随机变量,概率密度及其统计量
https://www.toutiao.com/a6681959320441061900/
通信-随机过程系列第2篇
尽管随机实验结果的意义是明确的,但这种结果往往是不利于进行数学分析的。例如,随机实验结果是硬币的正面或反面,这并不是一个方便的数学表示。
开篇问题:如果一个喷泉每91分钟喷发一次。你随机来到哪里,逗留了20分钟。你看到它喷发的概率是多少?
为何要引入随机变量
在这些情况下,如果我们为随机实验的结果分配一个数字或一系列值,通常会更方便。例如,硬币的正面可以对应1,反面可以对应于0。为随机实验的结果分配一个数字的过程,我们叫做用随机变量表达。
图1 抛掷硬币的结果与随机变量
一个随机试验的样本空间为S,随机实验的结果是s,s是S中的元素,s∈S,定义一个函数X(s),其中定义域为S,值域为实数的子集,这个函数叫叫作随机变量。
图2表述了随机变量的概念。在概率与样本空间之间,添加一个随机变量,这样更有利于数学计算。
图2 随机变量的概念
使用随机变量的好处是,无论随机实验潜在事件的形式如何,现在都可以根据实际值的数量来进行概率分析。随机变量可能是离散的,并且只接受有限的数值,例如在抛硬币实验中。或者,随机变量可以是连续的,并接受一系列的实数。
举例1:抛3个硬币会得到几个正面?
X="正面的个数" 是随机变量。可以有0个正面(如果所有硬币都是反面向上)、1个正面、2个正面或3个正面。所以样本空间={0, 1, 2, 3}。
但现在结果的概率不再完全是相等的了。
三个硬币可以抛出八个结果:
图3 抛3次硬币,H代表正面头像,T代表反面
在图3里我们可以看到只有1个结果有三个正面,但有 3个结果有两个正面,3个结果有一个正面,和 1个结果没有正面。所以:
- P(X=3)=1/8
- P(X=2)=3/8
- P(X=1)=3/8
- P(X=0)=1/8
举例2:2个骰子Dice的点数之和
现在我们同时抛掷2个骰子Dice,并定义随机变量X="两个骰子点数之和".
图4 抛掷2个骰子的试验
那么一共会有6×6 =36个可能的结果,见图4所示,样本空间S是{2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12};
我们可以数一数样本空间中每个值发生的频率,并计算它们的概率:
- 2仅出现1次, 所以P(X=2)=1/36;
- 3出现2次 所以P(X=3)=2/36=1/18;
- 4出现3次, 所以P(X=4)=3/36=1/12;
- 5出现4次, 所以P(X=5)=4/36=1/9;
- 6出现5次, 所以P(X=6)=5/36;
- 7出现6次, 所以P(X=7)=6/36=1/6;
- 8出现5次, 所以P(X=8)=5/36;
- 9出现4次, 所以P(X=9)=4/36=1/9;
- 10出现3次, 所以P(X=10)=3/36=1/12;
- 11出现2次,所以P(X=11)=2/36=1/18;
- 12出现1次, 所以P(X=12)=1/36;
两个骰子的点数的和是5、6、7或8的概率是多少?
就是:P(5≤X≤8) 是多少?
