概率与随机变量(2)

概率与随机变量(二)

伯努里分布,二项分布/Bernoulli Distribution

Bernoulli 随机变量是一个仅取两个值的离散随机变量,即 X ∈ {0,1}

参数为 α(0 ≤ α ≤ 1)的伯努利随机变量的概率质量函数(pmf)由下式给出:

\[\begin{aligned}&\mathfrak{p}\left(0\right)=\Pr\left(X=0\right)=1-\alpha\\&\mathfrak{p}\left(1\right)=\Pr\left(X=1\right)=\alpha\end{aligned} \]

伯努利随机变量适用于某些实验场景:其中结果可被归类为“成功”或“失败”;成功的概率为 α,失败的概率为 1 − α。


二项式模型用于描述与重复试验相关的取整数值随机变量。参数为 (n,α) 的二项式随机变量 X 的概率质量函数为:

\[\mathfrak{p}\left(\mathfrak{i}\right)=\begin{pmatrix}\mathfrak{n}\\\mathfrak{i}\end{pmatrix}\mathfrak{\alpha}^\mathrm{i}\left(1-\mathfrak{\alpha}\right)^\mathrm{n-i} \]

\[where 0 ≤ α ≤ 1, and\binom{\mathfrak{n}}{\mathfrak{i}}=\frac{\mathfrak{n}!}{\mathfrak{i}!(\mathfrak{n}-\mathfrak{i})!} \]

\[i:成功次数;它是一个整数(比如 0次, 1次, ..., 到 n次)。p(i)就是算“刚好 i次成功”的概率有多大。 \]

\[n:总试验次数。 \]

\[α:每次试验中“成功”的概率(图中限定 0≤α≤1)。那么 (1−α)就是“失败”的概率。 \]

\[\binom{n}{i}\text{:组合数,等于}\frac{n!}{i!(n-i)!},它表示“从 n次试验里挑出 i次作为成功,一共有多少种排列组合方式” \]

可以证明,二项随机变量 X 的均值和方差分别为:

\[\begin{aligned}\mathbb{E}\left[X\right]&=n\alpha\\\mathrm{Var}\left(X\right)&=n\alpha\left(1-\alpha\right)\end{aligned} \]

二项随机变量 X 与一类实验相关:在这些实验中,会进行 n 次独立的伯努利试验,而 X 表示这 n 次试验中出现的成功次数。


几何分布/Geometric Distribution

离散随机变量 X 取值为 1,2 ,...,若其概率质量函数为下方所列公式,则称为a参数下的几何分布。

\[\mathrm{p}\left(\mathrm{k}\right)=\mathrm{Pr}\left(\mathrm{X}=\mathrm{k}\right)=\left(1-\alpha\right)^{\mathrm{k}-1}\alpha,\quad\mathrm{k}=1,2,..| \]

几何随机变量 X 的均值与方差为:

\[\begin{aligned}\mathbb{E}\left[X\right]&=\frac{1}{\alpha}\\\mathrm{Var}\left(X\right)&=\frac{1-\alpha}{\alpha^2}\end{aligned} \]

几何随机变量 X 与某些实验相关联;在这些实验中,会进行独立的伯努利试验,而 X 表示直到首次成功为止所需的试验次数。


泊松分布/Poisson Distribution

一个离散随机变量 X,其取值为 0、1 或 2 ,...,之一,如果其概率质量函数由以下公式给出,则称其为参数为 λ 的泊松随机变量。

\[\mathrm{p~(k)=Pr~(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},~k=0,1,..} \]

几何随机变量 X 的均值与方差为:

\[\begin{aligned}\mathbb{E}\left[X\right]&=\lambda\\\mathrm{Var}\left(X\right)&=\lambda\end{aligned} \]

泊松随机变量用于在 n 较大且 α 较小的情况下,近似表示参数为 (n,α) 的二项随机变量。泊松随机变量在通信网络中非常重要,因为它可用于对不同时间间隔内到达的客户数量进行建模。


均匀分布/Uniform Distribution


指数分布/Exponential Distribution

指数分布的一些重要性质:

1.Memoryless Property/无记忆性:

\[\begin{aligned}\mathrm{Pr}\left(X>s+t|X>t\right)&=\frac{\mathrm{Pr}\left(\mathrm{X>s+t,X>t}\right)}{\mathrm{Pr}\left(\mathrm{X>t}\right)}=\frac{\mathrm{Pr}\left(\mathrm{X>s+t}\right)}{\mathrm{Pr}\left(\mathrm{X>t}\right)}\\&=\frac{e^{-\lambda(s+t)}}{e^{-\lambda t}}=e^{-\lambda s}=\Pr\left(X>s\right)\end{aligned} \]

