概率论与数理统计教程(二)-随机变量及其分布01：随机变量及其分布

为了进行定量的数学处理, 必须把随机现象的结果数量化.
这就是引进随机变量的原因.随机变量概念的引进使得对随机现象的处理更简单与直接,
也更统一而有力.本章我们将主要讨论一维随机变量及其分布.
§ 2.1 随机变量及其分布
在第一章中我们曾提及随机变量,在那里我们把
"用来表示随机现象结果的变量"称为随机变量, 其中"表示"一词的含义是什么?
这是要进一步探讨的问题.
2.1.1 随机变量的概念
在随机现象中有很多样本点本身就是用数量表示的,
由于样本点出现的随机性,其数量呈现为随机变量, 譬如
- 郑一颗骰子,出现的点数 $X$ 是一个随机变量.
- 每天进人某超市的顾客数 $Y$, 顾客购买商品的件数 $U$,
顾客排队等候付款的时间 $V$, 这里 $Y,U,V$ 是三个不同的随机变量.
- 电视机的寿命 $T$ 是一个随机变量.
- 测量的误差 $\epsilon$ 是一个随机变量.
在随机现象中还有不少样本点本身不是数,
这时可根据研究需要设置随机变量,臂如
- 检查一个产品, 只考察其合格与否, 则其样本空间为 Ω = { \Omega=\{ Ω={ 合格品,
不合格品 $\}$.这时可设置一个随机变量 $X$ 如下:

---

合格品    $\longrightarrow$

不合格品 $⟶$
点 0
的取值

---

在此 $X$ 就是 “检查一个产品中不合格品数”, 它仅可能取值 0 与 1.
若此种产品的不合格品率为 $p$, 则 $X$ 取各种值及其概率可列表如下:
$X$ 0 1

---

$P$ $1-p$ $p$
- 检查三个产品, 则有 8 个样本点, 若记 $X$ 为 “三个产品中的不合格品数”,
则 $X$的取值与样本点之间有如下对应关系:
样本点 $X$ 的取值

---

${\omega }_1=(0,0,0)$ $⟶$ 0
${\omega }_2=(1,0,0)$ $⟶$ 1
${\omega }_3=(0,1,0)$ $⟶$ 1
${\omega }_4=(0,0,1)$ $⟶$ 1
${\omega }_5=(0,1,1)$ $⟶$ 2
${\omega }_6=(1,0,1)$ $⟶$ 2
${\omega }_9=(1,1,0)$ $⟶$ 2
${\omega }_8=(1,1,1)$ $⟶$ 3
这样 $X$ 取各种值就是如下的互不相容的事件:
{ X = 0 } = { ω 1 } , { X = 1 } = { ω 2 , ω 3 , ω 4 } , { X = 2 } = { ω 5 , ω 6 , ω 7 } , { X = 3 } = { ω 8 } . \begin{array}{ll} \{X=0\}=\left\{\omega_{1}\right\}, & \{X=1\}=\left\{\omega_{2}, \omega_{3}, \omega_{4}\right\}, \\ \{X=2\}=\left\{\omega_{5}, \omega_{6}, \omega_{7}\right\}, & \{X=3\}=\left\{\omega_{8}\right\} . \end{array} { X=0}={ ω1​},{ X=2}={ ω5​,ω6​,ω7​},​{ X=1}={ ω2​,ω3​,ω4​},{ X=3}={ ω8​}.​

若此种产品的不合格品率为 $p$, 则 $X$ 取各种值的概率可列表如下:
$X$ 0 1 2 3

---

$P$ $(1-p{)}^3$ $3p(1-p{)}^2$ $3p^2(1-p)$ $p^3$
下面我们给出随机变量的一般定义.
定义 2.1.1 定义在样本空间 $\Omega$ 上的实值函数 $X=X(\omega )$
称为随机变量, 常用大写字母 $X,Y,Z$ 等表示随机变量, 其取值用小写字母
$x,y,z$ 等表示.
假如一个随机变量仅可能取有限个或可列个值, 则称其为离散随机变量.
假如一个随机变量的可能取值充满数轴上的一个区间 $(a,b)$,
则称其为连续随机变量, 其中 $a$可以是 $-\infty ,b$ 可以是 $\infty$.
这个定义表明: 随机变量 $X$ 是样本点 $\omega$ 的一个函数,
这个函数可以是不同样本点对应不同的实数, 也允许多个样本点对应同一个实数.
这个函数的自变量 (样本点) 可以是数, 也可以不是数,但因变量一定是实数.
与微积分中的变量不同, 概率论中的随机变量 $X$ 是一种
“随机取值的变量且伴随一个分布”. 以离散随机变量为例, 我们不仅要知道 $X$
可能取哪些值, 而且还要知道它取这些值的概率各是多少, 这就需要分布的概念.
有没有分布是区分一般变量与随机变量的主要标志.
2.1.2 随机变量的分布函数
随机变量 $X$ 是样本点 $\omega$ 的一个实值函数, 若 $B$
是某些实数组成的集合, 即 $B\subset \mathbf{R}$, $\mathbf{R}$
表示实数集, 则 { X ∈ B } \{X \in B\} { X∈B} 表示如下的随机事件
{ ω : X ( ω ) ∈ B } ⊂ Ω . \{\omega: X(\omega) \in B\} \subset \Omega . { ω:X(ω)∈B}⊂Ω.
特别, 用等号或不等号把随机变量 $X$ 与某些实数连接起来, 用来表示事件. 如
{ X ⩽ a } \{X \leqslant a\} { X⩽a} 、 { X > b } \{X>b\} { X>b} 和 { a < X < b } \{a<X<b\} { a<X<b} 都是随机事件. 具体有
- 记 $X$ 表示掷一颗骰子出现的点数, 则 $X$ 的可能取值为
$1,2,\cdots ,6$. 这是一个离散随机变量. 事件 $A=$ "点数小于等于 3 ",
可以表示为 A = { X ⩽ 3 } A=\{X \leqslant 3\} A={ X⩽3}.
- 记 $Y$ 表示一天内到达某商场的顾客数, 则 $Y$ 的可能取值为
$0,1,2,\cdots ,n,\cdots$. 这也是一个离散随机变量. 事件 $B=$ “至少来
1000 位顾客”, 可以表示为 B = { Y ⩾ 1000 } B=\{Y \geqslant 1000\} B={ Y⩾1000}.
- 记 $T$ 表示某种电器产品的使用寿命, 则 $T$ 的可能取值充满区间
$[0,\infty )$. 这是一个连续随机变量. 事件 $C=$ “使用寿命在 40000 至
50000 小时之间”, 可以表示为 $C=$
{ 40000 ⩽ T ⩽ 50000 } \{40000 \leqslant T \leqslant 50000\} { 40000⩽T⩽50000}.
为了掌握 $X$ 的统计规律性, 我们只要掌握 $X$ 取各种值的概率. 由于
{ a < X ⩽ b } = { X ⩽ b } − { X ⩽ a } , { X > c } = Ω − { X ⩽ c } , \begin{array}{l} \{a<X \leqslant b\}=\{X \leqslant b\}-\{X \leqslant a\}, \\ \{X>c\}=\Omega-\{X \leqslant c\}, \end{array} { a<X⩽b}={ X⩽b}−{ X⩽a},{ X>c}=Ω−{ X⩽c},​

