1. 随机变量的概念

顾名思义，随机变量就是“其值随机会而定”的变量。随机变量的反面是“确定性变量”，即其值遵循某种严格的规律的变量，比如从北京到上海的距离。但是从绝对意义上讲，许多通常视为确定性变量的量，本质上都有随机性，只是由于随机性干扰不大，以至在所要求的精度之内，不妨把经作为确定性变量来处理。

根据随机变量其可能取的值的全体的性质，可以把随机变量分为2大类，一类是离散型随机变量，比如检验100件产品中的次品个数；一类是连续型随机变量，比如一个灯泡的寿命。但是连续型变量这个概念只是数学上的抽象，因为任何量都有单位，都只能在该单位下量到一定的精度，所以也一定是离散的，比如灯泡的寿命如果只精确到秒，那它的寿命也是可以离散表示的。

研究随机变量的根本原因是，我们需要研究一些事物身上表现出来的会变动的因子，这些因子的值随机而定，但可能存在某种规律（比如总是取到某些特殊的值），我们需要研究这些规律（比如分布规律），而对这些因子做预测。

2. 离散型随机变量的分布

我们研究随机变量，并不是只关心它能取到哪些值，往往也关心的是它取到某些值的频率如何，即取到该值的概率。这个特性，我们称之为分布。

定义2.1

设X为离散型随机变量，其全部的可能值为{a1,a2,…}，则

称为X的概率函数。且有下面的性质：

X的概率函数给出了：全部概率1是如何在其可能的值之间分配的，所以也把它称为随机变量X的“概率分布”。 因为离散型的随机变量的概率分布通常以一个表的形式给出，所以有时把它称为X的分布表。

定义2.2

设X为一随机变量，则函数

称为X的分布函数。

对离散型随机变量而言，概率函数与分布函数在下述意义下是等价的。

由pi求F(x)是显然的，而由F(x)求pi，只需注意：

对于任何随机变量X，其分布函数F(x)具有下面的一般性质：

1）F(x)是单降非降的：当(x1<x2)时，有F(x1)≤F(x2)；

2）当x→∞时，F(x)→1；当x→–∞时，F(x)→0；

研究分布函数的直接原因是可以根据分布函数求概率，另一个原因我觉得是针对于连续型随机变量，因为它研究取某个值的概率没有意义，所以更多的关心的一个范围，比哪灯光寿命1万小时-1.2万小时的可能性大小，像这样范围内的概率用分布函数更容易求得。

3. 几个常见的离散型分布

3.1. 二项分布

某事件A在一次试验中发生的概率为p。现在把这个试验独立重复n次，以X记A在这n次试验中发生的次数，则n可能的取值为0,1,…,n，我们称随机变量X服从二项分布，记为：X∼B(n,p)，同时这种试验称为伯努利试验。

X=k表示n次试验中，事件A恰好发生了k次，那么一共有(nk)种途径，而且每种途径发生的概率都为pk(1−p)n−k（加法公式）。

在研究连续型随机变量分布后，我们发现二项分布概率分布与高斯分布密度函数曲线一致。

3.2. 泊松分布

若随机变量X可能的取值为0,1,2,…，且概率分布为

则称X服从泊松分布，记为X∼P(λ)，此处λ>0是一常数。

Poisson分布是用来描述稀有事件的概率的，比如：一定时间内红绿灯口发生事故的次数和总机接到电话的次数。

Poisson分布实际上是在n很大，p很小时，二项分布的一个近似：

当p很小时，(1−p)∼e−p[泰勒展开，取前2项]，所以(1−p)n−k∼e−p(n−k)∼e−pn=e−λ

当n很大时，bn,k=n(n−1)…(n−k+1)k!pk(1−p)n−k≈nkpkk!(1−p)n−k=λkk!e−λ

3.3. 超几何分布

设有N个产品，其中有M个不合格品，若从中不放回地随机抽取n个，则其中含有的不合格品的个数X服从超几何分布，记为X∼h(n,N,M)，超几何分布的概率分布列为：

其中r=min{M,n}，且M≤N,n≤N,n,N,M均为正整数

当n?N时，即抽取个数n远小于产品总数N时，每次抽取后体中的不合格率p=M/N改变甚微，所以不放回抽样，可以近似地看成回抽样，这里超几何分布可以用二项分布近似。

3.4. 几何分布

在伯努利试验序列中，记每次试验中事件A发生的概率为p，如果X为事件A首次出现时的试验次数，则X可能取值为1,2,…，称X服从几何分布，记为X∼Ge(p)，其分布列为：