意思是:已知已经活了/等了 t时间,再活/等 s时间的概率,就等于一开始就等 s时间的概率。

2.独立指数型随机变量的最小值:

多个独立的指数分布随机变量,它们“最小值”的分布,依然是指数分布,而且新的速率参数等于原来所有参数之和。

\[\mathrm{Pr}\left\{\min\left(\mathrm{X}_1,\mathrm{X}_2,...,\mathrm{X}_\mathrm{n}\right)>z\right\}=e^{-\left(\lambda_1+\lambda_2+...\lambda_\mathrm{N}\right)z} \]

\[假设有 N个独立的事件(比如 N个不同品牌的灯泡,或者 N个等待呼叫的客服),它们各自的寿命/等待时间 X1,X2,...XN \]

\[都服从指数分布,参数(衰变/发生速率)分别是 λ1,λ2,...λN。 \]

\[min(X1,X2,...Xn)代表:这 N个里面最先发生的那个事件(比如最早坏掉的灯泡,或最先接到的电话)。 \]

\[结论告诉我们:这个“最先发生的时间”本身也服从指数分布,而且它的新参数 λ总=λ1+λ2+...+λN。 \]

\[Pr{min(X1,...,Xn)>z}=Pr(X1>z,X2>z,...,Xn>z) \]


证明:

\[\Pr\{\min(X_1,...,X_n)>z\}=\Pr(X_1>z,X_2>z,...,X_n>z) \]

它们相互独立,联合概率等于各自概率的乘积:

\[=\Pr(X_1>z)\times\Pr(X_2>z)\times...\times\Pr(X_n>z) \]

\[\text{指数分布 Pr}(X>t)=e^{-\lambda t} \]

代入每一项得:

\[\begin{gathered}\text{}=e^{-\lambda_{1}z}\times e^{-\lambda_{2}z}\times...\times e^{-\lambda_{n}z}\end{gathered}=e^{-(\lambda_1+\lambda_2+...+\lambda_n)z} \]


假设你等 3 辆不同路线的公交车,它们到站间隔分别服从参数 λ1=1, λ2=2, λ3=3的指数分布(单位:辆/分钟)。

只关心“第一辆来的车”,这就是求 min(X1,X2,X3)。

第一辆车到来的时间服从新指数分布,参数 λ=1+2+3=6。

等第一辆车超过z分钟的概率,就是 e−6z。路线越多(参数越大),第一辆车来得越快(等待超过z的概率衰减得极快)。


高斯分布/Gaussian (Normal) Distribution

CDF 没有简单的表达式。要计算高斯随机变量的 CDF,必须使用查表法或数值算法。


高斯随机变量的性质:

独立高斯变量之和仍是高斯

不相关的高斯变量必独立

综合推论:不相关高斯之和仍是高斯


γ分布/Gamma Distribution

参数为 n 和 α 的伽马分布:

\[\mathrm{f}_{X}\left(\mathrm{x}\right)=\frac{\alpha^{\mathrm{n}}\chi^{\mathrm{n}-1}}{\Gamma\left(\mathrm{n}\right)}e^{-\alpha x},\quad x\geqslant0,\Gamma\left(\mathfrak{n}\right)=\int_{0}^{\infty}s^{n-1}e^{-s}\mathrm{d}s \]

\[\begin{aligned}\mathbb{E}\left[X\right]&=\frac{n}{\alpha}\\\\\operatorname{Var}\left(X\right)&=\frac{n}{\alpha^2}\end{aligned} \]

请注意,当 n = 1 时,Gamma 概率密度函数将变为参数为 α 的指数概率密度函数。


瑞利分布/Rayleigh Distribution

参数为 σ(其中 σ > 0)的瑞利随机变量的概率密度函数为

\[\mathrm{f}_{\chi}\left(x\right)=\frac{\chi}{\sigma^2}\exp\left(-\frac{\chi^2}{2\sigma^2}\right),\quad x>0 \]

\[\mathrm{F_X}\left(\mathrm{x}\right)=1-\exp\left(-\frac{\chi^2}{2\sigma^2}\right) \]

\[\mathbb{E}\left[X\right]=\sigma\sqrt{\frac{\pi}{2}}. \]

\[\mathrm{Var}\left(X\right)=\sigma^2\left(2-\frac{\pi}{2}\right). \]

posted @ 2026-10-27 21:40  narilove  阅读(15)  评论(0)    收藏  举报