随机变量与分布
从投篮命中等生活实例出发，系统讲解随机变量的定义、分类（离散与连续）、分布列与分布函数、期望与方差，并深入探讨二项分布、正态分布等常见分布。包含详细的图形示意、典型例题和常见误区分析，帮助高二学生构建完整的随机变量知识体系。
一、概念导入：从生活中的随机现象谈起
你是否有过这样的经历：在篮球场上投10次篮，猜自己能中几个？或者掷一枚硬币，想知道投10次出现正面的次数？这些问题的结果是不确定的，但结果本身是一个数值（命中次数、正面次数），这个数值依赖于随机试验的结果，我们称之为随机变量。
随机变量让不确定的试验结果变得可以量化，从而能够用数学工具——概率论——进行分析。在高二阶段，我们将系统学习随机变量及其分布，这是通往统计推断和更高级概率论的关键桥梁。
二、核心讲解：随机变量的定义与分类
1. 随机变量的定义
设随机试验的样本空间为 $\Omega$，如果对于每一个样本点 $\omega \in \Omega$，都有一个实数 $X(\omega)$ 与之对应，那么称 $X$ 为随机变量。简单地说，随机变量就是把随机试验的结果“翻译”成数字的函数。
例如：掷一颗骰子，出现的点数 $X$ 就是一个随机变量，它可以取 1,2,3,4,5,6 这六个值。
2. 离散型随机变量
如果随机变量 $X$ 的所有可能取值是有限个或可列无限多个，则称 $X$ 为离散型随机变量。例如：掷骰子的点数、投篮命中次数、产品的次品件数。
3. 连续型随机变量
如果随机变量 $X$ 的所有可能取值充满某个区间（或整个实数轴），则称 $X$ 为连续型随机变量。例如：灯泡的寿命、人的身高、测量误差。
4. 分布列（概率质量函数）——离散型
对于离散型随机变量，列出所有可能取值 $x_i$ 及其对应的概率 $p_i = P(X=x_i)$ 的表格或公式，称为分布列。它必须满足：
- $p_i \ge 0$
- $\sum_i p_i = 1$
5. 分布函数（累积分布函数）
对于任意随机变量 $X$，函数 $F(x) = P(X \le x)$ 称为 $X$ 的分布函数。它具有以下性质：
- $0 \le F(x) \le 1$
- $F(x)$ 是单调不减函数
- $\lim_{x \to -\infty} F(x) = 0$, $\lim_{x \to +\infty} F(x) = 1$
- $F(x)$ 右连续
对于离散型随机变量，$F(x) = \sum_{x_i \le x} p_i$；对于连续型随机变量，若存在非负函数 $f(x)$ 使得 $F(x) = \int_{-\infty}^{x} f(t) dt$，则称 $f(x)$ 为概率密度函数。
三、分布类型与图形
1. 离散型常见分布
- 两点分布（伯努利分布）：试验结果只有两个，如抛一次硬币。$P(X=1)=p$, $P(X=0)=1-p$。
- 二项分布：$n$ 次独立重复伯努利试验，成功次数 $X \sim B(n, p)$，$P(X=k) = \binom{n}{k}p^k(1-p)^{n-k}$。
- 超几何分布：不放回抽样中，从 $N$ 件产品（$M$ 件次品）中抽取 $n$ 件，次品件数 $X$ 服从超几何分布。
- 泊松分布：用于描述单位时间（或单位面积）内随机事件发生的次数，$X \sim P(\lambda)$，$P(X=k)=\frac{\lambda^k e^{-\lambda}}{k!}$。
2. 连续型常见分布——正态分布
正态分布是自然界最常见的分布，其概率密度函数为： $$f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$ 记为 $X \sim N(\mu, \sigma^2)$，其中 $\mu$ 为均值，$\sigma$ 为标准差。特别地，$\mu=0, \sigma=1$ 时称为标准正态分布 $N(0,1)$，其密度函数通常记为 $\varphi(x)$，分布函数记为 $\Phi(x)$。
四、数学期望与方差
1. 数学期望（均值）
期望描述了随机变量取值的“平均水平”。对于离散型 $X$，$E(X) = \sum_i x_i p_i$；对于连续型 $X$，$E(X) = \int_{-\infty}^{\infty} x f(x) dx$。
性质：$E(aX+b) = aE(X)+b$；$E(X+Y) = E(X)+E(Y)$（线性可加性，$X,Y$ 不独立也成立）。
2. 方差
