概率质量函数(Probability Mass Function)和期望课程笔记
随机变量的数学定义
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})p_X(x) = P(X = x) = P(\{\omega \in \Omega \ s.t. X(\omega) = 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)≥0p_X(x) \ge 0
- ∑xpX(x)=1\sum_xp_X(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 - pX = \begin{cases} 1, & \text{w.p.(with probability) p} \\ 0, & \text{w.p.(with probability) 1 - p} \end{cases}
参数p的取值为:p∈[0,1]p \in [0, 1]
PX(0)=1−pP_X(0) = 1 - p
PX(1)=pP_X(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I_A = 1 当且仅当(iff) A 发生
因此:PIA(1)=P(IA=1)=P(A)P_{I_A}(1) = P(I_A = 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)E[X] = \sum\limits_xxP_X(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)<∞\sum\limits_x|x|P_X(x) \lt \infty
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 - pX = \begin{cases} 1, & \text{w.p.(with probability) p} \\ 0, & \text{w.p.(with probability) 1 - p} \end{cases}
E[X] = 1 * p + 0 * (1 - p) = p
指示器随机变量的期望值:
E[IA]=P(A)E[I_A] = 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)E[Y] = E[g(X)] = \sum\limits_xg(x)p_X(x)
注意:通常情况下,E[g(X)]≠g(E[X])E[g(X)] \neq 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\sum\limits_x(ax + b)P_X(x) = a\sum\limits_xxP_X(x) + b\sum\limits_xP_X(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。
概率质量函数(Probability Mass Function)和期望课程笔记相关推荐
- 概率质量函数(Probability mass function)
在概率和统计中,概率质量函数(Probability mass function)是给出离散随机变量恰好等于某个值的概率的函数.有时也称为离散密度函数(discrete density functio ...
- 概率质量函数(PMF)、概率密度函数(PDF)和累积分布函数(CDF)定义
定义 概率质量函数(probability mass function,PMF) 概率密度函数(probability density function,PDF) 累积分布函数(Cumulative ...
- 概率分布函数, 概率密度函数与概率质量函数
概率分布函数. Accumulative Distribution Function. ADF \[ P(x) = Prob(X < x) \] \(X\)可以是连续的, 也可以是离散的随机变量 ...
- 概率质量函数,概率密度函数,累积分布函数的区别
概率质量函数( probability mass function,PMF)是离散随机变量在各特定取值上的概率. 概率密度函数( probability density function,PDF)是对 ...
- mysql 密度函数,高斯分布(Gaussian Distribution)的概率密度函数(probability density function)...
高斯分布(Gaussian Distribution)的概率密度函数(probability density function) 对应于numpy中: numpy.random.normal(loc= ...
- 面试之-3.0概率质量函数,概率密度函数,概率分布函数
背景 在学习集成学习时,周志华老师的西瓜书中出现了P(⋅)P(·)P(⋅)和P(⋅∣⋅)P(·|·)P(⋅∣⋅)分别为概率质量函数,条件概率质量函数,在此进行扩充. (注:研究一个随机变量,不只要看它 ...
- 直方图,概率质量函数和概率密度函数
直方图:每个可能值在横轴作为自变量,而可能值的出现次数作为变量. 举例来说一个8bit模数转换的信号,假设转换后信号有256000个采样点,每个采样点可能值是0-255.下面三幅图 分别画出了模数转换 ...
- 统计思维(实例2)——概率质量函数与累积分布函数
上个实例讲解了直方图的制作,本文讲解另一个表示分布的方法--概率质量函数(probability mass function, PMF).概率质量函数将每个值映射到其概率,概率是频数的分数表示,样本量 ...
- 概率生成函数(probability-generating function)
生成函数即母函数,是组合数学中尤其是计数方面的一个重要理论和工具.最早提出母函数的人是法国数学家LaplaceP.S.在其1812年出版的<概率的分析理论>中明确提出. 生成函数有普通型生 ...
最新文章
- HTML5基础01-网页的构造块
- numpy矩阵计算GPU加速库:cupy
- ISO base media file format---iso 基础媒体文件格式(专业名称)
- Spark SQL(五)之数据加载与存储
- EXCEL数据汇总-数据透视图
- 房价python爬取_python爬取并解析 重庆2015-2019房价走势
- 小程序入门学习14--用户管理
- 【编辑器】VSCode配置C++编译
- [转载] 细思极恐的星座分析(下)- 外太空?内子宫?人类的天赋从何而来?
- html5多个图片位置_图表分析中的HTML5地图需求,这款BI轻松5步就给解决了
- C#1所搭建的核心基础
- MVC中验证码的生成
- Enterprise Library 2.0 发布了...
- JAVA文件上传限制
- Xmarks浏览器书签同步的末日临近
- C++实现的基于α-β剪枝算法的井字棋游戏
- sdutOJ 查字典(Python)
- 使用命令行打开应用程序
- 试题B:灭鼠先锋[博弈]
- 解决Win系统cad激活安装失败问题,AutoCad 2022 中文/英文正式详细安装教程
热门文章
- python开发wince软件_Navi.Soft31.WinCE框架.开发手册(含下载地址)
- ArcGIS Pro 体验/试用账号申请
- win10用cortana搜索不到已安装应用怎么办
- Vue get传参和post传参 细微差别 (插眼传送)
- 75亿“迎娶”ZeniMax,钟情游戏的微软在坚持什么?
- 会声会影2023怎么使用遮罩制作方法 会声会影遮罩能不能自己描边
- 100天,离开学校的日子......
- java 对象转json 某属性不序列化_json序列化时排除指定属性
- 迪赛智慧数——柱状图(极坐标扇图):全球主要城市中心房价
- Layui介绍(1)