因此只要对任意实数 $x$, 知道了事件 { X ⩽ x } \{X \leqslant x\} { X⩽x} 的概率就够了,
这个概率具有累积特性, 常用 $F$ 表示. 另外这个概率与 $x$ 有关, 不同的
$x$, 此累积概率的值也不同, 为此记
$$F(x)=P(X⩽x),$$
于是 $F(x)$ 对所有 $x\in (-\infty ,\infty )$ 都有定义, 因而 $F(x)$
是定义在 $(-\infty ,\infty )$ 上、取值于 $[0$, $1]$ 的一个函数.
这就是我们下面要引人的分布函数.
定义 2.1.2 设 $X$ 是一个随机变量, 对任意实数 $x$, 称
$$F(x)=P(X⩽x)$$
为随机变量 $X$ 的分布函数. 且称 $X$ 服从 $F(x)$, 记为 $X\sim F(x)$.
有时也可用 $F_X(x)$ 以表明是 $X$ 的分布函数 (把 $X$ 写成 $F$ 的下标).
例 2.1.1 向半径为 $r$ 的圆内随机抛一点, 求此点到圆心之距离 $X$
的分布函数 $F(x)$, 并求 $P\left(X>\frac{2r}{3}\right)$.
解 事件 " $X⩽x$ " 表示所抛之点落在半径为
$x(0⩽x⩽r)$ 的圆内, 故由几何概率知
$$F(x)=P(X⩽x)=\frac{\pi x^2}{\pi r^2}={\left(\frac{x}{r}\right)}^2,$$
而当 $x<0$ 时,有 $F(x)=0$; 当 $x>r$ 时, 有 $F(x)=1$.
从而
$$P\left(X>\frac{2r}{3}\right)=1-P\left(X⩽\frac{2r}{3}\right)=1-F\left(\frac{2r}{3}\right)=1-{\left(\frac{2}{3}\right)}^2=\frac{5}{9}.$$
从分布函数的定义可见, 任一随机变量 $X$ (离散的或连续的)
都有一个分布函数.有了分布函数, 就可据此算得与随机变量 $X$
有关事件的概率. 下面先证明分布函数的三个基本性质.
定理 2.1.1 任一分布函数 $F(x)$ 都具有如下三条基本性质:
(1) 单调性 $F(x)$ 是定义在整个实数轴 $(-\infty ,\infty )$
上的单调非减函数, 即对任意的 $x_1<x_2$, 有
$F\left(x_1\right)⩽F\left(x_2\right)$.
(2) 有界性 对任意的 $x$, 有 $0⩽F(x)⩽1$, 且
$$F(-\infty )=\underset{x\to -\infty }{\lim }F(x)=0,$$
$$F(\infty )=\underset{x\to \infty }{\lim }F(x)=1.$$
(3) 右连续性 $F(x)$ 是 $x$ 的右连续函数, 即对任意的 $x_0$, 有
$$\underset{x\to x_0+0}{\lim }F(x)=F\left(x_0\right),$$
即
$$F\left(x_0+0\right)=F\left(x_0\right).$$
证明 (1) 是显然的, 下证 (2). 由于 $F(x)$ 是事件 { X ⩽ x } \{X \leqslant x\} { X⩽x}
的概率, 所以 $0⩽$ $F(x)⩽1$. 由 $F(x)$ 的单调性知,
对任意整数 $m$ 和 $n$, 有
$$\underset{x\to -\infty }{\lim }F(x)=\underset{m\to -\infty }{\lim }F(m),\underset{x\to \infty }{\lim }F(x)=\underset{n\to \infty }{\lim }F(n)$$
都存在. 又由概率的可列可加性得
1 = P ( − ∞ < X < ∞ ) = P ( ⋃ i = − ∞ ∞ { i − 1 < X ⩽ i } )