佈列爲
pX∣A(x)=P(X=x∣A)
並且滿足
x∑pX∣A(x)=1
- 設A1,⋅⋅⋅,An是一組互不相容的事件,並且形成樣本空間的一個分割,進一步假設P(Ai)>0對一切i成立,則
pX(x)=i=1∑nP(Ai)pX∣A(x)
(這是全概率定理的一種特殊情況)。進一步假定事件B滿足對一切i,P(Ai∩B)>0,則
pX∣B(x)=i=1∑nP(Ai∣B)pX∣Ai∩B(x)
- 在給定Y=y的條件下X的條件分佈列與聯合分佈列之間有下列關係
pX,Y(x,y)=pY(y)pX∣Y(x∣y)
- 給定Y之下的X的條件分佈列可以通過以下的公式計算X的邊緣分佈列:
pX(x)=y∑pY(y)pX∣Y(x∣y)
- 上面的結論可以自然地推廣到兩個以上的隨機變量的情況
6.2 條件期望小結
設X和Y爲某一試驗中的兩個隨機變量。
- 設A爲某事件,P(A)>0。隨機變量X在給定A發生的條件下的條件期望爲
E[X∣A]=x∑xpX∣A(x)
對於函數g(X),我們有
E[g(x)∣A]=x∑g(x)pX∣A(x)
- 給定Y=y的條件下X的條件期望由下式定義
E[X∣Y=y]=x∑xpX∣Y(x∣y)
- 設A1,⋅⋅⋅,An是一組互不相容的事件,並且形成樣本空間的一個分割,進一步假設P(Ai)>0對一切i成立,則
E[X]=i=1∑nP(Ai)E[X∣Ai]
進一步假定事件B滿足對一切i,P(Ai∩B)>0,則
E[X∣B]=i=1∑nP(Ai∣B)E[X∣Ai∩B]
E[X]=y∑pY(y)E[X∣Y=y]
上述最後三個等式適用於不同的場合,但他們本質上是相互等價的。他們都可以稱爲全期望定理。這些定理表達了這樣一個事實:“無條件平均可以由條件平均再求平均得到”。
7. 獨立性
獨立隨機變量的性質的小結:
設在某一試驗中,A是一個事件,滿足條件P(A)>0,又設X和Y是在同一個試驗中的兩個隨機變量。
pX∣A(x)=pX(x)對一切x成立
即對一切x,事件{X=x}與A相互獨立。
- 稱X和Y爲相互獨立的隨機變量,如果對一切可能的數對(x,y),事件{X=x}和{Y=y}相互獨立,或等價地
pX,Y(x,y)=pX(x)pY(y)對一切x和y成立
E[XY]=E[X]E[Y]
進一步地,對於任意函數g和h,隨機變量g(X)和h(Y)也是相互獨立的,並且
E[g(X)h(Y)]=E[g(X)]E[h(Y)]
var(X+Y)=var(X)+var(Y)
8. 幾個特殊離散隨機變量的總結
- [a,b]上的離散均勻分佈(a,b爲整數)
pX(k)=⎩⎨⎧b−a+110,若k=a,a+1,⋅⋅⋅,b,其他
E[X]=2a+b, var(X)=12(b−1)(b−a+2)
- 參數爲p的伯努利隨機變量(刻畫一次試驗成功或失敗的概率模型)
pX(k)={p,1−p若k=1,若k=0,
E[X]=p, var(X)=p(1−p)
- 參數爲p和n的二項隨機變量(刻畫n次獨立重複的伯努利試驗中成功次數的隨機變量)
pX(k)=(kn)pk(1−p)n−k, k=0,1,⋅⋅⋅,n,
E[X]=np, var(X)=np(1−p)
- 參數爲p的幾何隨機變量(在獨立同分布的伯努利試驗序列中刻畫直到第一次成功所需的試驗次數的隨機變量)
pX(k)=(1−p)k−1p, k=1,2,⋅⋅⋅,
E[X]=p1, var(X)=p21−p
- 參數爲λ的泊松隨機變量(當n很大,p很小,λ=np時,用於逼近二項分佈的隨機變量)
pX(k)=e−λk!λk, k=0,1,2,⋅⋅⋅,
E[X]=λ, var(X)=λ