伯努利实验
伯努利实验概念及性质
定义:事件域为:\(\mathcal F = \{ \varnothing ,A,\bar A,\Omega \}\),只两种可能结果的试验称为伯努利实验。
现考虑重复n次独立试验的伯努利实验(这里每个\(A\)概率不变),这种实验称之为n重伯努利实验,记为\(E^n\)。
其样本点形如:
其中每个都有两种可能取值。易得样本点一共有\(2^n\)。概率空间易得不再赘述。
伯努利分布
伯努利分布(Bernoulli Distribution)是一种离散型概率分布,它用于描述只有两种结果(例如成功和失败)的随机试验。伯努利分布可以用一个参数\(p\)来描述成功的概率。概率分布可简单表示为:
\[P(X=k) = kp+(1-k)(1-p) \]其中k仅有0,1两个取值。这样写概率的好处在于:可以用于最大似然估计中的求导。
伯努利分布的期望和方差分别为:
伯努利分布通常用于二元分类问题中,例如预测一个事件是否发生、一次抛硬币的结果等。
二项分布
如果有多次独立的伯努利试验,可以使用二项分布(Binomial Distribution)来描述(简记为B)。
若记\(B_k\)为n重伯努利实验中事件\(A\)正好出现\(k\)次。则:
二项分布的重要性质
- 概率函数的形状:二项分布的概率函数呈现出类似钟形曲线的形状,当\(p=0.5\)时,概率函数的峰值达到最高。
- 期望和方差:二项分布的期望和方差分别为\(E(X)=np\)和\(Var(X)=np(1-p)\)
由于每次试验独立,期望与方差可以简易地由伯努利分布的期望与方差推出。
若要依据其概率分布来推,则二项分布期望推导如下:
而
\[\sum^n_{k=0}kC_n^kp^k(1-p)^{n-k} =\sum^n_{k=0} \frac{kn!}{k!(n-k)!}p^k(1-p)^{n-k} \]\[= np\sum^{n}_{k=1}\frac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}(1-p)^{n-k} \]上式右边部分是\(n-1\)次实验抽到\(k-1\)个的概率对k求和,从而为1。
二项分布的方差推导如下:
与上面求期望的同理,把\(k(k-1)\)乘进\(C\)的表达式即可。这个构造我认为非常有用,这样的话即便是\(E(X^3)\),也可以拆成\(k(k-1)(k-2)+ak(k-1)+bk\)的形式进一步求解。回到原话题,由上易得
\[E(X^2) = n(n-1)p^2+np \]从而最终得到\(Var(X)= np(1-p)\)
-
大数定律:二项分布具有大数定律,即当试验次数\(n\)趋近于无穷大时,二项分布的概率函数逐渐趋近于正态分布
-
中心极限定理:二项分布满足中心极限定理,即当试验次数\(n\)足够大时,二项分布可以近似看作正态分布
几何分布
现在讨论在伯努利实验中手册成功出现在第k次实验的概率。记第k次实验出现\(A\)的事件为\(W_k\),有:
\[P(W_k)=q^{k-1}p \]几何分布性质
- 无记忆性:几何分布具有无记忆性,即在已知前\(k\)次试验失败的情况下,下一次试验仍然是独立的伯努利试验,成功的概率仍然是\(p\)
- 概率函数的形状:几何分布的概率函数呈现出右偏斜的单峰形状,随着等待次数\(k\)的增加,概率逐渐减小
- 期望和方差:几何分布的期望为\(E(X)=\frac{1}{p}\),方差为\(Var(X)=\frac{1-p}{p^2}\)
期望可由高中数列错位相减法处理,是比较易得的。方差稍微有些变化:
接下来的部分就不写了,总之容易得到\(Var(X)\)。
帕斯卡分布
让我们以\(C_k\)表示第r次成功发生在第k次实验这一事件。
这个概率分布被称之为帕斯卡分布。
典中典的就是分赌注问题。
帕斯卡分布与分赌注问题(Gambler's Ruin Problem)有着密切的联系。分赌注问题的确是一个比较正统的概率论问题,它也被看做是概率论诞生的事件。问题描述很简单,说甲乙两人下赌注,然后反复进行双人赌局,约定谁先赢\(
标签:概率,frac,sum,分布,随机,游走,伯努利 From: https://www.cnblogs.com/hejz/p/17245684.html