1 基本概念
1.1 随机变量的定义
随机变量是概率论中将随机试验结果转化为数值的一类基本工具。它并不表示“随机地产生的变量”这一日常含义，而是指在给定样本空间上，对每个随机结果赋予一个实数值的函数。借助这一对应关系，原本难以直接比较和计算的随机现象就能进入代数和分析的框架。
1.1.1 样本空间与映射关系
样本空间是随机试验所有可能结果的集合。随机变量通过一个映射，把样本空间中的每个样本点对应到实数轴上的一个数值。比如在掷骰子试验中，样本点可以是“1点”“2点”等结果，而随机变量可以定义为“点数”，从而把试验结果直接表示成数字。
1.1.2 可测性与随机变量的严格定义
在严格的数学表述中，随机变量是定义在概率空间上的可测函数。可测性保证了“随机变量取值落在某个区间内”这类事件是可以讨论概率的，从而使概率理论能够稳定地建立在集合论与测度论基础之上。这一定义是后续研究分布、期望和极限定理的前提。
1.2 随机变量的作用
1.2.1 将随机现象数值化
随机变量的首要作用，是把抽象的随机过程转换为可计算的数值对象。例如，将天气状态编码为温度、将试验结果编码为成功次数，便可使用统计量和函数工具进行分析。这种数值化处理，使概率论能够直接服务于工程、经济和自然科学。
1.2.2 便于建立概率模型
许多实际问题都依赖随机变量构建模型。通过对变量的分布、期望和波动程度进行描述，可以刻画系统的不确定性，并据此做出预测或决策。无论是排队系统、质量控制，还是收益评估，随机变量都是模型表达的基本单元。
1.3 随机变量的表示方式
1.3.1 大写与小写符号约定
概率论中通常用大写字母表示随机变量，如X、Y、Z；用小写字母表示它们的具体取值，如x、y、z。这种记号约定有助于区分“变量本身”和“变量所取的值”，在写联合分布、条件概率或变换公式时尤为重要。
1.3.2 取值与事件的对应关系
随机变量的取值与事件之间存在紧密联系。例如，“X不超过a”表示为事件{X≤a}，其概率可直接由分布函数给出。通过这种方式，数值判断转化为事件判断，进而可用概率语言统一处理。
2 随机变量的分类
2.1 离散型随机变量
2.1.1 可列取值集合
离散型随机变量只取有限个或可列无穷个值。其典型特征是每个可能取值都可以单独列出，并且常常与“计数”有关，例如次数、人数、故障件数等。这类变量的概率通常用概率质量函数来描述。
2.1.2 典型示例
常见的离散型随机变量包括抛硬币中正面出现的次数、一天内来访人数、某设备在固定时间内的故障次数等。这些情形的结果虽然带有随机性，但结果集合清晰，适合用离散分布进行建模。
2.2 连续型随机变量
2.2.1 取值区间与密度函数
连续型随机变量通常在某个区间上取值，甚至可以在整个实数轴上取值。单个点的概率往往为零，其概率主要通过概率密度函数在区间上的积分来表示。温度、长度、时间和误差值等，常属于这一类型。
2.2.2 典型示例
测量误差、物体重量、信号幅值、等待时间等都常被视为连续型随机变量。它们的变化呈现连续性，难以用有限几个离散点完整描述，因此更适合采用密度曲线和积分概率来分析。
2.3 混合型随机变量
2.3.1 离散部分与连续部分
混合型随机变量同时包含离散概率质量和连续分布成分。也就是说，它可能在某些特殊点上具有正概率，同时在其他区间内又服从连续分布。这种结构比纯离散或纯连续更灵活，也更贴近一些现实数据特征。
2.3.2 实际应用中的常见场景
在保险理赔、设备寿命分析和部分金融损失模型中，混合型随机变量较为常见。例如，某些事件可能“完全无损失”或“发生一定离散金额的赔付”，而一旦超过门槛，损失又表现为连续分布。这类情形常需要混合建模。