方差衡量随机变量取值与其期望的偏离程度。定义为 $D(X) = E\{[X-E(X)]^2\}$。推导可得常用公式：$D(X) = E(X^2) - [E(X)]^2$。
标准差 $\sigma(X) = \sqrt{D(X)}$。
性质：$D(aX+b) = a^2 D(X)$；若 $X,Y$ 独立，则 $D(X+Y)=D(X)+D(Y)$。
五、典型例题（由易到难）
例题1（基础）：某射击运动员每次射击命中目标的概率为0.8，他连续射击3次，每次射击结果相互独立。求命中次数 $X$ 的分布列、期望和方差。
解：$X \sim B(3,0.8)$。分布列：
- $P(X=0) = \binom{3}{0}0.8^0 0.2^3 = 0.008$
- $P(X=1) = \binom{3}{1}0.8^1 0.2^2 = 3 \times 0.8 \times 0.04 = 0.096$
- $P(X=2) = \binom{3}{2}0.8^2 0.2^1 = 3 \times 0.64 \times 0.2 = 0.384$
- $P(X=3) = \binom{3}{3}0.8^3 0.2^0 = 0.512$
检验：$0.008+0.096+0.384+0.512=1$。期望 $E(X)=np=3\times0.8=2.4$；方差 $D(X)=np(1-p)=3\times0.8\times0.2=0.48$。
易错点：注意二项分布的方差公式是 $np(1-p)$，不要忘记乘 $(1-p)$。
例题2（中等）：某袋中有5个红球、3个白球，从中不放回地任取4个球。记取出的红球个数为 $X$，求 $X$ 的分布列、期望和方差。
解：这是一个超几何分布问题。总球数 $N=8$，红球数 $M=5$，抽取数 $n=4$。$X$ 可能取值为 2,3,4（因为白球只有3个，所以至少取2个红球）。
- $P(X=2) = \frac{\binom{5}{2}\binom{3}{2}}{\binom{8}{4}} = \frac{10\times3}{70}=30/70=3/7$
- $P(X=3) = \frac{\binom{5}{3}\binom{3}{1}}{\binom{8}{4}} = \frac{10\times3}{70}=30/70=3/7$
- $P(X=4) = \frac{\binom{5}{4}\binom{3}{0}}{\binom{8}{4}} = \frac{5\times1}{70}=5/70=1/14$
检验：$3/7+3/7+1/14 = (6+6+1)/14=13/14$？等等少算了 $P(X=1)$？实际可能取1个红球吗？红球5个，白球3个，取4个球，最多取3个白球，所以至少1个红球，但白球不够，实际上 $X$ 可以取1,2,3,4。修正：$P(X=1) = \frac{\binom{5}{1}\binom{3}{3}}{\binom{8}{4}} = \frac{5\times1}{70}=5/70=1/14$。检查：$1/14+3/7+3/7+1/14 = (1+6+6+1)/14=14/14=1$。
期望 $E(X) = n\frac{M}{N} = 4\times\frac{5}{8}=2.5$；方差 $D(X)= n\frac{M}{N}(1-\frac{M}{N})\frac{N-n}{N-1} = 4\times\frac{5}{8}\times\frac{3}{8}\times\frac{4}{7}= \frac{4\times5\times3\times4}{8\times8\times7}= \frac{240}{448}= \frac{15}{28}$。
易错点：超几何分布中 $X$ 的取值下限由白球数决定，需要仔细分析；方差公式中的修正因子 $\frac{N-n}{N-1}$ 容易遗忘。
例题3（困难）：某次考试的成绩近似服从正态分布 $N(70,100)$（单位：分）。随机抽取一名考生，求：
- 他的成绩低于60分的概率；
- 他的成绩在60分到80分之间的概率；
- 若规定成绩在90分以上为优秀，求优秀率；
- 若需要从高分到低分择优录取前10%的学生，则录取分数线大概是多少？
解：这里 $\mu=70$，$\sigma^2=100$，所以 $\sigma=10$。
- $P(X<60) = \Phi\left(\frac{60-70}{10}\right) = \Phi(-1) = 1-\Phi(1)$。查标准正态分布表得 $\Phi(1)\approx0.8413$，故 $P\approx1-0.8413=0.1587$。
