随机变量与分布

一、概念导入——从“结果”到“数字”的桥梁

我们常常遇到这样的场景：掷一枚硬币，可能得到“正面”或“反面”；投一次篮，可能“命中”或“未中”。这些随机试验的结果本是“非数字”的。但为了进行数学分析，我们为每个结果赋予一个数值，例如：正面→1，反面→0；命中→1，未中→0。这样，试验结果就变成了一个随机变量。

更一般地，随机变量是定义在随机试验样本空间上的函数，它将每个样本点映射到一个实数。随机变量分为两类：

• 离散型随机变量：取值有限个或可列无限个（如掷骰子的点数）
• 连续型随机变量：取值充满某个区间（如身高、体重）

我们首先聚焦离散型。

二、核心讲解——离散型随机变量的分布列

1. 分布列的定义

设离散型随机变量 $X$ 的所有可能取值为 $x_1, x_2, \dots, x_n$，$X$ 取每一个值 $x_i$ 的概率为 $p_i$，则称

$$P(X = x_i) = p_i, \quad i=1,2,\dots,n$$

为 $X$ 的概率分布列，简称分布列。它满足：

• $p_i \ge 0$
• $\sum_{i=1}^{n} p_i = 1$

分布列通常用表格表示：

2. 两点分布（伯努利分布）

试验只有两个可能结果，比如成功/失败。记成功为1，概率为 $p$；失败为0，概率为 $1-p$。那么 $X$ 的分布列为：

$$P(X=1)=p,\quad P(X=0)=1-p$$

记作 $X\sim B(1,p)$。

3. 二项分布

将同一个伯努利试验独立重复 $n$ 次，记成功次数为 $X$，则 $X$ 的分布列为：

$$P(X=k) = C_n^k p^k (1-p)^{n-k},\quad k=0,1,\dots,n$$

记作 $X\sim B(n,p)$。其中 $C_n^k = \frac{n!}{k!(n-k)!}$。

4. 超几何分布

从含 $M$ 件次品的 $N$ 件产品中不放回地抽取 $n$ 件，其中次品件数 $X$ 的分布列为：

$$P(X=k) = \frac{C_M^k C_{N-M}^{n-k}}{C_N^n},\quad k=0,1,\dots,\min(n,M)$$

记作 $X\sim H(N,M,n)$。

5. 分布列的性质与用途

• 已知分布列，可求事件概率（如 $P(a
• 可求期望 $E(X) = \sum x_i p_i$ 与方差 $D(X) = \sum (x_i-\mu)^2 p_i$

对于常见分布，期望与方差有公式：

• 两点分布：$E(X)=p$, $D(X)=p(1-p)$
• 二项分布：$E(X)=np$, $D(X)=np(1-p)$
• 超几何分布：$E(X)=n\frac{M}{N}$, $D(X)=n\frac{M}{N}\left(1-\frac{M}{N}\right)\frac{N-n}{N-1}$

三、连续型随机变量与正态分布

对于连续型随机变量，取某个具体点的概率为0，因此我们关注其在区间内的概率。连续型随机变量用概率密度函数 $f(x)$ 描述，满足 $f(x)\ge 0$ 且 $\int_{-\infty}^{+\infty} f(x) dx = 1$，概率 $P(a

最重要的连续分布是正态分布（高斯分布）。若随机变量 $X$ 服从均值为 $\mu$、方差为 $\sigma^2$ 的正态分布，记作 $X\sim N(\mu, \sigma^2)$，其密度函数为：

$$f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$

特别地，$\mu=0,\sigma=1$ 时称为标准正态分布 $N(0,1)$。

正态分布曲线关于均值对称，“钟形”曲线。标准正态分布的概率可通过查表或计算器获得。

四、典型例题

五、常见误区

• 混淆概率分布与概率密度：离散型用分布列求和，连续型用积分求区间概率，不能混淆。
• 二项分布的条件缺失：必须满足“独立重复试验”，若抽取不放回则应用超几何分布。
• 期望与方差公式记错：二项分布 $D(X)=np(1-p)$，而超几何分布方差有修正因子 $(N-n)/(N-1)$。
• 正态分布概率计算滥用：实际问题中需先检验数据是否近似服从正态分布，不可盲目套用。

六、学习建议

• 画图理解：分布列画柱状图，密度曲线画平滑曲线，直观感受概率分布的形状与参数的关系。
• 对比记忆：二项分布与超几何分布的区别（放回 vs 不放回），两点分布是二项分布的特例。
• 练习计算：多做题，尤其注意组合数的计算和公式的运用。
• 联系实际：思考生活中哪些变量服从这些分布（如检验合格数、电话呼叫数等）。

七、知识链接

• 前置知识：排列组合、古典概型、互斥事件、独立事件。
• 后续知识：随机变量的数字特征（期望方差）、大数定律、中心极限定理、参数估计与假设检验。
• 跨学科应用：生物学中的遗传概率、经济学中的风险分析、工程中的质量控制。

八、习题自测

1. 一枚均匀硬币掷4次，设正面朝上的次数为 $X$，写出 $X$ 的分布列并求 $P(X\ge 3)$。
2. 某班有30人，其中女生12人，任选5人参加比赛，设女生人数为 $Y$，求 $Y$ 的分布列（写成组合数形式即可）及期望。
3. 已知随机变量 $Z\sim N(0,1)$，查表得 $P(Z<1.96)=0.975$，求 $P(|Z|<1.96)$。

参考答案：

1. $X\sim B(4,0.5)$，分布列略。$P(X\ge 3)=P(3)+P(4)=4/16+1/16=5/16$。
2. $Y\sim H(30,12,5)$，$P(Y=k)=\frac{C_{12}^k C_{18}^{5-k}}{C_{30}^5}$，$k=0,\dots,5$；期望 $E(Y)=5\times\frac{12}{30}=2$。
3. $P(|Z|<1.96)=P(-1.96