随机变量 (random variable)

随机变量 (Random Variable)

随机变量是概率论中最核心的概念之一，它架起了随机试验的样本空间与实数之间的桥梁。形式上，设 $(\Omega, \mathcal{F}, P)$ 为一个概率空间，随机变量 $X$ 定义为从样本空间 $\Omega$ 到实数集 $\mathbb{R}$ 的一个可测函数：

X: \Omega \to \mathbb{R}, \quad \text{使得对任意 Borel 集 } B \subseteq \mathbb{R}, \; X^{-1}(B) \in \mathcal{F}

可测性条件确保了" $X$ 取值落入某区间"的概率总是有定义的——这是概率论公理化体系中不可或缺的技术要求，但在大多数应用场景中可默认为自动满足。

随机变量之所以称为"变量"，是因为它的取值在试验完成前是不确定的；但其统计行为完全由概率分布所刻画。

为什么需要随机变量

随机试验的直接结果是样本点，它们可以是硬币的正反面、天气的晴雨、投资者的决策等——这些对象本身并不适合进行数学运算。引入随机变量后，比如令 $X(\text{正面}) = 1, X(\text{反面}) = 0$ ，就用数值代替了定性描述，使得期望、方差、协方差等运算成为可能，也让大数定律和中心极限定理这些概率论的核心定理有了表述的语言。

离散型与连续型随机变量

随机变量按取值特征分为两大类：

离散型随机变量 (Discrete Random Variable)：取值集合为有限集或可数无限集。其概率行为由概率质量函数 (PMF) 描述：

p(x) = P(X = x), \quad \sum_x p(x) = 1

常见的离散分布包括伯努利分布（ $X \in \{0, 1\}$ ）、二项分布（ $n$ 次独立伯努利试验的成功次数）、泊松分布（单位时间/空间内事件发生次数）等。

连续型随机变量 (Continuous Random Variable)：取值充满某个区间（不可数集）。由于单点概率为零（ $P(X = x) = 0$ ），需用概率密度函数 (PDF) 描述：

P(a \le X \le b) = \int_a^b f(x) \, dx, \quad \int_{-\infty}^{\infty} f(x) \, dx = 1

常见的连续分布包括正态分布（又称高斯分布）、均匀分布、指数分布等。注意：密度函数值 $f(x)$ 本身不是概率，只有积分后的面积才是。

此外存在混合型随机变量，其分布函数既非纯阶梯也非纯连续（如在零处有概率堆积、其余部分连续的分布），在保险精算和金融风险建模中时有出现。

分布函数 (CDF)

累积分布函数 (Cumulative Distribution Function) 是对任意类型随机变量都通用的描述工具：

F(x) = P(X \le x), \quad x \in \mathbb{R}

CDF 有三条基本性质：(1) 单调非降；(2) 右连续；(3) $\lim_{x \to -\infty} F(x) = 0$ ， $\lim_{x \to \infty} F(x) = 1$ 。每个满足这三条性质的函数都是某个随机变量的 CDF，这使得 CDF 成为刻画随机变量最完整的方式。

期望与方差

期望 (Expectation) 衡量随机变量的中心位置。对离散型： $E[X] = \sum_x x \cdot p(x)$ ；对连续型： $E[X] = \int_{-\infty}^{\infty} x f(x) \, dx$ 。期望本质上是分布的一个加权平均，通常用希腊字母 $\mu$ 表示。

方差 (Variance) 衡量随机变量围绕期望的离散程度：

\operatorname{Var}(X) = E[(X - \mu)^2] = E[X^2] - (E[X])^2

标准差 $\sigma = \sqrt{\operatorname{Var}(X)}$ 与原始数据同量纲，解释上更直观。方差是金融风险度量（如波动率）和计量经济学中估计量效率比较的基础概念。

期望和方差的线性性质极为有用： $E[aX + b] = aE[X] + b$ ， $\operatorname{Var}(aX + b) = a^2 \operatorname{Var}(X)$ 。当随机变量相互独立时，还有 $\operatorname{Var}(X + Y) = \operatorname{Var}(X) + \operatorname{Var}(Y)$ 。

随机变量的独立性

两个随机变量 $X, Y$ 称为独立的，若对任意 Borel 集 $B_1, B_2$ 有 $P(X \in B_1, Y \in B_2) = P(X \in B_1) \cdot P(Y \in B_2)$ 。独立性意味着联合分布可分解为边缘分布的乘积： $F_{X,Y}(x, y) = F_X(x) \cdot F_Y(y)$ 。独立是比不相关更强的条件——独立必然不相关（若二阶矩存在），但不相关不一定独立。在独立同分布 (i.i.d.) 的假设下，样本均值收敛到总体均值的大数定律和标准化后的正态逼近（中心极限定理）才得以成立，构成是整个数理统计推断体系的基石。

经济学与金融中的关键应用

随机变量遍布经济学与金融研究的各个角落。在资产定价理论中，资产的未来收益被建模为随机变量，有效市场假说认为价格变动是鞅差序列。在计量经济学的经典线性回归模型中，被解释变量 $y_i = \beta_0 + \beta_1 x_i + \varepsilon_i$ 中的误差项 $\varepsilon_i$ 是随机变量，其分布假设直接决定了 OLS 估计量的统计性质。在微观计量中，受限因变量模型（Probit、Logit）将二值选择结果视为由潜变量 $Y^* = X\beta + \varepsilon$ 决定的随机变量。在风险管理中，风险价值 (VaR) 和期望损失 (ES) 均是对损益随机变量分布尾部特征的度量。

理解随机变量的概念、分布和矩性质，是学习后续统计推断、时间序列分析乃至机器学习中概率图模型不可或缺的前置知识。

返回百科索引