概率论补充教程——随机变量与分布函数

概述

随机变量与分布函数是概率论的核心内容，是连接随机现象与数学分析的桥梁。本教程系统梳理常见离散分布与连续分布的性质、联合分布与边际分布的关系、条件期望与方差的计算方法等关键知识点，帮助读者建立完整的概率论知识体系。无论是期末复习还是考研备考，这些内容都是必须扎实掌握的基础。

---

知识点一：常见离散分布及其性质

离散型随机变量的取值为有限个或可列无穷多个。以下是几种最重要的离散分布：

1. 伯努利分布（0-1分布）

随机变量 \(X\) 只取 0 和 1 两个值：

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

• 期望：\(E(X) = p\)
• 方差：\(D(X) = pq = p(1-p)\)

应用场景：一次试验的成功/失败、抛硬币的正/反面。

2. 二项分布 \(B(n, p)\)

\(n\) 次独立重复伯努利试验中成功次数的分布：

\(P(X=k) = C_n^k p^k (1-p)^{n-k}, \quad k=0,1,2,\ldots,n\)

• 期望：\(E(X) = np\)
• 方差：\(D(X) = np(1-p)\)

性质：若 \(X \sim B(n_1, p)\)，\(Y \sim B(n_2, p)\) 且独立，则 \(X+Y \sim B(n_1+n_2, p)\)。

例题：某射手命中率为 0.8，独立射击 5 次，求恰好命中 3 次的概率。

\(P(X=3) = C_5^3 \times 0.8^3 \times 0.2^2 = 10 \times 0.512 \times 0.04 = 0.2048\)

3. 泊松分布 \(P(\lambda)\)

\(P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k=0,1,2,\ldots\)

• 期望：\(E(X) = \lambda\)
• 方差：\(D(X) = \lambda\)

重要关系：当 \(n\) 很大、\(p\) 很小、\(np = \lambda\) 适中时，二项分布可用泊松分布近似。

应用场景：单位时间内电话呼叫次数、放射性粒子到达数、稀有事件发生次数。

4. 几何分布

首次成功所需试验次数：

\(P(X=k) = (1-p)^{k-1} p, \quad k=1,2,3,\ldots\)

• 期望：\(E(X) = \frac{1}{p}\)
• 方差：\(D(X) = \frac{1-p}{p^2}\)

无记忆性：\(P(X > m+n \mid X > m) = P(X > n)\)，这是几何分布的独特性质。

---

知识点二：常见连续分布及其性质

连续型随机变量的取值充满一个区间，通过概率密度函数（PDF）描述。

1. 均匀分布 \(U(a, b)\)

\(f(x) = \begin{cases} \frac{1}{b-a}, & a < x < b \\ 0, & \text{其他} \end{cases}\)

• 期望：\(E(X) = \frac{a+b}{2}\)
• 方差：\(D(X) = \frac{(b-a)^2}{12}\)

2. 指数分布 \(Exp(\lambda)\)

\(f(x) = \begin{cases} \lambda e^{-\lambda x}, & x > 0 \\ 0, & x \le 0 \end{cases}\)

• 期望：\(E(X) = \frac{1}{\lambda}\)
• 方差：\(D(X) = \frac{1}{\lambda^2}\)

无记忆性：\(P(X > s+t \mid X > s) = P(X > t)\)，与几何分布类似。

3. 正态分布 \(N(\mu, \sigma^2)\)

\(f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \quad -\infty < x < +\infty\)

• 期望：\(E(X) = \mu\)
• 方差：\(D(X) = \sigma^2\)

标准化：若 \(X \sim N(\mu, \sigma^2)\)，则 \(Z = \frac{X-\mu}{\sigma} \sim N(0,1)\)。

重要性质：

• 正态分布的线性变换仍服从正态分布
• 独立正态变量之和仍服从正态分布
• \(P(\mu - 2\sigma < X < \mu + 2\sigma) \approx 0.9544\)
• \(P(\mu - 3\sigma < X < \mu + 3\sigma) \approx 0.9974\)（3σ 原则）

例题：设 \(X \sim N(2, 4)\)，求 \(P(0 < X < 4)\)。

标准化：\(P(0 < X < 4) = P\left(\frac{0-2}{2} < Z < \frac{4-2}{2}\right) = P(-1 < Z < 1) = 2\Phi(1) - 1 = 2 \times 0.8413 - 1 = 0.6826\)

---

知识点三：分布函数与概率密度函数

分布函数的定义

\(F(x) = P(X \le x), \quad -\infty < x < +\infty\)

