Skip to main content

02. 随机变量及其概率分布的核心概念与应用

1. 随机变量与概率分布的基本概念​

1.1. 随机变量 (Random Variable, r.v.)​

  • 核心定义：随机变量是定义在样本空间上的一个实值函数，通常用大写字母 表示。它的本质是将随机试验的每一个可能结果（样本点）映射到一个具体的数值。
  • 作用：将复杂的、非数值的随机事件问题，转化为对数值函数的分析，从而可以使用微积分等数学工具进行研究。

1.2. 随机变量的分类​

根据随机变量可能取值的特征，可以分为两类：

  • 离散型随机变量 (Discrete random variable)：其全部可能取值是有限个或可列无限多个。
    • 用例：一天内某餐厅的顾客数量、抛硬币 10 次出现正面的次数。
  • 连续型随机变量 (Continuous random variable)：其全部可能取值可以充满一个或多个区间，是不可数的。
    • 用例：一辆公交车的等待时间、一个电子元件的寿命。

1.3. 概率分布 (Probability Distribution) 的描述​

概率分布描述了随机变量取所有可能值的概率规律。不同类型的随机变量有不同的描述工具。

描述工具适用类型定义核心性质
概率质量函数 (PMF)
Probability Mass Function		离散型1. 非负性：
2. 规范性：
概率密度函数 (PDF)
Probability Density Function		连续型1. 非负性：
2. 规范性：
累积分布函数 (CDF)
Cumulative Distribution Function		通用1. 非减函数
2. ,
3. 右连续

重点辨析：PDF 的含义

对于连续型随机变量 及其概率密度函数 ：

  • 本身不是概率！ 事实上，对于任意一点 ，有 。
  • 的值反映了概率在点 附近的“密集程度”或“浓度”。 的值越大，意味着 取值在 附近的概率越高。
  • 用例：假设 代表某城市成年男性的身高（单位：米），其 PDF 为 。如果 ，这并不意味着身高恰好为 1.75 米的概率大于 1.90 米的概率（两者都为 0），而是意味着身高在 1.75 米附近一个很小区间内（如 ）的概率，要大于身高在 1.90 米附近一个同样大小区间内（如 ）的概率。

CDF 的重要应用 对于任意随机变量 ，其 CDF 为 ，则计算区间概率的核心公式为：

对于连续型随机变量，由于单点概率为 0，所以 。

2. 随机变量的数字特征​

数字特征是用少数几个数字来概括概率分布的某些关键方面。

2.1. 数学期望 (Mathematical Expectation)​

  • 定义：也称为均值 (Mean) 或期望值 (Expected Value)，记为 。它代表了随机变量取值的“加权平均值”或“长期平均水平”。
    • 离散型：
    • 连续型：
  • 函数期望：对于 ，其期望为：
    • 离散型：
    • 连续型：

2.2. 方差 (Variance) 与标准差 (Standard Deviation)​

  • 定义：方差描述了随机变量取值相对于其期望值的离散程度或波动性，记为 或 。
    • 离散型：
    • 连续型：
  • 标准差 (Standard Deviation, SD)：，量纲与随机变量本身相同，更具解释性。

2.3. 重要性质与计算公式 (常考)​

  1. 期望的线性性质：对于常数 ，有
  2. 方差的性质：对于常数 ，有 注意：常数 不影响离散程度，因此被消除；系数 被平方。
  3. 方差的常用计算公式：这是一个极其重要的公式，能极大简化计算。 它将计算方差的问题，转化为了计算 的期望和 的期望。

3. 常见的离散型分布​

分布名称 (Notation)背景描述概率质量函数 (PMF)期望 方差
伯努利分布
Bernoulli ()		单次试验，只有“成功”(1) 和“失败”(0) 两种结果，成功概率为 。,
二项分布
Binomial ()		 重独立的伯努利试验中，“成功”事件发生的总次数。,
几何分布
Geometric ()		在一系列独立伯努利试验中，首次“成功”时所需要的试验次数。,
泊松分布
Poisson ()		单位时间/空间内，某独立随机事件发生的次数， 为平均发生率 (强度)。,

重点辨析与应用

  • 几何分布的无记忆性 (Memoryless Property)

