离散型随机变量及其分布列

官官方数学老师·10 页·深入（追求细节与边界）·0 次浏览·3 天前
✦ 离散型随机变量及其分布列数学离散型随机变量及其分布列随机变量
随机变量分布列常见分布

离散型随机变量及其分布列

从构造到边界：搞懂分布列的逻辑、常见分布族与易错细节

按 空格/→ 演示下一步

1 / 10 页

全部页面点击任意一页，跳回舞台从这页播放

随机变量分布列常见分布

离散型随机变量及其分布列

从构造到边界：搞懂分布列的逻辑、常见分布族与易错细节

1第 1 页 · 离散型随机变量及其分布列

根据情境建立随机变量

抛两枚硬币，你关心的是「正面次数」还是「第二枚是否正面」？同一试验，随机变量不同，回答的问题就不同。建立随机变量，就是把「自然语言的问题」翻译成「可计算的概率问题」。

本质：从 Ω 到 ℝ 的函数
每个样本点 ω 对应一个实数 X(ω)，把随机结果数值化
四步建立法
明确试验 → 列举样本点 → 选定观测对象 → 定义对应数值
同一 Ω，多种 X
试验不变，随机变量可以不同；选哪个 X 取决于你想回答什么问题
值域必须可列
离散型要求 X(Ω) 是有限集或可列无限集，否则就退化为连续型
把一篇中文文章译成英文对应 →建立随机变量

原文（Ω）是中文现象，译文（实数）是另一种表达；同一原文可有多版译文，但翻译规则必须明确

X:Ω→R,X(ω)∈RX:\Omega \to \mathbb{R},\quad X(\omega)\in \mathbb{R}
2第 2 页 · 根据情境建立随机变量

利用分布列计算概率

质检员记录10件产品中的次品数：先看次品数能取哪些值，再把对应概率相加。前页已建立分布列，现在把它变成事件概率的计算器。

读懂分布列
第i项给出p_i=P(X=x_i)，所有p_i非负，且总和为1。
翻译目标事件
把“P(X落入A)”写成{X∈A}，再列出所有符合条件的x_i。
筛选后求和
只把属于A的取值代入：P(X∈A)=∑_{x_i∈A}p_i。
补集反向计算
若A^c表示A不发生，则P(A^c)=1−P(A)，可快速核对。
不重复计算
多个样本点若对应同一个x，它们已在p_i中合并，列式时只按x_i加一次。
带概率的菜单对应 →按分布列算事件

菜名对应X的取值，概率栏对应p_i；只把满足点单条件的取值概率相加。

P(X∈A)=∑xi∈Api,pi=P(X=xi)≥0,∑ipi=1P(X\in A)=\sum_{x_i\in A}p_i,\quad p_i=P(X=x_i)\ge 0,\quad \sum_i p_i=1
3第 3 页 · 利用分布列计算概率

随机变量

上一节我们用分布列算了 P(X=4)。回到 X 本身：它不是会跳来跳去的数字，而是从样本空间 Ω 到实数集 ℝ 的映射。这是理解随机变量的关键。

本质是函数
X 把 Ω 中每个样本点 ω 映成一个实数 X(ω)=x，是映射而非普通变量
随机性来源
X 作为函数本身是确定的，真正随机的是自变量 ω∈Ω
表示约定
随机变量用大写 X, Y, Z；具体取值用小写 x, y, z
离散与连续
值域可一一列出为离散型（如掷骰子），值域连续为连续型（如测身高）
给每个人发学号对应 →随机变量 X

名字是抽象符号，学号是数字——X 把抽象的样本点 ω 编号成可运算的数字 X(ω)

X:Ω→R, X(ω)=xX: \Omega \to \mathbb{R},\ X(\omega)=x
4第 4 页 · 随机变量

离散型随机变量

上一页我们用掷骰子引入随机变量 X:Ω→ℝ——但 X(ω)=骰子点数 为什么被「叫做」离散型？这一页深入它的严格定义与关键边界。

取值可列
X(ω) 所有可能取值能用下标 i=1,2,3… 一一列出
事件化写法
P(X=xᵢ) 等价于 P({ω∈Ω: X(ω)=xᵢ})，把取值翻成事件
Ω 不必可列
样本空间 Ω 本身可不可列都行，只约束 X 落到的值
典型应用
骰子点数、抛硬币、某时段内顾客到达人数等
电梯按钮的楼层对应 →离散型随机变量取值

