AI笔记: 数学基础之随机变量及其分布

随机变量及其分布

1 ） 知识图谱

备注：图片托管于github，请确保网络的可访问性

2 ） 相关概念

• 随机变量：如果随机试验的结果可以用一个变量来标识，那么这样的变量叫做随机变量。随机变量常用字母 $X,Y,\xi ,\eta$ 等表示
• 离散型随机变量：对于随机变量可能取的值，可以按一定次序一一列出，这样的随机变量叫做离散型随机变量.
• 连续型随机变量：对于随机变量可能取的值，可以取某一区间内的一切值，这样的变量叫做连续型随机变量.
• 离散型随机变量与连续型随机变量的区别和联系：离散型随机变量与连续型随机变量都是用变量表示随机试验的结果，但是离散型随机变量的结果可以按一定次序一一列出，而连续型随机变量的结果不可以一一列出
• 若X是随机变量，Y = aX + b (a,b是常数), 则Y也是随机变量，并且不改变其属性(离散型，连续型)

3 ） 离散型随机变量的分布列

概率分布(分布列)

设离散型随机变量X可能取的不同值为 $x_1,x_2,...,x_i,...,x_n$，X的每一个值 $x_i$ (i = 1,2,…,n)的概率 $P(X=x_i)=p_i$, 则称下表为随机变量X的概率分布，简称X的分布列

X	x1	x2	...	xi	...	xn
P	p1	p2	...	pi	...	pn

性质

• $p_i>=0,i=1,2,...,n;$
• ${\sum }_{i=1}^n{p}_i=1$

两点分布

如果随机变量X的分布列为下表，则称X服从两点分布，并称p = P(X=1) 为成功概率

X	0	1
P	1 - p	p

二项分布

• 如果一次实验中某时间发生的概率是p, 那么在n次独立重复实验中这个事件恰好发生k次的概率是 $P(X=k)=C_n^k{p}^k(1-p{)}^{n-k}$, 其中k=0,1,2,…,n, q = 1-p
• 于是得到随机变量X的概率分布如下
  • X: 0, 1, …, k, …, n
  • P: $C_n^0{p}^0{q}^n,C_n^1{p}^1{q}^{n-1},...,C_n^k{p}^k{q}^{n-k},...,C_n^n{p}^n{q}^0$
• 我们称这样的随机变量X服从二项分布，记为：$XB(n,p)$, 并称 p 为成功概率
• 判断一个随机变量是否服从二项分布，关键有三点：
  • 对立性: 即一次试验中事件发生与否二者必居其一
  • 重复性: 即试验是独立重复地进行了n次
  • 等概率性: 在每次试验中事件发生的概率相等
• 注意：二项分布的模型是有放回抽样，二项分布中的参数是p,k,n

4 ） 离散型随机变量的均值与方差

离散型随机变量的均值

• 一般地，若离散型随机变量X的分布列为
  • X: $x_1,x_2,...,x_i,...,x_n$
  • P: $p_1,p_2,...,p_i,...,p_n$
• 则称 $E(X)=x_1{p}_1+x_2{p}_2+...+x_i{p}_i+...+x_n{p}_n$ 为离散型随机变量X的均值或者数学期望
• 它反映了离散型随机变量取值的平均水平

性质：

• $E(aX+b)=aE(x)+b$
• 若X服从两点分布，则$E(X)=p$
• 若X~B(n,p), 则$E(X)=np$

离散型随机变量的方差

• 一般地，若离散型随机变量X的分布列为：
  • X：$x_1,x_2,...,x_i,...,x_n$
  • P：$p_1,p_2,...,p_i,...,p_n$
• 则称 $D(x)={\sum }_{i=1}^n(x_i-E(x){)}^2{p}_i$ 为随机变量X的方差，并称其算术平方根$\sqrt{D(X)}$为随机变量X的标准差
• 它反映了离散型随机变量取值的稳定与波动，集中与离散的程度
  • D(X)越小，X的稳定性越高，波动越小，取值越集中
  • D(X)越大，X的稳定性越差，波动越大，取值越分散

性质

• $D(aX+b)=a^{2}D(X)$
• 若X服从两点分布，则$D(X)=p(1-P)$
• 若X~B(n,p), 则$D(X)=np(1-P)$

5 ) 正态分布

• 正态变量概率密度曲线函数表达式 $f(x)=\frac{1}{\sqrt{2\pi }\ast \sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x\in R$
• 其中 $\mu ,\sigma$是参数，且 $\sigma >0,-\infty <\mu <+\infty$. 记为：$N(\mu ,{\sigma }^2)$, 如下图

备注：图片托管于github，请确保网络的可访问性

• 若随机变量X服从一个数学期望为μ、方差为${\sigma }^2$的正态分布，记为$N(\mu ，{\sigma }^2)$
• 其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度
• 当μ = 0,σ = 1时的正态分布是标准正态分布