随机变量与常见分布 | 自在学

随机变量与常见分布

你已经会用条件概率描述“知道新信息后，概率怎样改变”。这一节往前走一步：如果随机结果本身不是一个数字，我们先把它翻译成数字，再观察这些数字会怎样出现。

比如一次投篮可能进也可能不进，一封邮件可能被点击也可能没有被点击，一次通勤可能花 18 分钟也可能花 42 分钟。随机变量做的事，就是给这些结果安排一个数值；分布做的事，是说明这些数值各自有多可能。

随机结果被映射为数值随机变量

从一个问题开始

一家咖啡店想估计“上午 8 点到 9 点之间，排队顾客会等多久”。店长不只关心某一天的等待时间，而是关心等待时间作为一个随机量的整体规律：大多数时候接近几分钟？偶尔会不会特别久？如果多开一台收银机，等待时间的波动会不会变小？

这里有三个层次：

随机现象：每位顾客到店后会遇到不同队伍。
随机变量：用 $X$ 表示一位顾客的等待时间，单位是分钟。
分布：说明 $X$ 可能取哪些值，以及这些值出现的概率怎样分布。

随机变量不是“会随机变化的字母”，而是一个规则：它把随机结果转成数字。只有变成数字以后，我们才方便比较中心、波动和极端情况。

这句话听起来抽象，但它解决了一个真实问题：现实世界的结果常常不是天生可算的。一次检测是阳性还是阴性，一次广告是否转化，一次设备是否故障，这些都可以先翻译成 1 或 0；等待时间、身高、误差、收入则本来就是数值。

随机变量：把随机结果翻译成数

如果一次随机试验的结果记作 $\omega$ ，随机变量 $X$ 会给每个结果分配一个数 $X(\omega)$ 。入门阶段不需要纠结这个符号，只要抓住“结果到数字”的映射。

随机变量常分成两类。

类型	取值方式	适合描述的情境
离散随机变量	取一个个分开的值	点击或未点击、正面次数、缺陷件数量
连续随机变量	在区间内取值	等待时间、身高、测量误差、温度

离散随机变量可以直接问 $P(X=3)$ 。连续随机变量通常不能问“刚好等于某个值”的概率，因为精确到无限小数的某一点概率通常是 0；我们更常问 $P(10 \le X \le 15)$ 这样的区间概率。

连续随机变量的曲线高度不是概率。概率对应的是曲线下的一段面积，所以“落在某个区间里”才是更自然的问题。

概率分布在说什么

对离散随机变量，分布可以写成表格。假设 $X$ 是一次售后电话的满意评分，可能值是 1、2、3、4、5，每个值对应一个概率。所有概率加起来必须是 1。

对连续随机变量，分布常用曲线描述。曲线下总面积是 1，某个区间下面积就是落入该区间的概率。

例题：把情境改写成随机变量

一家网站记录“一个访客是否完成注册”。如果完成注册记为 1，未完成记为 0。设 $X$ 表示一次访问的注册结果。

先找随机现象。这里的随机现象是“一位访客来到网站后，是否完成注册”，结果有完成和未完成两种。

再规定数值翻译。完成注册记为 $X=1$ ，未完成注册记为 $X=0$ ，这样非数字结果就变成了可以计算的随机变量。

期望与方差：中心和分散

分布告诉我们“哪些值会出现、各有多可能”。接下来最自然的两个问题是：长期看，中心大约在哪里？这些值离中心有多散？

期望回答第一个问题。对离散随机变量，期望是所有可能值按概率加权后的平均。

E(X)=\sum x_i P(X=x_i)

这里的 $x_i$ 是可能取到的值， $P(X=x_i)$ 是取到这个值的概率。期望不是预测下一次一定会出现什么，而是描述很多次重复以后平均会靠近哪里。

期望像概率分布的平衡点

方差回答第二个问题。它把每个值离期望的距离平方后，再按概率平均。

Var(X)=E((X-\mu)^2)

其中 $\mu=E(X)$ 。标准差是方差的平方根，单位会回到原来的单位，所以解释时通常比方差更直观。

例题：两种通勤方案怎么比

方案 A 每天都比较稳定： $X$ 可能是 20、25、30 分钟，概率分别是 0.25、0.50、0.25。方案 B 大多数时候快，但偶尔严重堵车： $Y$ 可能是 15、25、45 分钟，概率分别是 0.45、0.45、0.10。