基本性质：

1. 单调不减：\(x_1 < x_2 \Rightarrow F(x_1) \le F(x_2)\)
2. 有界性：\(0 \le F(x) \le 1\)
3. 右连续：\(F(x^+) = F(x)\)
4. 边界条件：\(\lim_{x \to -\infty} F(x) = 0\)，\(\lim_{x \to +\infty} F(x) = 1\)

概率计算

利用分布函数计算概率：

\(P(a < X \le b) = F(b) - F(a)\) \(P(X = x_0) = F(x_0) - F(x_0^-)\)

对于连续型随机变量，\(P(X = x_0) = 0\)，因此：

\(P(a < X < b) = P(a \le X \le b) = P(a < X \le b) = F(b) - F(a)\)

密度函数与分布函数的关系

\(F(x) = \int_{-\infty}^{x} f(t) dt, \quad f(x) = F'(x)\)

例题：设随机变量 \(X\) 的密度函数为 \(f(x) = \begin{cases} 2x, & 0 < x < 1 \\ 0, & \text{其他} \end{cases}\)，求分布函数 \(F(x)\)。

当 \(x \le 0\) 时，\(F(x) = 0\)；

当 \(0 < x < 1\) 时，\(F(x) = \int_0^x 2t \, dt = x^2\)；

当 \(x \ge 1\) 时，\(F(x) = 1\)。

\(F(x) = \begin{cases} 0, & x \le 0 \\ x^2, & 0 < x < 1 \\ 1, & x \ge 1 \end{cases}\)

---

知识点四：联合分布与边际分布

二维联合分布函数

\(F(x,y) = P(X \le x, Y \le y)\)

联合密度函数：若存在非负函数 \(f(x,y)\) 使得 \(F(x,y) = \int_{-\infty}^{x} \int_{-\infty}^{y} f(s,t) \, ds \, dt\)，则称 \(f(x,y)\) 为联合密度。

边际分布

从联合分布中"提取"单个变量的分布：

\(f_X(x) = \int_{-\infty}^{+\infty} f(x,y) \, dy, \quad f_Y(y) = \int_{-\infty}^{+\infty} f(x,y) \, dx\)

关键理解：联合分布可以唯一确定边际分布，但边际分布不能唯一确定联合分布！需要额外的条件（如独立性）才能从边际分布恢复联合分布。

独立性

\(X\) 与 \(Y\) 独立 \(\Longleftrightarrow\) \(f(x,y) = f_X(x) \cdot f_Y(y)\) 对几乎所有 \((x,y)\) 成立。

例题：设 \((X,Y)\) 的联合密度为 \(f(x,y) = \begin{cases} 2, & 0 < x < 1, 0 < y < x \\ 0, & \text{其他} \end{cases}\)

边际密度： \(f_X(x) = \int_0^x 2 \, dy = 2x, \quad 0 < x < 1\) \(f_Y(y) = \int_y^1 2 \, dx = 2(1-y), \quad 0 < y < 1\)

验证：\(f_X(x) \cdot f_Y(y) = 2x \cdot 2(1-y) \neq f(x,y)\)，所以 \(X\) 与 \(Y\) 不独立。

---

知识点五：条件期望与条件方差

条件期望

给定 \(Y=y\) 时 \(X\) 的条件期望：

\(E(X \mid Y=y) = \int_{-\infty}^{+\infty} x \cdot f_{X|Y}(x|y) \, dx\)

其中 \(f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}\)（\(f_Y(y) > 0\)）。

全期望公式（重期望公式）

\(E(X) = E[E(X|Y)] = \int_{-\infty}^{+\infty} E(X|Y=y) f_Y(y) \, dy\)

这是概率论中最重要的公式之一，将"总的期望"分解为"条件期望的加权平均"。

全方差公式

\(D(X) = E[D(X|Y)] + D[E(X|Y)]\)

即：总方差 = 条件方差的期望 + 条件期望的方差

例题：设某设备的寿命 \(X\)（年）服从参数为 \(\lambda\) 的指数分布，而 \(\lambda\) 本身是随机变量，服从 \(U(0,2)\) 上的均匀分布。求 \(E(X)\)。

\(E(X|\lambda) = \frac{1}{\lambda}\)

\(E(X) = E\left[\frac{1}{\lambda}\right] = \int_0^2 \frac{1}{\lambda} \cdot \frac{1}{2} \, d\lambda = \frac{1}{2} [\ln \lambda]_0^2\)