3 分布函数与概率分布
3.1 分布函数的定义
分布函数描述随机变量取值不超过某个数时的概率，记为F(x)=P(X≤x)。它几乎是研究单个随机变量时最基础的工具，因为它统一适用于离散型、连续型和混合型随机变量。
3.1.1 累积分布函数的性质
累积分布函数具有单调不减、右连续、极限明确等基本性质。一般而言，当x趋于负无穷时，分布函数趋于0；当x趋于正无穷时，趋于1。这些性质保证了它能够完整刻画随机变量的分布信息。
3.1.2 分布函数的图像特征
离散型随机变量的分布函数通常表现为阶梯状；连续型随机变量的分布函数则多为平滑上升曲线；混合型则兼具跳跃与连续上升部分。图像形态往往能直观反映变量类型及其概率结构。
3.2 概率质量函数
3.2.1 离散型随机变量的分布表示
概率质量函数用于描述离散型随机变量每个取值对应的概率，记作p(x)=P(X=x)。只要所有取值的概率总和为1，就构成完整的离散分布表示。它常用于计数过程和枚举型随机实验。
3.2.2 取值概率的计算
离散型随机变量某一事件的概率，通常可以通过对相关取值的概率求和得到。例如，若要求“X大于等于k”的概率，就可把所有满足条件的点的概率相加。这种求法简洁直接，适合小规模离散模型。
3.3 概率密度函数
3.3.1 连续型随机变量的分布表示
概率密度函数用于描述连续型随机变量的概率分布，记作f(x)。密度本身并不等于某点概率，而是表示单位区间上的概率集中程度。分布函数通常可由密度函数积分得到，因此二者紧密相连。
3.3.2 密度与区间概率
对于连续型随机变量，区间概率可通过对密度函数积分获得，即P(a≤X≤b)=∫[a,b]f(x)dx。若区间很小，密度值可直观反映概率分布的“厚薄”程度，因而在统计建模中具有重要意义。
3.4 常见概率分布
3.4.1 二项分布
二项分布描述固定次数独立重复试验中，成功次数的分布。它最典型的应用是“每次试验只有成功或失败两种结果”的情形，如质量抽检、点击次数或硬币试验。其参数通常为试验次数和单次成功概率。
3.4.2 泊松分布
泊松分布常用于刻画单位时间、单位区域或单位长度内事件发生的次数。它适合描述稀有事件的计数，如到达次数、故障次数或缺陷数。其特点是参数单一，且在实际建模中便于与时间强度联系起来。
3.4.3 正态分布
正态分布是概率论和统计学中最重要的连续分布之一，呈钟形曲线。许多自然和测量现象在适当条件下可近似服从正态分布，因而它广泛出现在误差分析、抽样理论和参数估计中。
3.4.4 指数分布
指数分布常用于描述事件等待时间或寿命时间，具有无记忆性这一重要性质。它在排队论、可靠性分析和随机过程研究中十分常见，能够简洁地刻画“下一次事件发生前的等待时长”。
4 随机变量的数字特征
4.1 数学期望
4.1.1 离散型随机变量的期望
离散型随机变量的期望是各取值与其概率的加权平均，反映变量的平均水平。它不是一次试验的具体结果，而是长期重复实验下的平均趋势。该概念在决策分析和风险评估中具有基础地位。
4.1.2 连续型随机变量的期望
对于连续型随机变量，期望通过密度函数的积分定义。它同样表示分布的中心趋势，但计算方式由求和变为积分。若积分绝对可积，则期望存在且可用于描述变量的平均位置。
4.2 方差与标准差
4.2.1 离散程度的度量
方差衡量随机变量相对于均值的波动程度，标准差则是方差的平方根，具有与原变量相同的量纲。二者越大，说明分布越分散；越小，则表示取值更集中。它们是分析不确定性的重要指标。
