第3章 概率与统计：随机变量及其分布——从事件到量化描述

一、为什么要引入随机变量

前两章我们用集合、事件、概率描述随机现象，逻辑严谨，但有一个明显局限：

• 事件多是文字描述（正面、反面、点数为偶、下雨、不下雨）；
• 不方便计算、比较、建模、做工程。

我们需要把“随机结果”变成数，用数学工具统一处理。
这就是随机变量的意义：
把随机事件数量化，让概率论真正变成可计算的数学体系。

---

二、随机变量的定义

设 $\Omega$ 为样本空间，若对每一个结果 $\omega \in \Omega$，都唯一对应一个实数 $X(\omega )$，则称
$$X=X(\omega )$$
为随机变量。

通俗理解：

• 随机试验的结果是“不确定的东西”；
• 随机变量就是给它贴一个数字标签；
• 之后我们只研究这个数字的规律，不再管原来的具体事件。

常用大写字母 $X,Y,Z,\dots$ 表示随机变量，小写字母 $x,y,z,\dots$ 表示它取的具体值。

---

三、离散型随机变量与分布律

1. 定义

若随机变量 $X$ 的所有可能取值为有限个或可列无限个（可以一个一个数完），称为离散型随机变量。

例如：

• 抛硬币：正面=1，反面=0；
• 掷骰子点数：1,2,3,4,5,6；
• 某时间段内接到的电话数：0,1,2,…

2. 分布律（概率分布）

设 $X$ 的可能取值为 $x_1,x_2,\dots$，且
$$P(X=x_k)=p_k,k=1,2,\dots$$
满足：

1. $p_k\ge 0$
2. $\sum _k{p}_k=1$

称 {pk}\{p_k\}{pk​} 为 $X$ 的分布律。
它完整描述了离散型随机变量的全部概率规律。

---

四、常见离散型分布

1. 0–1分布（两点分布）

只取两个值：0 或 1。
$$P(X=1)=p,P(X=0)=1-p,0<p<1$$
适用：一次试验只有两种结果（成功/失败、合格/不合格、是/否）。

2. 二项分布 $X\sim B(n,p)$

$n$ 次独立重复试验，每次成功概率 $p$，成功总次数为 $X$：
$$P(X=k)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k(1-p{)}^{n-k},k=0,1,\dots ,n$$

3. 泊松分布 $X\sim P(\lambda )$

描述单位时间/空间内稀有事件发生次数：
$$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,2,\dots$$
$\lambda >0$ 为均值。

---

五、连续型随机变量与概率密度

1. 定义

若随机变量 $X$ 的取值充满某个区间，不可一一列举，且存在非负函数 $f(x)$，使得对任意区间 $(a,b]$：
$$P(a<X\le b)={\int }_a^{b}f(x)dx$$
称 $X$ 为连续型随机变量，$f(x)$ 为概率密度函数，简称密度。

2. 密度的性质

1. $f(x)\ge 0$
2. ${\int }_{-\infty }^{+\infty }f(x)dx=1$

直观理解：

• 密度 $f(x)$ 不直接是概率；
• 面积才是概率：区间上曲线下面积 = 随机变量落在该区间的概率。

重要结论：
连续型随机变量取单点值的概率为 0：
$$P(X=x_0)=0$$
因此连续型中：
$$P(a\le X\le b)=P(a<X<b)=P(a\le X<b)$$

---

六、常见连续型分布

1. 均匀分布 $X\sim U(a,b)$

在区间 $[a,b]$ 上“等可能”：
$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& \text{其他}\end{array}$$

2. 指数分布 $X\sim E(\lambda )$

描述寿命、等待时间、间隔时间：
$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x\ge 0\\ 0,& x<0\end{array}$$
$\lambda >0$。

3. 正态分布 $X\sim N(\mu ,{\sigma }^2)$

自然界、测量误差、大量随机因素叠加最常见分布：
$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x\in \mathbb{R}$$

• $\mu$：位置参数（中心）
• $\sigma$：尺度参数（分散程度）

标准正态分布：$\mu =0,\sigma =1$，记为 $N(0,1)$。

---

七、分布函数（统一描述：离散+连续）

1. 定义

对任意随机变量 $X$，定义
$$F(x)=P(X\le x),x\in \mathbb{R}$$
为 $X$ 的分布函数。

2. 统一意义

• 离散型：
  $$F(x)=\sum _{x_k\le x}{p}_k$$
• 连续型：
  $$F(x)={\int }_{-\infty }^{x}f(t)dt$$
  且在 $f(x)$ 连续点：
  $$F^{\prime }(x)=f(x)$$

3. 性质

1. $F(x)$ 单调不减；
2. $0\le F(x)\le 1$；
3. 右连续；
4. $F(-\infty )=0,F(+\infty )=1$。

分布函数是唯一能统一描述所有随机变量的工具。

---

八、本章总结

本章完成了概率论的关键一步：事件→数量→函数：

1. 随机变量：把随机结果数字化；
2. 离散型用分布律，连续型用密度；
3. 分布函数统一离散与连续；
4. 0–1、二项、泊松、均匀、指数、正态是全领域最常用的基础模型。

从本章开始，概率论真正进入可计算、可建模、可工程化阶段。

---

下一章我直接写：

第4章 概率与统计：多维随机变量——联合、边缘与条件关系