1、2、3…只能停在整数层；连续型像滑梯可停在任意位置

P(X=xi)=P({ω∈Ω:X(ω)=xi})P(X = x_i) = P(\{\omega \in \Omega : X(\omega) = x_i\})
5第 5 页 · 离散型随机变量

随机变量的分布列

上一节我们用'取值—概率'表算出了具体概率。但光会算还不够：要确认这张表本身合法、能唯一代表一个随机变量，需要满足两条铁律。下面看分布列的完整定义与合法性条件。

定义
列出 X 的所有可能取值 xi 与对应概率 Pi
非负性
每项 Pi ≥ 0，概率不可为负
归一性
所有 Pi 之和等于 1
完备刻画
知道分布列 = 掌握 X 的全部概率信息
班级成绩频次分布表对应 →随机变量的分布列

每行一个分数+对应比例，加起来正好 1；拿到这张表就能算及格率、优秀率等一切概率问题

P(X=xi)=pi≥0,∑ipi=1P(X=x_i)=p_i\geq 0,\quad \sum_{i} p_i=1
6第 6 页 · 随机变量的分布列

两点分布(0-1分布)

前面我们建的随机变量可能取很多值，但很多场景其实只有'是'与'否'两种结果：抛硬币的正反、灯泡合格与否、抽奖有没有中。这类最简的分布，就是两点分布。

两点分布定义
离散型随机变量X只取两个不同的取值，其余值的概率均为0
标准0-1形式
总可变换记作X∈{0,1}，P(X=1)=p，P(X=0)=1-p
参数与边界
p∈[0,1]；p=0或1时X退化为常数，分布失去随机性
典型应用
单次伯努利试验的结果，如抛硬币、产品抽检是否合格
抛硬币对应 →两点分布

正面→1、反面→0，p就是硬币正面向上的概率

(011−pp)\begin{pmatrix} 0 & 1 \\ 1-p & p \end{pmatrix}
7第 7 页 · 两点分布(0-1分布)

概率分布列的性质

上页两点分布里 p 加 (1-p) 正好等于 1；掷骰子六个面加起来也等于 1——这不是巧合，是所有分布列共同遵守的两条铁律。

非负性
每个概率值 P(X=xᵢ) ≥ 0，不可能出现负概率
归一性
所有可能取值的概率之和恰好等于 1，少一不行、多一不行
验证与反求
这两条是判断分布列是否合法的充要条件，也可用来反求未知参数
把整块披萨切完分掉对应 →概率分布列的两条性质

整块披萨=总量1不能多不能少；每份大小≥0不能为负；切完正好=1才是合法分布

P(X=xi)≥0,∑iP(X=xi)=1P(X=x_i) \geq 0,\quad \sum_{i} P(X=x_i) = 1
8第 8 页 · 概率分布列的性质

本节要点

  • ✓变量化思维：用数值描述随机现象的取值与概率
  • ✓分布列是变量的「身份证」，完整刻画取值与概率
  • ✓非负性 + 归一性，验证分布列的两条铁律
  • ✓0-1分布是离散分布的「积木」，可叠加构造复杂分布
  • ✓概率问题先列分布列，是最稳的解题起手式
延伸主题：期望与方差：刻画分布的集中与离散二项分布：n次独立伯努利试验的叠加分布函数：从离散走向连续的桥梁
9第 9 页 · 本节要点

课后思考

先独立思考，再对照参考答案。开放题没有标准答案，重要的是思考路径。

1为什么分布列要求所有概率之和恰好等于 1？如果某事件没被列出来，意味着什么？

参考答案和为 1 源于随机变量必取遍所有可能取值——概率不会凭空消失。未列出的事件，要么概率为 0，要么是你的分布列漏了一个取值。

2射手命中率为 0.8，单次射击的分布列怎么写？如果改成'独立射击 3 次'呢？

参考答案单次'是否命中'是两点分布：P(X=1)=0.8, P(X=0)=0.2。三次射击若问'命中次数'，取值 0/1/2/3 共四种，是新分布。

3两点分布要求'两点'；如果某变量有三个取值，但其中一个概率为 0 退化成两点，还能叫两点分布吗？

参考答案形式上可套用两点分布公式，但本质是退化情形。可与必然/不可能事件对照：'退化的两点分布'与'单点分布'边界在哪？

10第 10 页 · 课后思考