4.2.2 计算公式与性质
方差可由E[(X-E[X])²]定义，也可写成E[X²]-(E[X])²。它总是非负，并对平移和缩放具有明确的变换规律。标准差则便于直观比较不同变量的波动大小，因此在统计报告中常被优先使用。
4.3 高阶矩与偏度峰度
4.3.1 原点矩与中心矩
高阶矩用于刻画分布更细致的数值特征。原点矩是关于零点的幂平均，中心矩则是关于均值的幂平均。随着阶数升高，矩所反映的信息从位置和离散程度逐步扩展到形状特征。
4.3.2 分布形状的刻画
偏度用于描述分布的偏斜方向与程度，峰度则用于反映分布尾部厚度和尖峭程度。它们能补充均值和方差无法表达的信息，帮助判断分布是否对称、是否存在长尾或尖峰现象。
5 多随机变量理论
5.1 联合随机变量
5.1.1 联合分布函数
当研究多个随机变量时，需要使用联合分布函数来描述它们同时取值的概率结构。联合分布函数给出多个变量分别不超过某些阈值时的联合概率，是多维概率分析的起点。
5.1.2 联合概率分布
联合概率分布可以是联合概率质量函数，也可以是联合密度函数，取决于变量类型。它反映多个随机变量之间的整体依赖结构，是研究相关性、条件关系和多元建模的核心工具。
5.2 边缘分布
5.2.1 联合分布到边缘分布的求取
边缘分布是从联合分布中“抽出”某一个变量单独得到的分布。离散情形下通常通过求和得到，连续情形下则通过积分得到。它保留了单个变量自身的概率特征，同时忽略了其他变量的具体信息。
5.2.2 边缘分布的意义
边缘分布能够回答“只看一个变量时，它服从什么样的概率规律”这一问题。虽然它不包含联合依赖的信息，但在许多实际分析中，先了解边缘行为再研究变量间关系，是一种常见而有效的步骤。
5.3 条件分布
5.3.1 条件概率分布
条件分布是在给定另一个随机变量取某一值或落入某一区间后，目标变量的分布情况。它体现了信息更新后的概率结构，适用于描述观测结果、筛选样本后的变化规律，以及状态转移中的局部行为。
5.3.2 条件期望
条件期望是条件分布下的平均值，通常被视为在已知部分信息后对未知量的最佳平均预测。它在回归分析、动态规划和随机控制中具有重要作用，是连接概率论与优化方法的重要桥梁。
5.4 独立性
5.4.1 随机变量独立的定义
若多个随机变量的联合分布能够分解为各自边缘分布的乘积，则称它们相互独立。独立性意味着一个变量的信息不会影响另一个变量的概率描述，是概率模型中最简化也最重要的结构之一。
5.4.2 独立性与相关性的区别
独立性比相关性更强。两个变量可能相关性为零，但并不一定独立；而独立通常会推出某些相关性指标为零。前者关注线性或数值上的联动，后者则要求概率结构完全分离，因此二者不能混为一谈。
6 随机变量的变换
6.1 函数变换
6.1.1 线性变换
线性变换指对随机变量进行加减、乘常数等操作。若已知X的分布，则aX+b的均值、方差和许多分布性质都可直接推出。在线性模型中，这类变换十分常见，且便于计算。
6.1.2 非线性变换
非线性变换包括平方、指数、对数、分段函数等操作。此类变换常会显著改变分布形状，使原变量的性质不再直观对应于变换后变量，因此通常需要专门的方法求其新分布。
6.2 多维变换
6.2.1 联合变换
当对多个随机变量同时进行函数变换时，需要研究联合变换后的新变量组分布。多维变换常用于坐标变换、变量重参数化以及复杂模型的简化分析，是多元概率的重要内容。
6.2.2 雅可比法则
在连续型多维变换中，雅可比行列式用于反映坐标变换对密度的缩放影响。它是求解变换后联合密度的核心工具，能够保证概率质量在变量替换前后保持一致。
