随机变量与分布
从抛硬币、掷骰子等熟悉场景出发，理解随机变量的概念，掌握离散型随机变量的分布列、期望与方差，并能解决简单实际问题。
🎯 概念导入：从硬币到数字
同学们，我们之前学过概率，知道抛一枚均匀硬币，出现正面和反面的概率各是 $\frac{1}{2}$。现在，如果我们用数字 1 表示“正面朝上”，用 0 表示“反面朝上”，那么每一次抛硬币的结果就变成了一个可以取 0 或 1 的 变量。这个变量是随机的，因为每次抛之前我们不知道它会取哪个值。像这样，把随机试验的结果用数值表示的变量，就叫 随机变量（Random Variable）。
类似的，掷一颗骰子，我们用 $X$ 表示朝上的点数，那么 $X$ 可以取 $1,2,3,4,5,6$，每个值的概率都是 $\frac{1}{6}$。
📖 核心讲解：随机变量与分布列
1. 随机变量的定义
设一个随机试验的样本空间为 $\Omega$，如果对于每一个样本点 $\omega \in \Omega$，都有一个唯一的实数 $X(\omega)$ 与之对应，那么 $X$ 就是一个随机变量。简单说，随机变量就是试验结果到实数的映射。
- 离散型随机变量：取值有限个或可数无穷个（如抛硬币、掷骰子）。
- 连续型随机变量：取值充满一个区间（如身高、体重），我们高二主要学习离散型。
2. 分布列（概率分布）
要完整描述一个随机变量，除了知道它取哪些值，还必须知道取每个值的概率。我们把随机变量 $X$ 所有可能的取值 $x_i$ 及其对应的概率 $P(X=x_i)=p_i$ 列成表格或公式，称为 $X$ 的分布列。
分布列必须满足两个条件：
- $p_i \ge 0$（每个概率非负）
- $\sum \limits_{i} p_i = 1$（总概率为 1）
🧮 期望与方差：分布列的数字特征
分布列完整描述了随机变量，但有时我们只需要几个关键数字来概括它的特征，这就是期望（均值）和方差。
1. 数学期望（均值）$E(X)$
定义：$E(X) = \sum\limits_{i} x_i p_i$，即每个取值乘以对应概率后求和。它反映了随机变量取值的“平均水平”。比如掷骰子的期望：$E(X)=1\times\frac16+2\times\frac16+\cdots+6\times\frac16 = 3.5$。
2. 方差 $D(X)$ 或 $Var(X)$
定义：$D(X) = \sum\limits_{i} (x_i - E(X))^2 p_i$，它衡量随机变量取值相对于期望的离散程度。方差越大，取值越分散。还有简化公式：$D(X)=E(X^2)-[E(X)]^2$，其中 $E(X^2)=\sum x_i^2 p_i$。
📝 典型例题
例 1（简单）：已知随机变量 $X$ 的分布列为：
| $X$ | 0 | 1 | 2 |
|---|---|---|---|
| $P$ | 0.2 | 0.5 | 0.3 |
求：（1）$P(X \le 1)$；（2）$E(X)$；（3）$D(X)$。
解答：
（1）$P(X\le 1) = P(X=0) + P(X=1) = 0.2 + 0.5 = 0.7$
（2）$E(X) = 0\times0.2 + 1\times0.5 + 2\times0.3 = 0 + 0.5 + 0.6 = 1.1$
（3）$E(X^2) = 0^2\times0.2 + 1^2\times0.5 + 2^2\times0.3 = 0 + 0.5 + 1.2 = 1.7$
$D(X) = E(X^2) - [E(X)]^2 = 1.7 - 1.1^2 = 1.7 - 1.21 = 0.49$
易错提醒：$D(X)$ 的单位是 $X$ 单位的平方，注意计算平方时不要漏项。
例 2（中等）：袋中有 2 个白球，3 个黑球，不放回地依次摸出 2 个球。设 $X$ 表示摸出的白球个数，求 $X$ 的分布列及期望。
思路：$X$ 可能取 0,1,2。用组合数计算概率。
解：$P(X=0) = \frac{C_3^2}{C_5^2} = \frac{3}{10} = 0.3$
$P(X=1) = \frac{C_2^1 C_3^1}{C_5^2} = \frac{6}{10} = 0.6$
$P(X=2) = \frac{C_2^2}{C_5^2} = \frac{1}{10} = 0.1$