- $P(60 \le X \le 80) = \Phi\left(\frac{80-70}{10}\right) - \Phi\left(\frac{60-70}{10}\right) = \Phi(1)-\Phi(-1)=2\Phi(1)-1 \approx 2\times0.8413-1=0.6826$。
- $P(X>90) = 1-\Phi\left(\frac{90-70}{10}\right)=1-\Phi(2)\approx1-0.9772=0.0228$，即优秀率约2.28%
- 设录取分数线为 $x_0$，需满足 $P(X > x_0)=0.1$，即 $P(X \le x_0)=0.9$。由 $\Phi\left(\frac{x_0-70}{10}\right)=0.9$，查表得 $\frac{x_0-70}{10}\approx1.28$，所以 $x_0=70+12.8=82.8$ 分。即录取分数线约为83分。
易错点：标准化时分子要减均值后除以标准差；使用 $\Phi(-a)=1-\Phi(a)$ 简化计算；查表时注意准确读取分位数。
六、常见误区
- 混淆概率与概率密度：对于连续型随机变量，$f(x)$ 在某一点的值不是概率，概率必须通过积分求得。即 $P(X=a)=0$。
- 遗漏分布列和为1的验证：推导分布列后一定要检查概率和是否为1，这是常见的低级错误。
- 二项分布与超几何分布混淆：有放回（或独立重复）用二项，无放回用超几何，当总体很大时可用二项近似。
- 正态分布标准化方向弄反：$Z=\frac{X-\mu}{\sigma}$，不要写成 $\frac{\mu - X}{\sigma}$。
- 期望与方差性质记错：$D(aX+b)=a^2D(X)$，注意是平方，不是 $a$。
七、学习建议
- 从具体例子入手，先熟悉离散型分布列的计算和验证，再过渡到连续型。
- 多画分布列柱状图和密度曲线，直观理解概率分布的形状。
- 熟记常见分布（二项、超几何、正态）的期望和方差公式，理解推导过程。
- 练习标准正态分布表的查表方法，掌握 $\Phi(-a)=1-\Phi(a)$ 等对称性质。
- 通过编程（如Python的scipy.stats）模拟随机变量，加深印象。
八、知识链接
| 前置知识 | 本讲知识 | 后续知识 |
|---|---|---|
| 排列组合、古典概型 | 随机变量与分布 | 大数定律、中心极限定理 |
| 函数与微积分（连续型） | 概率密度、分布函数 | 参数估计、假设检验 |
| 数列求和、二项式定理 | 二项分布的分布列与期望 | 马尔可夫链、随机过程 |
九、习题自测
- 从一副除去大小王的扑克牌（共52张，4种花色各13张）中随机抽取5张，记红桃的张数为 $X$，求 $X$ 的分布列、期望和方差。
- 已知随机变量 $X \sim N(\mu, \sigma^2)$，且 $P(X \le 3) = 0.8413$，$P(X \ge 5) = 0.1587$，求 $\mu$ 和 $\sigma$。
- 设随机变量 $Y$ 的分布列为 $P(Y=k)=c \cdot \frac{2^k}{k!}, k=0,1,2,\dots$，求常数 $c$ 以及 $E(Y)$、$D(Y)$。
参考答案
- $X$ 服从超几何分布 $N=52,M=13,n=5$，分布列 $P(X=k)=\frac{\binom{13}{k}\binom{39}{5-k}}{\binom{52}{5}}$，$E(X)=5\times\frac{13}{52}=1.25$，$D(X)=5\times\frac{13}{52}\times\frac{39}{52}\times\frac{52-5}{52-1}\approx0.864$。
- 由 $P(X\le3)=0.8413$ 得 $\frac{3-\mu}{\sigma}=1$，由 $P(X\ge5)=0.1587$ 得 $\frac{5-\mu}{\sigma}=1$（因为 $\Phi(1)=0.8413$，$1-\Phi(1)=0.1587$），两式解得 $\mu=4, \sigma=1$。
- 利用 $\sum_{k=0}^{\infty}\frac{2^k}{k!}=e^2$，所以 $c=e^{-2}$。$Y$ 服从泊松分布 $P(2)$，故 $E(Y)=2, D(Y)=2$。