资讯详情

概率论研究的是随机现象背后的数量规律，而随机变量则是连接现实问题与数学模型的重要桥梁。 在实际生活中，大量随机事件并非直接表现为概率，而是以某种数量形式呈现，例如产品检测中的次品数量、重复试验中的成功次数、系统运行中的事件发生次数等。通过引入随机变量，可以将复杂的随机过程转化为可计算、可分析的数学对象。离散型随机变量作为概率论的重要基础内容，通过分布律刻画随机变量取值与概率之间的关系，并进一步建立分布函数、数学期望和方差等核心概念。本专题将从随机变量的基本概念出发，系统梳理分布规律、典型模型及综合应用方法，帮助考生建立从随机现象到概率计算的完整分析体系。

目录

• 一、随机变量：将随机现象数量化的数学工具
• 二、离散型随机变量的分布律：描述随机变量概率结构
• 三、离散型随机变量的分布函数：统一描述概率规律
• 四、常见离散型分布模型：考研高频核心内容
• 五、离散型随机变量考研综合应用与解题体系
• 结语：从知识到能力的跃升

---

引言：从随机事件到随机变量——概率计算的结构化升级

在概率论的学习过程中，随机事件是描述“不确定现象”的基础语言，而随机变量则进一步将随机现象转化为可以计算、分析的数学对象。初学者往往会产生一个困惑：为什么要引入随机变量？直接用事件不好吗？ 这个问题的答案是：事件只能描述“某件事是否发生”，是一种非此即彼的定性描述；而随机变量能够描述“发生了多少”“数值是多少”，是一种定量描述。从定性到定量，是从描述走向分析的关键一步。例如：

• 抛掷硬币，关心“正面出现次数”；
• 检查产品质量，关心“不合格品数量”；
• 投资收益，关心“收益金额”；
• 排队系统，关心“等待人数”；
• 通信系统，关心“误码个数”；
• 保险精算，关心“理赔次数”。

这些问题表面形式不同，但本质上都是：

将随机试验的结果映射为一个数值，并研究这个数值出现的规律。

这就是随机变量的核心思想。

随机现象	随机变量	可能取值
掷一枚骰子	出现的点数	\(\{1,2,3,4,5,6\}\)
抛10枚硬币	正面次数	\(\{0,1,2,\cdots,10\}\)
一天内接到的电话数	呼叫次数	\(\{0,1,2,\cdots\}\)
抽检100件产品	不合格品数	\(\{0,1,2,\cdots,100\}\)

这里围绕数学三考研要求，从：

随机变量定义 → 分布律 → 分布函数 → 常见离散分布 → 考研综合应用

五个层次展开，建立完整知识体系。

---

一、随机变量：将随机现象数量化的数学工具

1.1 随机变量的基本概念

设随机试验的样本空间为：

\[\Omega \]

若存在一个单值实函数：

\[X=X(\omega) \]

将每一个样本点：

\[\omega\in\Omega \]

映射到一个实数：

\[X(\omega) \]

则称：

\[X \]

为随机变量。

简单理解：

随机变量就是定义在样本空间上的函数。

它把：

随机结果→数学映射→数值结果

转化为：

随机现象 → 数学变量 → 概率分析

一个关键的区分：

普通函数	随机变量
自变量确定，函数值确定	自变量是随机结果，值不确定
无概率属性	每个取值有确定概率
微积分工具	概率论+微积分工具

随机变量的引入，使得我们可以用微积分、级数等工具来研究随机现象，这是概率论从组合计数走向分析数学的标志性飞跃。

1.2 离散型随机变量

如果随机变量：\(X\)只可能取有限个或者可列无限多个值：

\[x_1,x_2,\cdots,x_n,\cdots \]

则称：\(X\)为离散型随机变量。

例1：掷骰子

设：

\[X=\text{骰子出现点数} \]

则：

\[X=1,2,3,4,5,6 \]

属于有限取值。

---

例2：连续投篮直到第一次命中

设：

\[X=\text{第一次命中所需次数} \]

则：

\[X=1,2,3,\cdots \]

属于可列无限取值。

---

例3：某路口一天内通过的车辆数

设：

\[X=\text{一天内通过的车辆数} \]

则：

\[X=0,1,2,3,\cdots \]

