随机变量把"运气"数字化:
期望看平均,方差看离散,
正态是最常见的曲线。
分布列概率和必为1,
方差里系数要平方,
正态对称于 μ。
随机变量及其分布
—— 期望 · 方差 · 正态 ——
1离散型随机变量与分布列定义
所有取值能一一列出的随机变量 $X$。分布列 $P(X=x_i)=p_i$ 满足:
① $p_i\geq 0$ ② $\sum p_i=1$
检验:算完分布列先加一遍,是否等于 1。
2期望与方差数字特征
期望 $E(X)=\sum x_i p_i$(平均取值)
方差 $D(X)=\sum (x_i-E(X))^2 p_i$(离散程度)
性质:$E(aX+b)=aE(X)+b$,$D(aX+b)=a^2D(X)$
关键:常数 $b$ 对方差无影响,$a$ 要平方。
期望反映什么?
① 随机变量的"平均水平"
② $E(X)$ 是一个数,不是变量
③ 线性可加:$E(X+Y)=E(X)+E(Y)$
$E(X)=\displaystyle\sum_{i=1}^{n} x_i p_i$
数学期望(加权平均)
方差反映什么?
① 取值围绕期望的"波动大小"
② $D(X)\geq 0$,恒非负
③ 标准差 $\sigma=\sqrt{D(X)}$
3常见分布对照速查
分布$E(X)$$D(X)$
两点分布$p$$p(1-p)$
$B(n,p)$$np$$np(1-p)$
$N(\mu,\sigma^2)$$\mu$$\sigma^2$
二项分布概率:$P(X=k)=\mathrm{C}_n^k p^k(1-p)^{n-k}$
4正态分布曲线图象
$X\sim N(\mu,\sigma^2)$(虚线:$\mu\pm k\sigma$)
53σ 原则结论
正态曲线关于 $x=\mu$ 对称:
① 落在 $(\mu-\sigma,\mu+\sigma)$ 约 $68.3\%$
② 落在 $(\mu-2\sigma,\mu+2\sigma)$ 约 $95.4\%$
③ 落在 $(\mu-3\sigma,\mu+3\sigma)$ 约 $99.7\%$
记忆:$\sigma$ 越小,曲线越瘦高。
概率加起来等于1,期望加权平均方差平方,正态对称于μ,3σ几乎全盖住。
⚠ 注意事项(踩坑预警!)
  1. 分布列所有概率之和必为 1,可用于检验。
  2. 方差恒非负;$D(aX+b)=a^2D(X)$,$a$ 要平方,$b$ 不影响。
  3. 正态曲线对称轴是 $x=\mu$,不是 $\sigma$;$\sigma$ 控制胖瘦。
✕ 常见误区(别这么写!)
  1. 把方差写成 $D(aX+b)=aD(X)+b$(错!$a$ 要平方,$b$ 应消去)。
  2. 分布列概率加起来 ≠ 1,还硬着头皮算期望。
  3. 把两点分布与二项分布割裂——两点分布就是 $n=1$ 的二项分布。