从样本空间到实数值的映射函数。
一个样本空间可以定义多个随机变量 一个或几个随机变量的函数构成一个新的随机变量 概率质量函数的定义pX(x)=P(X=x)=P({ω∈Ω s.t.X(ω)=x})
上面公式的含义为在随机变量X的映射函数下,所有样本空间中的结果在此映射下输出结果为x的概率。
属性如下:
pX(x)≥0 ∑xpX(x)=1 Bernoulli和指示器随机变量Bernoulli随机变量定义:
X={1,0,w.p.(with probability) pw.p.(with probability) 1 - p
参数p的取值为: p∈[0,1]
PX(0)=1−p
PX(1)=p
它适合对结果只有成功或失败、正面或背面、等等来进行建模。
指示器随机变量定义:
事件A的指示器随机变量: IA=1当且仅当(iff)A发生
因此: PIA(1)=P(IA=1)=P(A)
指示器随机变量是非常有用的,因为它把对事件的操作转换成了对随机变量的操作。有时,对随机变量计算比对事件更加容易。
离散均匀随机变量例子如下:
二项随机变量例子如下:
二项随机变量的PMF图像如下:
几何随机变量例子如下:
随机变量的期望值/平均值定义: E[X]=∑xxPX(x)
上面的定义可以解释成大量独立实验的平均值。
注意:如果我们有无穷的求和项,那么我们需要将此式定义明确。所以,我们假设 ∑x|x|PX(x)<∞
Bernoulli和指示器随机变量的期望值X={1,0,w.p.(with probability) pw.p.(with probability) 1 - p
E[X] = 1 * p + 0 * (1 - p) = p
指示器随机变量的期望值:
E[IA]=P(A)
均匀随机变量的期望值 期望的基本属性 用于计算E[g(X)]的期望值规则设X为随机变量,令Y = g(X).
则 E[Y]=E[g(X)]=∑xg(x)pX(x)
注意:通常情况下, E[g(X)]≠g(E[X])
期望的线性E[aX + b] = aE[X] + b.
基于期望值规则的推导:
令g(x) = ax + b.
E[g(x)] = E[ax + b] = ∑x(ax+b)PX(x)=a∑xxPX(x)+b∑xPX(x)=aE[x]+b
在这个例子中,E[g(x)] = g(E[x])。当g(x)是线性函数时,这个等式成立。当其为非线性函数时,通常情况下是不成立的。