先算期望：

E(X)=20\times0.25+25\times0.50+30\times0.25=25

E(Y)=15\times0.45+25\times0.45+45\times0.10=22.5

方案 B 的平均时间更短，但它有 10% 的概率到 45 分钟。如果你不能迟到，方差和极端值就很重要；如果你只关心长期平均，方案 B 可能更有吸引力。

期望和方差常常要一起看。期望像“长期中心”，方差像“围绕中心摇晃的幅度”。只看期望，容易忽略风险；只看方差，又可能忘了整体水平。

常见误区

误区一：期望一定是可能出现的值。掷一枚公平硬币，把正面记为 1、反面记为 0，期望是 0.5，但一次结果不会出现 0.5。
误区二：方差越小就一定越好。考试成绩、机器误差、通勤时间里，小波动通常让人安心；但投资收益、创作传播等场景中，较大波动可能意味着更高机会，也可能意味着更高风险。
误区三：同一个平均数说明两组数据差不多。两组数据可以有相同均值，却一组很集中，另一组很分散。

伯努利分布：一次是或否

伯努利分布描述一次只有两种结果的试验。我们把“成功”记为 1，把“失败”记为 0。这里的成功不一定带有好坏含义，只是你关心的事件发生了。

伯努利分布描述一次成功或失败试验

如果 $X$ 服从参数为 $p$ 的伯努利分布，意思是：

P(X=1)=p

P(X=0)=1-p

它的期望和方差是：

E(X)=p

Var(X)=p(1-p)

这些公式有很好的直觉。把发生记为 1、不发生记为 0，长期平均自然会接近发生比例 $p$ 。

适合描述什么

伯努利分布适合一次试验、两种结果的情境：

一件产品是否合格。
一位用户是否点击。
一名学生是否答对某道判断题。
一次检测是否呈阳性。

伯努利分布只描述“一次”。如果你关心 100 位用户中有多少人点击，那已经不是单个伯努利变量，而是多个伯努利试验的成功次数，通常会走向二项分布。

二项分布：固定次数里的成功个数

二项分布描述的是：重复做 $n$ 次相同的伯努利试验，每次成功概率都是 $p$ ，并且各次试验相互独立。随机变量 $X$ 记录成功的次数。

二项分布把多次独立试验中的成功次数作为随机变量

记作：

X\sim Bin(n,p)

刚好成功 $k$ 次的概率是：

P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}

这个式子由三部分组成：选出哪 $k$ 次成功，成功的概率乘起来，失败的概率乘起来。

例题：抽检中缺陷件的个数

某工厂生产的零件中，每件有 2% 的概率存在缺陷。质检员随机抽检 20 件。设 $X$ 表示其中缺陷件的个数。假设每件是否有缺陷可以近似看作独立。

先判断试验结构。每件零件只有“有缺陷”和“无缺陷”两种结果，可以把有缺陷记为成功。

再确认二项分布条件。抽检件数固定为 $n=20$ ，每件缺陷概率近似相同为 $p=0.02$ ，题目允许把不同零件近似看作独立。

二项分布的三个检查点

使用二项分布前，先问三个问题：

检查点	要问的问题	不满足时会怎样
固定次数	一共试验几次是不是提前确定？	如果试到第一次成功才停止，通常不是二项分布
相同概率	每次成功概率是否相同？	如果概率随时间或对象变化，需要更细的模型
独立重复	一次结果是否不影响另一次？	不放回抽样或互相影响时，二项分布可能只是近似

二项分布最常见的误用，是只看到“成功次数”就直接套公式，却忘了检查独立性和相同成功概率。比如从很小的一批产品里不放回抽样，每抽走一件都会改变剩余组成，这时要谨慎。

均匀分布：区间内同等可能

均匀分布描述一种连续情境：在某个区间内，没有哪个等长小段更特殊。若 $X$ 在 $a$ 到 $b$ 之间均匀分布，记作：

X\sim U(a,b)

它的密度是平的：

f(x)=\frac{1}{b-a},\quad a\le x\le b

均匀分布中等长区间有相同概率

“平”不表示每个具体数值有相同的正概率。连续分布里单个点的概率仍然通常是 0。均匀分布真正表达的是：区间长度相同，概率相同。

适合描述什么

均匀分布适合在一个范围内没有额外偏好的情境：

计算机生成 0 到 1 之间的随机数。
一个活动在 10:00 到 10:30 的任意时刻随机开始。
在一条长度为 1 米的线段上随机选一个位置。
初步建模时，把未知但有范围的误差先看成区间内同等可能。