几何分布的无记忆性：设X∼Ge(p)，则对任意正整数m与n有

上面这个公式表明在一系列的事件中，若前m次实验中事件A没有出现，则接下来的n次试验中A仍未出现的概率只与n有关，似乎忘记了前m次试验结果。

3.5. 负二项分布

在伯努利试验序列中，记每次试验中事件A发生的概率为p，如果X为事件A第r次出现时的试验次数，则X可能的取值为r,r+1,…,r+m,…，称X服从负二项分布或巴斯卡分布，记为X∼Nb(r,p)，概率分布为：

4. 连续型随机变量分布

对于连续型变量的概率分布，不能用像离散型变量那种方法去描述。原因在于，这种变量的取值充满一个区间，无法一一排出。若指定一个值a，则变量X恰好是a一丝不差，事实上不可能，即，对于连续型随机变量X而言，在区间内任意一点的概率P(X=xi)=0，但是你要注意虽然概率为0，但是并不是说事件X=xi是不可能事件。

刻画连续型随机变量的概率分布的一个方法是利用概率分布函数，但是在理论和实用上更方便因则更常用的方法，是使用所谓“概率密度函数”或简称密度函数。

定义4.1

设连续性随机变量X有概率分布函数F(x)，则F(x)的层数f(x)=F′(x),称为X的概率密度函数。

连续型随机变量X的密度函数f(x)都具有以下三条基本性质：

1）f(x)≥0

2）∫∞−∞f(x)dx=1

3）对任何常数a<b有P(a≤X≤b)=F(b)−F(a)=∫ba(x)dx

4.1. 正态分布

由中心极限定理可知：

一个变量如果是由大量微小的、独立的随机因素的叠加结果，那么这个变量一定是正态变量。因此很多随机变量可以用正态分布描述或近似描述，譬如测量误差、产品重量、人的身高、年降雨量等。

若随机变量X的密度函数为

p(x)=12π√σe−(x−μ)22σ2,−∞<x<+∞

称X服从正态分布或高斯分布。

当μ=1,σ2=1时，上面的概率密度函数变为

它是正态分布N(0,1)的密度函数。同时被称为标准正态分布，其密度函数与分布函数通常分别被记为φ(x)和Φ(x)。标准正态分布很重要，因为任意的正态分布N(μ,σ2)的计算很容易转化为标准正态分布N(0,1)。

若X∼N(μ,σ2)，则Y=(X−μ)/σ∼N(0,1)

4.2. 均匀分布

若随机变量X的密度函数为

则称X服从区间(a,b)上的均匀分布，记作X∼U(a,b)

4.3. 指数分布

若随机变量X的密度函数为

则称X服从指数分布，记作X∼Exp(λ)

下图显示了指数分布当λ=1（虚线）和λ=2（实线）时的曲线图。f(x)在x=0处不连续。

因为指数分布随机变量只可能取非负实数，所以指数分布被用作各种“寿命”分布，譬如电子元件的寿命，动物的寿命等。

上式表明，如果元件在x时尚表现正常，则的X>x时间内失效率为一个常数λ，也就是说元件在任意时刻突然失效的概率跟它使用了多久没有关系，只与失效率lambda有关。根据后面期望计算得到λ−1就是平均寿命。

指数分布描述的是一种无老化的寿命分布，在实际中是不可能的，因而只是一种近似。对一种元器件在使用初期老化现象很小，所以在这个阶段指数分布描述了其寿命分布情况。而人在50或60岁之前，生理老化而死亡的因素是次要的。排除那些意外情况，人的寿命在这个阶段也是接近指数分布的。

4.4. 威布尔分布

指数分布在寿命问题上忽略了老化问题，如果我们需要考虑老化问题，则显然失效率真应该随时间而上升，不能为常数，比如取为一个x的增函数：λxm，那假若分布函数为F(x)，则有F′(x)/[1−F(x)]=λxm，结合F(0)=0，得出：

取α=m+1(α>1)，并把λ/(m+1)记为λ，得到：

概率密度函数为：

实际上指数分布是威布尔分布当α=1时的特例。

一维随机变量及其概率分布