Discrete Random Variables
Basic Concepts¶
Random Variable
A random variable (RV) is a real-valued function of the experimental outcome.
当一个 RV 能取到的所有值是有限的时, 我们称其是 discrete.
每一个 discrete RV (DRV) 都有一个 probability mass function (PMF), 用来表示取某个值的概率. 以 discrete RV 为自变量的 function 定义了另一个 DRV, 这个 DRV 的 PMF 可以由原来的 DRV 的 PMF 求得.
Probability Mass Function¶
我们用 \(p_{X}(x)\) 来表示 DRV \(X\) 的 PMF. 对 event \(\{ X=x \}\), 有:
注意 \(\sum_{x}p_{X}(x)=1\).
The Bernoulli Random Variable
设投掷一枚硬币头朝上的概率是 \(p\), 我们有 Bernoulli RV:
以及它的 PMF:
通过多个 Bernoulli RV 的结合可以得到许多复杂的 RV, 例如 binomial RV.
The Binomial Random Variable
如果我们投掷上述硬币 \(n\) 次, 设 \(X\) 为 heads 的数量, 这个 \(X\) 便是以 \(n\) 和 \(p\) 为 parameter 的 binomial RV. 不难得到 \(X\) 的 PMF:
The Geometric Random Variable
设 \(X\) 表示掷出第一个 head 需要的投掷次数, 于是它的 PMF 为:
这个 \(X\) 便是一个 geometry RV.
The Poisson Random Variable
PMF 形如
的 RV 是 Poisson RV, 其中 \(\lambda\) 是其对应的 positive parameter.
以 \(\lambda\) 为 parameter 的 Poisson PMF 是对以 \(n\) 和 \(p\) 为 parameter 的 binomial PMF 一个很好的估计, 其中满足 \(\lambda=np\), 且 \(n\) 很大, \(p\) 很小:
Functions of Random Variables¶
若 \(X\) 是一个 RV, 那么 \(Y=g(X)\) 也是一个 RV. 可以通过函数 \(g\) 和 \(p_{X}\) 计算 \(p_{Y}\):
Expectation, Mean, and Variance¶
Expectation
We define the expected value (also called the expectation or the mean) of a random variable \(X\), with PMF \(p_X\), by
expectation 在 PMF 上的含义为 the center of gravity.
Variance
We define the variance of a RV \(X\), sometimes denoted \(\sigma^{2}_{X}\) is
And furthermore the standard deviation is
Expectations of Functions of RVs
Let \(X\) be a random variable with PMF \(p_X\), and let \(g(X)\) be a function of \(X\). Then, the expected value of the random variable \(g( X)\) is given by
Linearity of Expectation
We have
for arbitrary \(X\) and \(Y\) that are defined on the same probability space.
Variance in Terms of Moments Expression
- Bernoulli RV:
- \(\mathrm{E}[X]=p\)
- \(\mathrm{var}(X)=p(1-p)\)
- discrete uniform RV:
- \(\mathrm{E}[X]=\frac{a+b}{2}\)
- \(\mathrm{var}(X)=\frac{(b-a)(b-a+2)}{12}\)
- binomial RV:
- \(\mathrm{E}[X]=np\)
- \(\mathrm{var}(X)=np(1-p)\)
- geometry RV:
- \(\mathrm{E}[X]=\frac{1}{p}\)
- \(\mathrm{var}(X)=\frac{1-p}{p^2}\)
- Poisson RV:
- \(\mathrm{E}[X]=\lambda\)
- \(\mathrm{var}(X)=\lambda\)
Joint PMFs of Multiple Random Variables¶
通过 joint PMF 计算单个 RV 的 PMF:
为了与 joint PMF 区分, 我们有时也将 \(p_{X}, p_{Y}\) 称为 marginal PMFs. 我们可以用 tabular method 来从 joint PMF 计算出 marginal PMFs.
若 \(Z=g(X, Y)\), 我们有
计算 expectation:
类似的, 上述式子也能拓展到更多的 RVs 上.
Conditioning¶
Conditional PMF on an Event
The conditional PMF of a random variable \(X\), conditioned on a particular event \(A\) with \(\Pr(A) > 0\), is defined by
Conditional PMF on Another RV
Total Expectation Theorem
- \(\mathrm{E}[X]=\sum_{i=1}^{n}\Pr(A_{i})\mathrm{E}[X \mid A_{i}]\)
- \(\mathrm{E}[X]=\sum_{y}p_{Y}(y)\mathrm{E}[X \mid Y=y]\)
Independence¶
Independence from an Event
We say that the random variable \(X\) is independent of the event \(A\) if
Independence of RVs
We say that two random variables \(X\) and \(Y\) are independent if
如果 RV \(X\) 和 \(Y\) 是 independent 的, 那么有