现实数据很少因为“看起来在一个范围内”就自动均匀。均匀分布需要“等长区间同样可能”的理由，而不只是知道最大值和最小值。

正态分布：许多小影响叠加后的连续变化

正态分布也叫钟形分布。它常用来描述连续变量：多数值靠近中心，离中心越远越少见，并且左右大致对称。

正态曲线用均值和标准差描述中心与展开程度

如果 $X$ 服从均值为 $\mu$ 、标准差为 $\sigma$ 的正态分布，记作：

X\sim N(\mu,\sigma^2)

均值 $\mu$ 决定曲线中心，标准差 $\sigma$ 决定曲线宽窄。标准差越大，曲线越扁越宽；标准差越小，曲线越高越窄。

为什么正态分布常见

正态分布常出现在“许多小影响叠加”的情境中。一个人的身高受遗传、营养、环境和测量误差等因素影响；一次测量误差可能由仪器、读数、温度和操作细节共同造成。当每个影响都不独占全局时，总体形状常会接近钟形。

这并不表示所有数据都是正态的。收入、等待时间、城市人口、网页停留时长常常明显偏斜；考试分数也可能因为题目太简单、太难或分层明显而不近似正态。

区间概率与标准化

正态分布的问题常常问“落在某个区间里的概率”。如果要把不同正态分布放在同一把尺子上，可以用标准化：

Z=\frac{X-\mu}{\sigma}

标准化后的 $Z$ 表示某个值离均值有多少个标准差。比如 $Z=2$ 表示比均值高 2 个标准差。

正态曲线中，概率是面积。某一点的曲线高度可以帮助比较“附近密不密”，但它本身不是 $P(X=x)$ 。

如何选择分布

选择分布时，先不要从公式出发，而要从随机机制出发。下面这张图可以当作第一轮筛选。

你关心的问题	常见分布	关键判断
一次事件是否发生	伯努利分布	只有 0 和 1 两种结果
固定 $n$ 次里成功几次	二项分布	固定次数、独立、相同成功概率
区间内任意位置都没有偏好	均匀分布	等长区间概率相同
连续测量围绕中心对称波动	正态分布	多数靠近均值，远离均值逐渐少见

一个简短决策流程

先问结果是不是数值。如果不是，先规定怎样把结果翻译成数字，例如把发生记为 1、不发生记为 0。

再判断取值是离散还是连续。成功次数、缺陷件数量是离散的；等待时间、身高、误差通常是连续的。

接着看随机机制。一次是或否用伯努利；固定次数的成功个数用二项；区间内等长等概率用均匀；许多小影响叠加且大致对称时考虑正态。

最后检查条件。分布是模型，不是标签。条件不满足时，可以把它当近似，但要知道近似在哪里可能失效。

好的分布选择，通常不是“这个公式我会用”，而是“这个随机机制和题目真的相像”。先看机制，再算概率。

练习

练习 1：随机变量是什么类型

判断下列随机变量是离散还是连续，并说明理由。

一天内客服中心接到的投诉数量。
一位顾客从进店到结账的等待时间。
20 道选择题中答对的题数。
随机抽取一台机器，记录它的运行噪声分贝值。

练习 2：应该用哪种分布

为下列情境选择伯努利分布、二项分布、均匀分布或正态分布中较合适的一种，并说出关键理由。

一封促销邮件是否被某位用户打开。
随机数生成器产生 0 到 1 之间的一个数。
在 50 件独立生产的零件中，有多少件通过最终检测。
同一把尺子反复测量同一物体长度时产生的小误差。

练习 3：二项分布计算

某 App 的新用户有 30% 的概率在第一天完成一次分享。随机观察 8 位新用户，设 $X$ 表示完成分享的人数。求 $P(X=3)$ 的表达式，并解释 $n$ 、 $p$ 、 $k$ 分别是什么。

练习 4：期望不是下一次结果

一枚不均匀硬币正面概率是 0.6。正面记为 1，反面记为 0。求 $E(X)$ ，并说明为什么它不是“下一次会出现 0.6”。

练习 5：识别误用

有人说：“这批顾客等待时间在 0 到 20 分钟之间，所以它服从均匀分布。”这句话哪里不够严谨？