也是可列无限取值。

1.3 随机变量与普通变量的区别

普通变量：

\[x \]

表示确定的数。

随机变量：

\[X \]

表示：

一个具有概率规律的变量。

例如：

\[X=3 \]

并不是说随机变量永远等于 \(3\)，而是表示：

\[P(X=3) \]

具有某个确定概率。

辨析：随机变量“等于”某个值

在大一微积分中，\(x=3\) 表示一个确定的事实；在概率论中，\(\{X=3\}\) 表示一个事件，它发生的概率可能是 \(0.1\)、\(0.5\) 或者其他值。这是初学者最容易产生误解的地方，务必要厘清。

1.4 随机变量的分类全貌

flowchart TDA[随机变量] --> B[离散型]A --> C[连续型]A --> D[混合型]

离散型：取有限个或可列个值（如掷骰子点数）

连续型：取某个区间内的任意值（如身高、体重）

混合型：兼有离散和连续成分（如保险理赔中，\(0\) 概率非零，且正数部分连续）

在数学三考试中，离散型和连续型是考查重点，混合型偶有涉及。

二、离散型随机变量的分布律：描述随机变量概率结构

2.1 分布律的定义

设离散型随机变量：

\[X \]

可能取值：

\[x_1,x_2,\cdots,x_n,\cdots \]

对应概率：

\[P(X=x_i)=p_i,\quad i=1,2,\cdots \]

则称这一对应关系为随机变量 \(X\) 的分布律（或分布列、概率质量函数）。

通常用表格形式表示：

\[\begin{array}{c|cccc} X & x_1 & x_2 & \cdots & x_n \\ \hline P & p_1 & p_2 & \cdots & p_n \end{array} \]

对于可列无限取值情形：

\[\begin{array}{c|cccc} X & x_1 & x_2 & \cdots & x_n & \cdots \\ \hline P & p_1 & p_2 & \cdots & p_n & \cdots \end{array} \]

注意：分布律有两种表达形式——列表法和解析式法。列表法直观清晰，适合取值较少的情形；解析式法（如给出 \(P(X=k)=\dfrac{\lambda^k}{k!}e^{-\lambda}\)）简洁紧凑，适合取值较多或无限取值的情形。两种形式都要熟练掌握。

2.2 分布律满足的两个基本条件

任何离散型随机变量必须满足：

条件1：非负性

\[p_i\geq 0,\quad i=1,2,\cdots \]

条件2：规范性（归一性）

\[\sum_{i=1}^{\infty}p_i=1 \]

这两个条件是考研中判断“给定的数列能否成为某个随机变量的分布律”的重要依据。

典型考题：已知 \(P(X=k)=C\cdot a^k\)（\(k=1,2,\cdots,n\)），求常数 \(C\)。这类题的核心就是利用规范性条件 \(\sum p_i=1\) 建立方程。

2.3 分布律求解方法

数学三中，求分布律通常采用以下方法：

方法1：直接列举法

适合情形：

• 掷骰子、抛硬币；
• 抽球（有限总体）；
• 简单排列组合。

步骤：

确定 X 的取值集合→计算每个取值的概率→列表表示→验证概率和为 1

---

方法2：组合计数法

例如：

从 \(n\) 个产品中抽取 \(k\) 个，其中次品数为 \(X\)。

若产品中有 \(M\) 个次品、\(n-M\) 个正品，则：

\[P(X=i)=\frac{C_M^i C_{n-M}^{k-i}}{C_n^k} \]

这是超几何分布（将在后续专题详细展开）。

---

方法3：利用已知分布模型

例如：

若判断出：

\[X\sim B(n,p) \]

则直接写出：

\[P(X=k)=C_n^kp^k(1-p)^{n-k} \]

不需要重新推导。

做题策略：先判断是否属于常见分布，若属于则直接套用公式，否则使用枚举或组合计数的方法从头推导。

2.4 分布律的深刻理解

分布律完整描述了离散型随机变量的概率结构。它的含义是：

只要知道了分布律，就能计算出关于该随机变量的任何事件的概率。

例如，若已知 \(X\) 的分布律，则对于任意实数集合 \(A\)：

\[P(X\in A)=\sum_{x_i\in A}p_i \]

这正是离散型随机变量“可计算性”的根本来源。

三、离散型随机变量的分布函数：统一描述概率规律

3.1 分布函数定义

对于任意随机变量（离散或连续）：

\[X \]