由于随机变量取值是离散的,P(5≤X≤8)=P( X=5)+P(X=6)+P(X=7)+P(X=8)=(4+5+6+5)/36=20/36=5/9
同样的,在表示特定时刻噪声电压幅值的随机变量是一个连续的随机变量,因为理论上,它可能具有正负无穷大之间的任意值。随机变量也可能是复值的,但复值随机变量总是被视为两个实值随机变量的向量。
对于硬币抛掷试验 ,我们可以这样描述:
图5 硬币抛掷试验
x=0对应结果为硬币的反面,x=1对应结果为硬币的正面,P[X=x]表示出现事件x的概率。图5中有2个delta函数,权重为1/2,表示了抛掷硬币的2种结果。
连续随机变量
随机变量可以是离散或连续的:
- 离散数据只能取某些数值(例如 1、2、3、4、5)
- 连续数据可以取一个范围(值域)里的任何数值(例如人的身高)
离散的随机变量如举例1和2所示,在这里,我们重点说一下连续随机变量。
均匀分布(也称为矩形分布)
在均匀分布中,a和b之间所有的随机变量的概率是相等的。不像取值是离散的随机变量,这里a和b之间有无数个取值,是连续的。但不管怎样,所有概率之和一定为1。
图6 均与分布
因为所有概率的和一定是1,所以矩形的面积=1,p×(b−a)=1,所以p=1/(b−a);
还可以写成:若a≤x≤b,P(X=x)=1/(b−a) ,否则P(X=x)=0
再看开篇喷泉的问题。
答案很容易,91分之20是:p=20/91=0.22;
你是随机到达喷泉,如果你等91分钟,那么你便一定会(p=1)看到它喷发。
所以你到达喷泉处,要么能立马看到喷发,或者在91分钟里的任何时间看到。
图7 91分钟内的均匀
累积均匀分布
我们也可以有累积均匀分布,如图8所示。
图8 累积均匀分布
这种分布叫 "累积分布函数",英语是 "cumulative distribution function",简称 "CDF"
现在用以上均匀分布的 "CDF" 来计算概率:
图9 CDF计算概率
在a+20,概率累积到大约0.22。
概率密度函数
如图9所示,分布函数可以表示为Fx(x),随机变量X取小于或等于x的任何值的概率。公式见图10-1。
图10 概率分布函数
概率分布函数Fx(x)有3个基本的属性:
- 概率分布函数Fx(x)取值在0和1之间;
- 概率分布函数Fx(x)是一个单调不减函数,如图10公式2;
- 如果X是连续随机变量,且Fx(X)是可微的,那么可以定义概率密度函数fx(x),图10公式3
除了CDF,还有一个英语叫作 "probability density function"的函数,简称 "pdf"
图11 PDF
概率密度函数PDF具有如下4个基本属性:
图12 PDF的4个基本属性
我们考察一个随机变量X位于x1和x2之间的概率,由定义可以得到
正态分布
最重要的连续分布是标准正态分布。它非常重要,连它的随机变量也有独特的名字: Z.
Z的图形是个对称的钟形曲线,图13:
图13 正态分布曲线
通常我们需要求Z在两个数值之间的概率。如 P(0<Z<0.45)(Z在0与0.45 之间的概率是多少)
用标准正态分布表来求答案。从0开始,向右去到0.45,答案是 0.1736。
P(0<Z<0.45)=0.1736。
图14 计算概率
随机变量的统计量
随机变量的取值是随机的,让人琢磨不定。但是我们总是要抽取一些确定的数值,才能掌握随机变量的特征。这些确定的数值,就是随机变量的统计量。
一般地,随机变量的N阶矩定义为
一阶矩是随机变量的均值MEAN,二阶矩是功率。
如果把随机变量的均值减掉,再求N阶矩,得到的是N阶中心矩。
一阶中心矩一定是零,二阶中心矩叫作方差。
方差是非常重要的统计量,它反映的是随机变量偏离均值的程度。
对于零均值信号,方差也等于信号的功率。对于非零均值信号,方差=功率-均值的平方。
随机变量,概率密度及其统计量相关推荐
- 统计学基础之常用统计量和抽样分布
目录: 一.统计量 1.概念 2.常用统计量 二.抽样分布 1.常见三大抽样分布 一.统计量: 1.概念: 统计量是统计理论中用来对数据进行分析.检验的变量.在实际应用中,当我们从某个总体中抽取一个样 ...
- 【人工智能】— 不确定性、先验概率/后验概率、概率密度、贝叶斯法则、朴素贝叶斯 、最大似然估计
[人工智能]- 不确定性 不确定性 不确定性与理性决策 基本概率符号 先验概率(无条件概率)/后验概率(条件概率) 随机变量 概率密度 联合概率分布 公理 完全联合分布 概率演算 独立性 贝叶斯法则 ...
