随机变量与分布族
把不确定性编码为数学对象——从抛硬币到正态分布
**预计时间：**25 分钟读 + 10 分钟做习题 = 35 分钟。
一、核心概念定义
随机变量（Random Variable）
随机变量 X 是一个从样本空间 Ω 到实数集 ℝ 的函数：X: Ω → ℝ。
关键：它不是”变量”，而是函数。抛硬币，Ω = {正面, 反面}，定义 X(正面) = 1, X(反面) = 0，X 就是 Bernoulli(0.5) 随机变量。
为什么需要随机变量？ 因为很多事件不是二元的。掷三个骰子的”总点数”是一个随机变量，取值范围 {3, 4, …, 18}。随机变量让我们能用实数的语言描述不确定结果。
离散 vs 连续
- 离散随机变量：取值有限或可数无限（如掷骰子结果、客户数量）。用概率质量函数（PMF） 描述：P(X = x)。
- 连续随机变量：取值在某个区间内连续（如身高、温度）。用概率密度函数（PDF） 描述：f(x)。注意 P(X = x) = 0（单点概率为 0），只有区间概率 P(a ≤ X ≤ b) = ∫f(t)dt 才有意义。
期望与方差
- 期望 E[X]：随机变量的”平均值”——长期重复实验的均值。对离散：E[X] = Σx·P(X=x)；对连续：E[X] = ∫x·f(x)dx。
- 方差 Var(X)：波动程度——Var(X) = E[(X - E[X])²]。标准差 σ = √Var(X) 与原始量纲一致。
常见分布族
| 分布 | 参数 | 适用场景 |
|---|---|---|
| Bernoulli(p) | p = 成功概率 | 单次二元试验（抛硬币、转化/不转化） |
| Binomial(n, p) | n = 次数, p = 成功概率 | n 次独立二元试验的成功次数 |
| Poisson(λ) | λ = 平均发生率 | 单位时间内事件发生次数（网站访问、缺陷数） |
| Normal(μ, σ²) | μ = 均值, σ² = 方差 | 中心极限定理下的近似分布（身高、测量误差） |
| Exponential(λ) | λ = 速率 | 事件之间的等待时间（客服响应时间） |
二、学科直觉
- 分布是”可能性的形状”：每个分布描述了一种不确定性的结构。Bernoulli 是”是/否”的形状，Normal 是”对称钟形”的形状，Poisson 是”稀疏事件”的形状。选分布就是选”哪种形状最像你的问题”。
- 期望是长期平均，不是单次结果：E[X] = 100 不代表 X 会等于 100——它表示如果你重复实验无限次，均值会趋近 100。对赌场来说，每一局可能输可能赢，但长期期望永远是正的（对赌场而言）。
- 方差衡量”不确定性程度”：两个期望相同的随机变量，方差大的那个更”危险”。100 元赌注（期望 0，方差大）vs 工资（期望 5000，方差小）——后者更稳定，前者更刺激。
三、跨学科应用
投资：投资回报的分布思维
股票日回报近似 Normal(μ, σ²)。关键不是 μ（均值），而是 σ（波动率）。两只股票年化收益都是 8%，A 的 σ = 10%，B 的 σ = 30%——B 的”肥尾”意味着极端亏损的概率远高于 A。
芒格式问题：你投资的是期望，还是分布？ 只看均值忽略方差是新手错误。夏普比率 = μ/σ 正是把两者结合。
运营：Poisson 过程与排队论
客服中心每小时接到 λ = 10 个电话，每次处理时间 Exponential(1/6) 分钟。这是经典的 M/M/1 排队模型。Poisson 分布让你预测”繁忙时段”的概率，Exponential 让你估计等待时间。
产品：A/B 测试的统计基础
A/B 测试中，转化率是 Bernoulli(p) 随机变量。n 个用户的转化数是 Binomial(n, p)。当 n 足够大时，Binomial 近似 Normal(np, np(1-p))——这就是为什么大样本下可以用 z 检验。
核心洞察：A/B 测试的”显著性”不是看两组均值差异，而是看差异相对于各自标准差的倍数（效应量）。两组均值差 1% 但样本只有 100，可能不显著；差 0.5% 但样本 10000，可能高度显著。
练习题
单选题
随机变量的本质是？
PMF 适用于哪种随机变量？
P(X = x) 对连续随机变量意味着？
Bernoulli(0.3) 的期望是？
以下哪项最适合用 Poisson 分布建模？
正态分布的关键性质是？
E[X] = 100 的精确含义是？
案例分析
C1. 案例：某 SaaS 公司的日活用户数 DAU 近似 Normal(10000, 1000²)。CTO 说"今天 DAU 9000，暴跌 10%"。用分布思维分析，这个判断是否过度反应？
反事实思考题
T1. 反事实：如果所有人都用期望值（均值）做决策而忽略方差。最可能导致的系统性错误是什么？
下一步：Lesson 0004 · 大数定律与中心极限定理——为什么正态分布无处不在。