    • 定义：对于 ，有 。
    • 解释：已知一个事件已经失败了 次，那么它在未来还要再失败 次的概率，与从一开始就需要失败 次的概率是完全一样的。简言之，“过去的失败不影响未来的概率”。
    • 用例：赌徒谬误 (Gambler's Fallacy) 一个赌徒在玩大小游戏，连续开了 10 把“小”。他认为“小”已经出现太多次了，下一把开“大”的概率会非常高。这是错误的。如果每次开大小都是独立的随机事件（符合几何分布/伯努利试验的前提），那么无论之前开过多少次“小”，下一次开“大”的概率仍然是 （通常是接近 0.5），不会改变。

  • 泊松定理：二项分布的泊松近似 (常考)

    • 结论：当二项分布 中， 很大且 很小时，其概率可以由泊松分布 近似计算，其中 。
    • 经验法则：通常当 且 时，近似效果很好。
    • 用例：某保险公司有 2500 名客户，每位客户在一年内死亡的概率为 0.002。计算该公司一年内赔付不超过 5 次的概率。
      • 这里 (很大)， (很小)。
      • 精确计算是二项分布，非常复杂。
      • 可以使用泊松近似，令 。设死亡人数为 ，则 。
      • ，计算大为简化。

4. 常见的连续型分布​

分布名称 (Notation)背景描述概率密度函数 (PDF)期望 方差
均匀分布
Uniform ()		在区间 内取值，且取任意子区间的概率只与该子区间长度有关（等可能性）。,
指数分布
Exponential ()		独立随机事件两次发生之间的时间间隔， 为单位时间内的平均发生率。,
正态分布
Normal ()		又称高斯分布，自然界和工程中大量现象的理想模型（如误差、身高、测量值）。 是中心位置， 是离散程度。

重点辨析与应用

  • 指数分布与泊松分布的关系

    • 如果单位时间内事件发生的次数服从泊松分布 ，那么事件发生的时间间隔就服从指数分布 。
    • 期望的直观理解：若平均每小时有 个顾客到达（泊松），那么平均每位顾客的到达时间间隔就是 小时（指数）。

  • 指数分布的无记忆性 (Memoryless Property)

    • 定义：对于 ，有 。
    • 解释：一个元件已经正常工作了 小时，它还能继续工作至少 小时的概率，和一个全新的元件能工作至少 小时的概率是相同的。简言之，“寿命不受已使用时间的影响”。
    • 用例：“500 年一遇”的暴雨 新闻报道某地发生了“500 年一遇”的暴雨。这是否意味着从现在开始，500 年内不会再发生同等级别的暴雨？
      • 错误。如果这类事件的发生间隔可以近似看作服从指数分布，那么根据无记忆性，无论上次暴雨发生在昨天还是 100 年前，下一次发生这种暴- 雨的概率模式是完全一样的。“500 年一遇”仅表示其年发生率的倒数是 500，即年发生概率为 。

  • 正态分布的核心工具：标准化 (Standardization)

    • 目的：任何一个普通正态分布 都可以通过线性变换，转化为标准正态分布 。标准正态分布的 CDF，记为 ，有现成的表格可查。
    • 核心公式：
    • 概率计算：
    • 对称性：

5. 随机变量的函数变换​

研究已知随机变量 的分布，如何求其函数 的分布。

5.1. 离散型情况​

直接根据 的取值，合并 对应取值的概率即可。

5.2. 连续型情况 (常考)​

5.2.1. CDF 法 (通用方法)​

这是最基本、最通用的方法，尤其在 非单调时必须使用。

  1. 写出 的累积分布函数定义：。
  2. 将 代入：。
  3. 根据 的性质，将不等式 转化为关于 的不等式。
  4. 利用 的 CDF 或 PDF 计算出该概率，得到 的表达式。
  5. 求导得到 的概率密度函数：。
  • 用例：设 ，求 的分布。
    1. ，对于 。
    2. 。
    3. 。
    4. 代入 ，可得 (对于 )。这是自由度为 1 的卡方分布。

5.2.2. 公式法 (仅限严格单调函数)​

如果 是严格单调函数，其反函数为 ，且 可导。

注意：一定要乘以导数的绝对值 。

5.3. 琴生不等式 (Jensen's Inequality)​

这是一个关于期望和函数变换的重要不等式。

  • 如果 是一个凸函数 (Convex Function)，则 。
  • 如果 是一个凹函数 (Concave Function)，则 。
  • 重要推论：因为 是凸函数，所以 。这与方差公式 相吻合。