Skip to main content

第二章：一维随机变量及其分布

如果说第一章是在学**"算命"（算某一次运气的概率），那第二章就是教你"做大数据分析"**。

它的核心就两个字：数字化。

一、核心思想：把"事情"变成"数字"​

第一章我们还在纠结"硬币正面还是反面"、"下雨还是晴天"。这些是文字描述，没法做加减乘除，没法画函数图像，更没法求导积分。

随机变量（Random Variable, XX） 就是一个翻译官：

  • 它把"正面"翻译成 1。
  • 它把"反面"翻译成 0。
  • 它把"射中靶心"翻译成 10环。

一旦变成了数字，数学家们最擅长的工具（微积分、函数）就可以全用上了。

二、两个阵营：数得清 vs 数不清​

第二章把世界上的随机现象分成了两派。这是这一章的分类逻辑。

1. 离散型（Discrete）—— 台阶式​

  • 特征：结果是一个个孤立的点，像上台阶一样。能用手指头一个个数出来。
  • 例子：抛硬币的次数（1次、2次...）、生孩子的数量（1个、2个...）、电话响的次数。
  • 核心工具：分布律（列表格）。
    • 比如：P(X=1)=0.3,P(X=2)=0.7P(X=1) = 0.3, P(X=2) = 0.7。就像列菜单一样清晰。

2. 连续型（Continuous）—— 滑梯式​

  • 特征：结果是连绵不断的，充满整个区间。你没法数，只能去"量"。
  • 例子：身高（可能是170.0001...）、寿命、温度、灯泡使用时间。
  • 核心工具：概率密度函数（画曲线）。这部分要用到积分，是挂科重灾区。

三、关键难点：三个"魔法道具"​

这一章有三个概念最容易混淆，但必须搞懂，否则后面没法学。

道具 1：分布律（只给离散型用）​

这就是个**"概率清单"**。

  • XX 取 1 的概率是多少？取 2 的概率是多少？
  • 所有概率加起来必须等于 1。
  • 通俗理解：分蛋糕。一块块切好，告诉你每块多大。

道具 2：概率密度函数 f(x)f(x)（只给连续型用）​

这是最难理解的。对于连续变量（比如身高），单点概率是 0！

  • 问：你身高精确等于 175.000000... cm 的概率是多少？
  • 答：0。因为精度无限细分下去，正好踩在那个点上的可能性不存在。

那 f(x)f(x) 是什么？

它是**"概率的浓缩度"**（密度）。

通俗理解：你可以把它想象成地形图。

  • f(x)f(x) 曲线高的地方（山峰），代表大家的身高都集中在那儿（概率大）。
  • f(x)f(x) 曲线低的地方（平地），代表那儿没几个人（概率小）。

怎么算概率？ 必须算面积（积分）。你想知道身高 170-175 的概率，就是求这段曲线下的面积。

道具 3：分布函数 F(x)F(x)（大家都通用）​

  • 定义：F(x)=P(X≤x)F(x) = P(X \le x)。
  • 含义：**"累积"**的概念。
  • 通俗理解：玩游戏时的经验条。xx 从负无穷大走到正无穷大，F(x)F(x) 就把路过的概率全吃进肚子里，从 0 一直吃到 1（满级）。

四、必须要认识的几位"大明星"​

教材里会列出一堆分布，不要死记硬背，要记它们的人设。

离散界的明星​

0-1 分布（伯努利分布）​

  • 人设：抛硬币。
  • 只有两个结果：成功/失败。一切复杂分布的基石。

二项分布 B(n,p)B(n, p)​

  • 人设：做选择题。
  • 你连猜 nn 道题（重复 nn 次伯努利），猜对 kk 次的概率。
P(X=k)=Cnkpk(1−p)n−kP(X=k) = C_n^k p^k (1-p)^{n-k}

泊松分布 P(λ)P(\lambda)​

  • 人设：守株待兔。
  • 单位时间内，发生了 kk 次稀有事件（比如出车祸、电话打进来）的概率。
  • 特点：主要用来算倒霉事或稀奇事。
P(X=k)=λke−λk!P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}

连续界的明星​

均匀分布 U(a,b)U(a, b)​

  • 人设：盲猜。
  • 在一个范围内，落在哪里机会都一样。比如等公交车，车每10分钟一趟，你随机到，等1分钟和等9分钟的概率密度是一样的。
f(x)={1b−a,a≤x≤b0,其他f(x) = \begin{cases} \frac{1}{b-a}, & a \le x \le b \\ 0, & \text{其他} \end{cases}

指数分布 E(λ)E(\lambda)​

  • 人设：无记忆性（电子产品的寿命）。
  • "这个灯泡用了5年没坏，它下一秒坏掉的概率，和它刚出厂时下一秒坏掉的概率是一样的。"（它不记仇，也不积劳）。
f(x)={λe−λx,x≥00,x<0f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}

正态分布 N(μ,σ2)N(\mu, \sigma^2) —— 永远的神（YYDS）​

  • 人设：中庸之道。
  • 图像是钟形曲线（中间高，两头低）。
  • 现实世界 90% 的事情都服从它：人的智商、身高、考试成绩、误差。
f(x)=12πσe−(x−μ)22σ2f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}
  • μ\mu (期望)：决定山峰在哪里（平均水平）。
  • σ\sigma (标准差)：决定山峰是胖还是瘦（大家的差距大不大）。

五、正态分布详解（重中之重）​

正态分布简直就是概率论里的**"神"**。在数学家眼里，它是上帝创造世界时留下的"指纹"。

只有两个"旋钮"控制它​

  1. 位置参数 μ\mu (均值)：决定钟峰在哪里。
  2. 形状参数 σ\sigma (标准差)：决定钟是胖还是瘦。
    • σ\sigma 大：钟很扁平，大家差距大。
    • σ\sigma 小：钟很尖瘦，大家都挤在一起。

3σ 原则（The 3-Sigma Rule）​

这是正态分布最实用的地方：

范围覆盖比例含义
μ±1σ\mu \pm 1\sigma68%普通大众
μ±2σ\mu \pm 2\sigma95%绝大多数人
μ±3σ\mu \pm 3\sigma99.7%超过这个范围的就是妖孽（异常值）

为什么正态分布这么重要？​

回到第五章的中心极限定理 (CLT)：只要一个事情的结果是由无数个微小的、独立的随机因素共同累加造成的，它最终一定服从正态分布。

  • 身高：基因、营养、睡眠、运动... →\rightarrow 正态分布
  • 考试成绩：智商、努力、心态、运气... →\rightarrow 正态分布
  • 测量误差：手抖、尺子热胀冷缩... →\rightarrow 正态分布

六、总结​

第二章其实就是**"兵器谱"**。

  1. 把现实问题数字化（设 XX）。
  2. 看看它是离散的还是连续的。
  3. 从"兵器谱"里挑一个合适的模型（比如它是做题模型，就选二项分布；它是测量误差，就选正态分布）。
  4. 套公式算概率。

这一章的精髓： 别自己瞎算，套用前辈们总结好的经典分布，能解决世间绝大多数问题。