定义：

\[F(x)=P\{X\leq x\},\quad -\infty<x<+\infty \]

称：

\[F(x) \]

为随机变量 \(X\) 的分布函数。

分布函数是概率论中统一描述各类随机变量的工具，不论离散还是连续，都可以用分布函数表示其概率规律。

3.2 离散型分布函数的特点

离散型随机变量的分布函数 \(F(x)\) 具有阶梯函数的特点，其图形呈现“台阶状”。

例如：

若 \(X\) 取值为 \(1,2,3\)，对应概率分别为 \(0.2,0.5,0.3\)，则：

\[F(x)= \begin{cases} 0, & x<1\\ 0.2, & 1\leq x<2\\ 0.7, & 2\leq x<3\\ 1, & x\geq 3 \end{cases} \]

图形表现为：

F(x)1 |           ______|          ||     _____||    ||____||0 +----+----+----+-----> x1    2    3

每个跳跃点的跳跃高度：

对应：

\[P(X=x_i) \]

即：

\[P(X=x_i)=F(x_i)-F(x_i^-) \]

其中 \(F(x_i^-)\) 表示左极限。

3.3 分布函数的四条基本性质

性质	表述	含义
有界性	\(0\leq F(x)\leq 1\)	概率值始终在 \(0\) 和 \(1\) 之间
单调性	非降函数	\(x_1<x_2\Rightarrow F(x_1)\leq F(x_2)\)
右连续性	\(F(x+0)=F(x)\)	分布函数右连续
极限性质	\(F(-\infty)=0,\;F(+\infty)=1\)	概率总和为 \(1\)

对于离散型随机变量，右连续性体现为每个跳跃点处函数值取右端值。

3.4 分布律与分布函数的关系

二者关系可以概括为：

由分布律推分布函数：

\[F(x)=\sum_{x_i\leq x}p_i \]

由分布函数推分布律：

\[P(X=x_i)=F(x_i)-F(x_i^-) \]

即：

分布函数记录累计概率，分布律记录单点概率。

两者等价：知道其中一个，就能唯一确定另一个。

重要区别：

	分布律 \(p_i\)	分布函数 \(F(x)\)
适用变量	仅离散型	所有随机变量
表示方式	列表或解析式	分段函数
取值类型	单点概率	累积概率
图形特点	柱状图/点状图	阶梯函数

四、常见离散型分布模型：考研高频核心内容

数学三概率部分，离散型随机变量主要掌握以下经典模型。

全貌速览：

分布名称	记法	参数	取值范围	期望	方差
两点分布	\(B(1,p)\)	\(0<p<1\)	\(\{0,1\}\)	\(p\)	\(p(1-p)\)
二项分布	\(B(n,p)\)	\(n\in\mathbb{N}^*,\ 0<p<1\)	\(\{0,1,\cdots,n\}\)	\(np\)	\(np(1-p)\)
泊松分布	\(\pi(\lambda)\) 或 \(P(\lambda)\)	\(\lambda>0\)	\(\{0,1,2,\cdots\}\)	\(\lambda\)	\(\lambda\)
几何分布	\(Ge(p)\)	\(0<p<1\)	\(\{1,2,3,\cdots\}\)	\(\dfrac{1}{p}\)	\(\dfrac{1-p}{p^2}\)

---

4.1 两点分布（0-1分布）

若：

\[X= \begin{cases} 1, & \text{成功}\\ 0, & \text{失败} \end{cases} \]

且：

\[P(X=1)=p \]

则：

\[P(X=0)=1-p \]

称：

\[X\sim B(1,p) \]

分布律表：

\[\begin{array}{c|cc} X & 0 & 1\\ \hline P & 1-p & p \end{array} \]

数字特征：

数学期望：

\[E(X)=p \]

方差：

\[D(X)=p(1-p) \]

应用场景：抛硬币、产品合格/不合格、投票赞成/反对等一切只有两种结果的试验。

---

4.2 二项分布

设：

• \(n\) 次独立重复试验；
• 每次试验只有两种结果：成功/失败；
• 每次成功概率为 \(p\)，失败概率为 \(1-p\)；
• \(X\) 表示 \(n\) 次试验中成功的次数。

则：

\[X\sim B(n,p) \]