- 【概率论基础进阶】多维随机变量及其分布-二维随机变量及其分布
文章目录 一.二维随机变量 分布函数F(x,y)F(x,y)F(x,y)的性质 二.二维离散型随机变量 分布律pijp_{ij}pij的性质 三.二维连续型随机变量 概率密度f(x,y)f(x,y) ...
- 大数据之统计学基础(二):随机变量及其概率分布
随机变量及其概率分布 随机变量(r.v)是研究随机试验中的一串事件:比如掷一颗骰子,用X表示骰子的点数,由于X的取值我们无法确定,所以称X是一个随机变量,随机变量的取值随机会而定. 1.随机变量的类型 ...
- 统计3:样本和统计量
统计推断是指,在数理统计中,我们研究的随机变量,其分布是未知的,或者是不完全知道的,人们是通过对所研究的随机变量进行重复独立的观察,得到许多观察值,对这些数据进行分析,从而对所研究的随机变量的分布做出 ...
- 随机变量及其分布和几种常见分布
符号 (I)(I)(I)(0-1)分布(离散型) X∼B(1,p)X∼B(1,p) X\sim B(1,p) (II)(II)(II)伯努利试验,二项分布(离散型) X∼B(n,p)X∼B(n,p) ...
- 2019年上半年收集到的人工智能机器学习方向干货文章
2019年上半年收集到的人工智能机器学习方向干货文章 10种机器学习方法,掌握了就可以称霸朋友圈 人工智能常见算法简介 机器学习中的最优化算法总结 最萌算法学习来啦,看不懂才怪! The Next S ...
- 只要掌握这三组公式,便可以在AI学习中如鱼得水了
本文摘录自 百度AI 新手学习必备数学知识 ,为了便于查找和学习.主要包括有微积分.线性代数.概率与数理统计. 数学基础知识 数据科学需要一定的数学基础,但仅仅做应用的话,如果时间不多,不用学太深,了 ...
- matlab径向分布函数作图_常见的概率分布(matlab作图)
一.常见的概率分布 表1.1 概率分布分类表 连续随机变量分布 连续统计量分布 离散随机变量分布 分布 分布 二项分布 连续均匀分布 非中心 分布 离散均匀分布 (Gamma)分布 分布 几何分布 指 ...
最新文章
- java清空栈_java - 如何使用Intent.FLAG_ACTIVITY_CLEAR_TOP清除活动堆栈?
- 人机融合智能与深度态势感知
- 你还在百度这些代码吗?
- python如何安装Django框架
- Docker安装配置Nginx
- html+id选择器如何使用方法,id选择器_HTML+CSS前端基础知识教程_腾讯视频
- php模板如何使用,ThinkPHP如何使用模板
- Docker容器化部署python
- 如何经营一家培训机构?
- sysdate取年取月取日
- 什么是CMPP、SGIP、SMGP三大运营商接口协议
- 解决Hash冲突四种方法
- 两个重要极限定理推导
- UML建模与软件开发设计(二)——UML概述
- OrangePIPC2---bootrom
- Android Studio仿QQ界面实现简单的功能
- wince下SD卡驱动开发
- uniapp实现吸顶效果、滚动吸顶(分类、筛选、排序、搜索等滚动到顶部自动固定、吸顶)
- 一个成功人士的创业心得
- 金融科技浪潮下的保理行业发展新热点
热门文章
- LIVE 预告 | 旷视王剑锋:丢弃Transformer,FCN也可以实现端到端检测
- 图灵2010.05书讯
- 目标检测(Google object_detection) API 上训练自己的数据集
- 在Intelij IDEA中修改maven为国内镜像(阿里)
- 一图读懂|《“十四五”大数据产业发展规划》
- 数据蒋堂 | 做基础软件要投入很多钱?
- 清华大学第四届大数据开放日(Big Data Day)
- 2021 年 NLP 重要国际会议时间
- 2021新兴经济体大学排名发布,129所中国高校上榜!
- 人工智能顶会WSDM2021 Best Paper Award 发布!