指示器随机变量,算法导论5.2
2016-06-24 12:12
274 查看
指示器随机变量当A发生时为1,否则为0.指示器随机变量也是变量,也具有随机变量的性质,所以我们可以计算一个指示器随机变量的期望值。设一个指示器随机变量为X,则X = 0,1。有
E(X) = 1xP(X=1) + 0xP(X != 1) = P(X = 1) 。而P(X=1)是什么呢?它是X所对应的事件A的概率,即P(A)。因为我们“恰巧”把当A发生时它的指示器随机变量定义成1,所以才会有这个结果。
引理5.1 给定一个样本空间S和S中的一个事件A,设XA=I{A},那么E[XA] = P(A)
回头看投掷硬币的例子,“正面朝上的期望次数”就是H的期望次数,如果H发生了就1次,不发生就0次。所以有正面朝上的期望次数就是指示器随机变量XH的期望值。
E(X) = 1xP(X=1) + 0xP(X != 1) = P(X = 1) 。而P(X=1)是什么呢?它是X所对应的事件A的概率,即P(A)。因为我们“恰巧”把当A发生时它的指示器随机变量定义成1,所以才会有这个结果。
引理5.1 给定一个样本空间S和S中的一个事件A,设XA=I{A},那么E[XA] = P(A)
回头看投掷硬币的例子,“正面朝上的期望次数”就是H的期望次数,如果H发生了就1次,不发生就0次。所以有正面朝上的期望次数就是指示器随机变量XH的期望值。
相关文章推荐
- java算法导论之FloydWarshall算法实现代码
- MIT Introduction to Algorithms 学习笔记(一)
- MIT Introduction to Algorithms 学习笔记(二)
- MIT Introduction to Algorithms 学习笔记(三)
- MIT Introduction to Algorithms 学习笔记(四)
- MIT Introduction to Algorithms 学习笔记(五)
- MIT Introduction to Algorithms 学习笔记(六)
- MIT Introduction to Algorithms 学习笔记(七)
- MIT Introduction to Algorithms 学习笔记(八)
- MIT Introduction to Algorithms 学习笔记(九)
- MIT Introduction to Algorithms 学习笔记(十)
- 堆排序/优先级队列
- 插入排序
- Red-Black Tree 的Java实现
- 逆序对
- 算法导论之堆
- LCS 最长公共子序列
- 使用Java完成《算法导论》习题2.2-2
- 使用Java完成《算法导论》习题2.3-2
- 使用Java完成《算法导论》习题2.3-4