分布律：

\[P(X=k)=C_n^k p^k (1-p)^{n-k},\quad k=0,1,2,\cdots,n \]

数字特征：

\[E(X)=np \]

\[D(X)=np(1-p) \]

---

二项分布考研重点

（1）识别条件——必须同时满足

• \(n\) 次试验；
• 每次试验只有两个结果（成功/失败）；
• 成功概率 \(p\) 固定不变；
• 各次试验相互独立。

口诀：“独立、固定、两结果”。

---

（2）概率计算技巧

常见题型：

至少一次成功：

\[P(X\geq 1)=1-P(X=0)=1-(1-p)^n \]

至多一次成功：

\[P(X\leq 1)=P(X=0)+P(X=1)=(1-p)^n+np(1-p)^{n-1} \]

恰好成功 \(k\) 次：

\[P(X=k)=C_n^k p^k (1-p)^{n-k} \]

---

（3）二项分布的最可能值

若 \((n+1)p\) 为整数，则 \(k=(n+1)p\) 和 \(k=(n+1)p-1\) 同时使概率最大；若 \((n+1)p\) 非整数，则 \(k=[(n+1)p]\) 时概率最大（\([\,\cdot\,]\) 表示取整）。

这一结论可用于选择题中的快速判断。

---

4.3 泊松分布

若：

\[X\sim \pi(\lambda) \]

其中参数 \(\lambda>0\)，则：

\[P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\quad k=0,1,2,\cdots \]

数字特征：

\[E(X)=\lambda \]

\[D(X)=\lambda \]

泊松分布的期望和方差都等于参数 \(\lambda\)，这是其重要特征，可用于参数估计或模型识别。

---

泊松分布的应用场景

适用于描述单位时间（或单位面积、单位体积）内随机事件发生的次数：

• 单位时间内电话交换机收到的呼叫次数；
• 单位面积内钢板上的气孔数；
• 一本书中某一页的印刷错误数；
• 某地区一天内交通事故发生次数；
• 放射物质在单位时间内衰变的粒子数。

本质特征：事件以恒定强度 \(\lambda\) 随机发生，且相互独立。

---

泊松定理（二项分布的泊松近似）

当 \(n\) 很大、\(p\) 很小（稀有事件），且 \(np=\lambda\) 适中时：

\[C_n^k p^k (1-p)^{n-k}\approx \frac{\lambda^k}{k!}e^{-\lambda} \]

使用原则：通常当 \(n\geq 100\) 且 \(np\leq 10\) 时，近似效果较好。

考研常见考法：题干给出 \(n\) 很大、\(p\) 很小，要求近似计算二项分布概率，此时用泊松近似。

---

4.4 几何分布

设：

• 不断进行独立重复试验；
• 每次成功概率为 \(p\)；
• \(X\) 表示首次成功时所需的试验次数。

则：

\[P(X=k)=(1-p)^{k-1}p,\quad k=1,2,3,\cdots \]

数字特征：

\[E(X)=\frac{1}{p} \]

\[D(X)=\frac{1-p}{p^2} \]

注意：几何分布具有“无记忆性”：

\[P(X>m+n\mid X>m)=P(X>n) \]

这是几何分布的独特性质（也是考研中可能涉及的知识点，常以选择题形式考查）。

与二项分布的区分：

	二项分布	几何分布
试验次数	固定为 \(n\)	不固定
随机变量	成功次数	首次成功的时刻
取值范围	\(\{0,1,\cdots,n\}\)	\(\{1,2,3,\cdots\}\)

五、离散型随机变量考研综合应用与解题体系

5.1 分布律求解标准流程

数学三考试中，求离散型随机变量分布律的通用步骤：

确定随机变量 X 的定义→分析 X 的所有可能取值→逐个计算 P(X=xi)→验证 ΣP(X=xi)=1→写出分布律（表格或解析式）

5.2 参数确定问题

典型题型：

已知：

\[P(X=k)=C\cdot a^k,\quad k=0,1,2,\cdots \]

利用规范性条件：

\[\sum_{k=0}^{\infty}P(X=k)=1 \]

