随机变量

Abstract

随机变量（Random Variable）是从样本空间到实数集的一个函数 $X:S\to \mathbb{R}$，它将随机试验的每个可能结果映射为一个实数。随机变量是概率论从”事件概率”走向”数值分析”的关键桥梁，使得我们可以用微积分和代数工具来研究随机现象。随机变量分为离散型和连续型两大类。

定义

随机变量

设 $S$ 是一个样本空间。一个随机变量 $X$ 是从 $S$ 到实数集 $\mathbb{R}$ 的一个函数：

$$X:S\to \mathbb{R}$$

即对于样本空间中的每一个结果 $s\in S$，$X(s)$ 是一个实数。

离散随机变量 $X$ 的取值集合是有限集或可列无限集（即可以排列为 $x_1,x_2,x_3,\dots$）， 则称 $X$ 为离散随机变量。 例如：掷骰子的点数、抛硬币的正面次数、一天内的来电数量等。

若随机变量

连续随机变量 $X$ 可以在某一个或多个区间上取任意实数值， 则称 $X$ 为连续随机变量。 例如：人的身高、灯泡的寿命、温度的测量值等。 连续随机变量的概率分布由概率密度函数（PDF）描述。

若随机变量

核心性质

编号	性质	数学表达 / 说明
1	本质是函数	$X:S\to \mathbb{R}$，将样本空间中的结果映射为实数
2	离散型特征	取值为有限或可列无限个，用概率分布的 PMF 描述
3	连续型特征	取值充满区间，用概率密度函数 PDF 描述
4	期望值	$E(X)={\sum }_{x}x\cdot p(x)$（离散）或 $E(X)={\int }_{-\infty }^{+\infty }x\cdot f(x)dx$（连续）
5	线性性	$E(aX+bY)=aE(X)+bE(Y)$，期望具有线性运算性质
6	独立性	若 $X,Y$ 独立，则 $E(XY)=E(X)\cdot E(Y)$，$V(X+Y)=V(X)+V(Y)$

关系网络

graph LR
    A["样本空间 S"] -->|"X: S → R"| B["随机变量 X"]
    B -->|"离散型"| C["概率质量函数 PMF"]
    B -->|"连续型"| D["概率密度函数 PDF"]
    C -->|"完全描述"| E["概率分布"]
    D -->|"完全描述"| E
    B -->|"数字特征"| F["期望值"]
    B -->|"数字特征"| G["方差"]
    B -->|"数字特征"| H["矩"]
    F -->|"线性性"| I["E[aX+bY]=aE[X]+bE[Y]"]
    B -->|"独立变量"| J["独立性"]

章节扩展

• 期望值：随机变量的”加权平均值”，详见 期望值。$E(X)$ 衡量分布的中心位置。
• 方差：$V(X)=E[(X-\mu {)}^2]$，衡量随机变量取值偏离期望的程度，详见 方差。
• 标准化：$Z=\frac{X-\mu }{\sigma }$ 将随机变量转化为标准形式，$E(Z)=0$，$V(Z)=1$。
• 协方差与相关系数：衡量两个随机变量之间的线性关系。

补充

随机变量是函数，不是"变量"

初学者常被”随机变量”这个名称误导，以为它是一个”会随机变化的量”。 实际上，随机变量是一个确定的函数 $X:S\to \mathbb{R}$。 “随机性”来源于输入——样本空间中的结果是随机的， 而函数 $X$ 本身的映射规则是确定的。 例如，“掷骰子的点数”这个随机变量，映射规则是确定的： 结果”掷出3点”映射为数值3，但每次掷骰子的结果是随机的。

[!info] 离散 vs 连续随机变量的对比

特征	离散随机变量	连续随机变量
取值	有限或可列无限个	区间内的任意实数
描述工具	概率质量函数 PMF	概率密度函数 PDF
求概率	求和 $\sum p(x)$	积分 $\int f(x)dx$
单点概率	$P(X=a)>0$ 可以成立	$P(X=a)=0$ 恒成立
典型例子	掷骰子点数、硬币正面数	身高、温度、时间

参见

• 概率分布：随机变量的概率规律
• 期望值：随机变量的数字特征——均值
• 方差：随机变量的数字特征——离散程度
• 概率：随机变量概率计算的基础
• 伯努利试验：产生二项随机变量的基本试验
• 二项分布：离散随机变量的重要分布类型