注意：\(\ln 0\) 发散，说明此问题需要更精确的条件设定。若 \(\lambda \sim U(1,2)\)，则：

\(E(X) = \int_1^2 \frac{1}{\lambda} \cdot 1 \, d\lambda = \ln 2 \approx 0.693\)

---

练习题

题目一

设 \(X \sim P(3)\)（泊松分布，参数 \(\lambda = 3\)），求 \(P(X \ge 2)\)。

解答：

\(P(X \ge 2) = 1 - P(X=0) - P(X=1) = 1 - e^{-3} - 3e^{-3} = 1 - 4e^{-3}\)

\(= 1 - 4 \times 0.0498 \approx 1 - 0.1991 = 0.8009\)

题目二

设 \(X \sim N(0,1)\)，\(Y = 2X + 3\)，求 \(P(1 < Y < 5)\)。

解答：

\(Y \sim N(3, 4)\)，即 \(\mu = 3\)，\(\sigma = 2\)。

\(P(1 < Y < 5) = P\left(\frac{1-3}{2} < Z < \frac{5-3}{2}\right) = P(-1 < Z < 1) = 0.6826\)

题目三

设随机变量 \(X\) 的分布函数为 \(F(x) = \begin{cases} 0, & x < 0 \\ \frac{x}{2}, & 0 \le x < 1 \\ \frac{x+1}{4}, & 1 \le x < 3 \\ 1, & x \ge 3 \end{cases}\)

求 \(P(X = 1)\) 和 \(P(0.5 < X < 2)\)。

解答：

\(P(X = 1) = F(1) - F(1^-) = \frac{1+1}{4} - \frac{1}{2} = \frac{1}{2} - \frac{1}{2} = 0\)

\(P(0.5 < X < 2) = F(2) - F(0.5) = \frac{2+1}{4} - \frac{0.5}{2} = \frac{3}{4} - \frac{1}{4} = \frac{1}{2}\)

题目四

设 \((X,Y)\) 的联合密度为 \(f(x,y) = \begin{cases} 6xy^2, & 0 < x < 1, 0 < y < 1 \\ 0, & \text{其他} \end{cases}\)，判断 \(X\) 与 \(Y\) 是否独立。

解答：

\(f_X(x) = \int_0^1 6xy^2 \, dy = 6x \cdot \frac{1}{3} = 2x, \quad 0 < x < 1\)

\(f_Y(y) = \int_0^1 6xy^2 \, dx = 3y^2, \quad 0 < y < 1\)

验证：\(f_X(x) \cdot f_Y(y) = 2x \cdot 3y^2 = 6xy^2 = f(x,y)\) ✓

所以 \(X\) 与 \(Y\) 相互独立。

题目五

设 \(X \sim U(0,1)\)，在 \(X=x\) 条件下 \(Y \sim U(0,x)\)（\(0 < x < 1\)），求 \(E(Y)\) 和 \(D(Y)\)。

解答：

条件期望 \(E(Y|X=x) = \frac{x}{2}\)，条件方差 \(D(Y|X=x) = \frac{x^2}{12}\)。

\(E(Y) = E[E(Y|X)] = E\left[\frac{X}{2}\right] = \frac{1}{2} E(X) = \frac{1}{2} \times \frac{1}{2} = \frac{1}{4}\)

\(D(Y) = E[D(Y|X)] + D[E(Y|X)] = E\left[\frac{X^2}{12}\right] + D\left[\frac{X}{2}\right]\)

\(= \frac{1}{12} E(X^2) + \frac{1}{4} D(X) = \frac{1}{12} \times \frac{1}{3} + \frac{1}{4} \times \frac{1}{12} = \frac{1}{36} + \frac{1}{48} = \frac{4+3}{144} = \frac{7}{144}\)

---

总结

本教程系统梳理了概率论中随机变量与分布函数的核心内容：

1. 离散分布：伯努利分布、二项分布、泊松分布、几何分布，各有其适用场景和独特性质（如几何分布的无记忆性）。
2. 连续分布：均匀分布、指数分布、正态分布，其中正态分布是最重要的连续分布，标准化和 3σ 原则是常考内容。
3. 分布函数：是统一描述随机变量概率规律的工具，掌握其四大性质和概率计算方法是基本功。
4. 联合分布与边际分布：理解联合密度→边际密度的积分过程，以及独立性的判定条件。
5. 条件期望与方差：全期望公式和全方差公式是解决复杂概率问题的利器，理解其"分解"思想至关重要。

掌握这些内容，不仅能够应对概率论的各类考试题目，更能为后续学习数理统计、随机过程等课程打下坚实基础。建议结合大量习题练习，加深对分布性质和计算技巧的理解。