求解参数 \(C\)。

注意：求和时要用到等比级数公式 \(\sum_{k=0}^{\infty}a^k=\dfrac{1}{1-a}\)（要求 \(|a|<1\)）。

5.3 分布模型判断——关键词速查表

题干关键词	模型
\(n\) 次独立重复试验、每次只有两个结果	二项分布
成功次数、击中次数、合格次数	二项分布
首次成功所需次数、直到成功为止	几何分布
单位时间内发生次数、稀有事件	泊松分布
只有成功/失败（一次试验）	两点分布
无放回抽取、有限总体	超几何分布（后续专题）

5.4 与数学期望、方差结合

离散型随机变量最终进入数字特征分析。

核心公式：

\[E(X)=\sum_i x_i p_i \]

\[E(g(X))=\sum_i g(x_i)p_i \]

\[D(X)=E(X^2)-E^2(X)=\sum_i x_i^2p_i-\left(\sum_i x_i p_i\right)^2 \]

关键原则：

分布律是概率计算的入口，期望方差是概率分析的核心。

掌握分布律，就能计算期望；掌握期望，就能进一步进行风险分析、决策分析。

---

5.5 综合应用题完整示例

题目：设某射击运动员每次射击命中概率为 \(0.8\)，独立射击直到首次命中为止。设 \(X\) 为射击次数，求：
（1）\(X\) 的分布律；
（2）\(P(X\leq 3)\)；
（3）\(E(X)\) 和 \(D(X)\)。

解：

（1）由题意，\(X\) 服从几何分布，\(p=0.8\)：

\[P(X=k)=(0.2)^{k-1}\times 0.8,\quad k=1,2,3,\cdots \]

（2）

\[P(X\leq 3)=P(X=1)+P(X=2)+P(X=3) \]

\[=0.8+0.2\times0.8+0.2^2\times0.8=0.8+0.16+0.032=0.992 \]

（3）由几何分布公式：

\[E(X)=\frac{1}{p}=\frac{1}{0.8}=1.25 \]

\[D(X)=\frac{1-p}{p^2}=\frac{0.2}{0.64}=0.3125 \]

【反思】 ：本题的难点在于准确识别几何分布模型。若误判为二项分布，则后续全部错误。模型识别是解题的第一步，也是最关键的一步。

---

结语：从知识到能力的跃升

离散型随机变量知识体系可以总结为一条清晰的主线：

\[\boxed{\text{随机试验}}\to\boxed{\text{随机变量}}\to\boxed{\text{分布律}}\to\boxed{\text{分布函数}}\to\boxed{\text{典型分布}}\to\boxed{\text{期望方差}} \]

对于数学三考研而言：

离散型随机变量不是孤立知识点，而是概率论体系中的基础桥梁——它连接着“事件概率”与“随机变量分析”，是后续所有概率论内容的根基。

真正掌握的方法不是死记公式，而是建立：

“随机背景 → 数学模型 → 分布规律 → 数字特征 → 综合计算”

这一完整分析路径。

掌握离散型随机变量，才能进一步理解连续型随机变量、二维随机变量以及概率极限理论，为数学三概率部分取得高分奠定坚实基础。

核心概念对照表

概念	定义	作用
随机变量	\(\Omega\to\mathbb{R}\) 的映射	将随机现象转化为数值
分布律	\(P(X=x_i)=p_i\)	描述离散型概率结构
分布函数	\(F(x)=P(X\leq x)\)	统一描述各类随机变量
期望	\(E(X)=\sum x_ip_i\)	刻画“平均位置”
方差	\(D(X)=E(X^2)-E^2(X)\)	刻画“离散程度”

常见分布一览表

分布	参数	\(P(X=k)\)	取值范围	\(E(X)\)	\(D(X)\)
两点分布	\(p\)	\(p^k(1-p)^{1-k}\)	\(\{0,1\}\)	\(p\)	\(p(1-p)\)
二项分布	\(n,p\)	\(C_n^k p^k(1-p)^{n-k}\)	\(\{0,1,\cdots,n\}\)	\(np\)	\(np(1-p)\)
泊松分布	\(\lambda\)	\(\dfrac{\lambda^k}{k!}e^{-\lambda}\)	\(\{0,1,2,\cdots\}\)	\(\lambda\)	\(\lambda\)
几何分布	\(p\)	\((1-p)^{k-1}p\)	\(\{1,2,3,\cdots\}\)	\(\dfrac{1}{p}\)	\(\dfrac{1-p}{p^2}\)