分布列为：
| $X$ | 0 | 1 | 2 |
|---|---|---|---|
| $P$ | 0.3 | 0.6 | 0.1 |
$E(X) = 0\times0.3 + 1\times0.6 + 2\times0.1 = 0.8$
易错提醒：不放回抽样中，每次抽取概率会变化，要用组合数计算，不要错误用独立重复试验公式。
例 3（提升）：某射击手每次命中目标的概率为 0.8，他连续射击 3 次，每次射击结果相互独立。记命中次数为 $X$，求 $X$ 的分布列及 $P(X\ge 2)$。
提示：这是二项分布 $X\sim B(3,0.8)$，但可以用分布列概念求解。
思路：$X$ 可能取 0,1,2,3。每次命中概率 $p=0.8$，不命中 $q=0.2$。
解：$P(X=k) = C_3^k \times 0.8^k \times 0.2^{3-k}$
- $P(X=0) = 1\times0.2^3 = 0.008$
- $P(X=1) = 3\times0.8\times0.2^2 = 3\times0.8\times0.04 = 0.096$
- $P(X=2) = 3\times0.8^2\times0.2 = 3\times0.64\times0.2 = 0.384$
- $P(X=3) = 1\times0.8^3 = 0.512$
分布列：
| $X$ | 0 | 1 | 2 | 3 |
|---|---|---|---|---|
| $P$ | 0.008 | 0.096 | 0.384 | 0.512 |
$P(X\ge2) = P(X=2)+P(X=3) = 0.384+0.512 = 0.896$
易错提醒：二项分布计算时，注意系数 $C_n^k$ 不要遗忘，指数是命中与不命中的次数对应。
🚫 常见误区
- 误把概率当随机变量：随机变量是取值，概率是取该值的可能性，两者不同。
- 分布列概率之和不为 1：列出分布列后要检查概率和是否为 1，这是最基本的检验。
- 期望计算时漏乘或错乘概率：注意每个 $x_i$ 必须乘对应的 $p_i$。
- 方差公式用错：$D(X)=E(X^2)-[E(X)]^2$ 中 $E(X^2)$ 是平方的期望，不是期望的平方。
💡 学习建议
- 多做“现实问题→随机变量→分布列→期望方差”的完整训练，培养建模思维。
- 学会用表格和图表展示分布列，直观理解概率分布的形状。
- 牢记分布列的两个性质（非负、和为1），这是判断分布列是否正确的双重保险。
- 对于常见的二项分布、超几何分布，在理解的基础上记忆公式，但不要盲目套用，先判断是否符合条件。
🔗 知识链接
随机变量是概率论的桥梁，连接了概率与统计。后续我们还会学习二项分布、超几何分布、正态分布等特殊分布。期望和方差也是统计中描述数据集中趋势和离散程度的重要指标，与初中学过的平均数、方差一脉相承。
✍️ 习题自测
- 已知随机变量 $X$ 的分布列：$P(X=1)=0.4$, $P(X=2)=0.3$, $P(X=3)=m$，求 $m$ 的值及 $E(X)$。
- 从装有 3 个红球、2 个蓝球的袋子中任取 2 个球，设 $X$ 表示取到的红球个数，写出 $X$ 的分布列。
- 掷两颗均匀骰子，记点数之和为 $Y$，求 $Y=7$ 的概率及 $Y$ 的期望（提示：可先列出所有可能结果）。
答案
- $m=0.3$，$E(X)=1\times0.4+2\times0.3+3\times0.3=1.9$
- $P(X=0)=\frac{C_2^2}{C_5^2}=\frac{1}{10}=0.1$，$P(X=1)=\frac{C_3^1C_2^1}{C_5^2}=\frac{6}{10}=0.6$，$P(X=2)=\frac{C_3^2}{C_5^2}=\frac{3}{10}=0.3$
- $P(Y=7)=\frac{6}{36}=\frac{1}{6}$；$Y$ 的分布：$P(Y=2)=P(Y=12)=1/36$, $P(Y=3)=P(Y=11)=2/36$, $P(Y=4)=P(Y=10)=3/36$, $P(Y=5)=P(Y=9)=4/36$, $P(Y=6)=P(Y=8)=5/36$, $P(Y=7)=6/36$。$E(Y)=\sum_{k=2}^{12} k P(Y=k)=7$。（也可由对称性知期望为 7）