6.3 变换后的分布求解
6.3.1 分布函数法
分布函数法通过先求变换后随机变量的累积分布函数，再对其求导或直接整理得到密度或概率质量。这种方法通用性较强，尤其适用于单调变换或分段单调变换。
6.3.2 密度变换法
密度变换法直接从原变量密度出发，结合变量替换和导数关系求出新密度。它计算效率较高，但通常要求变换在局部具有良好的可逆性，常见于连续型变量的处理。
7 特殊性质与极限定理相关内容
7.1 随机变量序列
7.1.1 收敛的基本概念
随机变量序列是按某种方式排列的一列随机变量。研究其收敛性，主要是讨论当序号不断增大时，这些随机变量是否逐步接近某个极限变量或常数。收敛概念为极限定理奠定了基础。
7.1.2 几乎处处收敛
几乎处处收敛是最强的常见收敛形式之一，表示除一个概率为零的集合外，样本路径上逐点收敛。它强调的是“对绝大多数结果而言都成立”，在理论证明中具有重要意义。
7.2 依分布收敛
7.2.1 中心极限定理的背景
依分布收敛指随机变量序列的分布函数逐步趋向某个极限分布。中心极限定理正是这一思想的代表：大量独立同分布随机变量的和，在适当标准化后趋于正态分布。这一结论解释了正态分布的广泛出现。
7.2.2 大数定律的关联
大数定律关注样本平均在样本量增大时趋向真实均值的现象。与中心极限定理侧重“波动形状”不同，大数定律更强调“平均结果的稳定性”。二者共同构成随机变量极限行为的核心框架。
7.3 随机变量的比较
7.3.1 随机变量的大小关系
随机变量的大小关系可以通过几乎处处不等、随机支配或分布比较来描述。由于随机变量本身是函数，因此比较方式既可以针对具体样本点，也可以针对整体分布特征，视研究目标而定。
7.3.2 支配与界的概念
在分析随机变量序列时，常会讨论是否存在上界、下界或可积支配函数。这些概念有助于判断极限交换、积分交换是否成立，也是收敛定理和概率估计中的常用条件。
8 应用与实例
8.1 抛硬币与掷骰子模型
8.1.1 离散随机变量示例
抛硬币和掷骰子是随机变量最经典的教学例子。前者可定义为“正面次数”，后者可定义为“点数”。它们的样本空间小、结构清楚，非常适合用来说明离散分布、联合事件和概率计算。
8.1.2 期望与方差计算
在这些模型中，期望可表示长期平均结果，方差则反映结果的波动程度。例如，公平骰子的点数均值固定，而每次掷出的具体值仍有较大随机波动。通过计算期望和方差，可以直观理解随机性和稳定性的差别。
8.2 测量误差模型
8.2.1 连续随机变量示例
测量误差通常被建模为连续型随机变量，因为误差值往往可以取实数轴上的许多可能值。无论是长度测量、温度读数还是仪器偏差，误差都常被认为围绕零上下波动，且具有一定的分布规律。
8.2.2 误差分布分析
误差分布分析通常关注是否对称、是否存在系统偏移以及离散程度大小。正态分布在误差建模中非常常见，因为许多独立微小扰动叠加后会呈现近似正态的特征。这一分析有助于评估测量可靠性。
8.3 金融与保险中的应用
8.3.1 风险变量建模
在金融和保险领域，随机变量常用于表示资产收益、赔付金额、违约次数或损失规模。通过给风险变量赋予适当分布，可以对不确定结果进行量化，进而服务于定价、准备金安排和风险控制。
8.3.2 收益与损失分析
收益与损失分析通常借助随机变量的期望、方差及尾部特征进行。高期望并不必然意味着低风险，而波动较大的收益也未必适合保守决策。因而，在实际应用中，常需要将均值、离散程度和极端损失概率综合考虑。