企业官网建设流程全解析

OI-wiki 概率论精讲：随机变量的定义、分布函数与独立性

【免费下载链接】OI-wiki:star2: Wiki of OI / ICPC for everyone. （某大型游戏线上攻略，内含炫酷算术魔法）项目地址: https://gitcode.com/GitHub_Trending/oi/OI-wiki

随机变量是概率论的基石，也是 OI/ICPC 中概率期望类题目、随机化算法分析的出发点。本文以 OI-wiki 数学章节的随机变量文档为主体，完整梳理随机变量从公理化定义到离散型、连续型分类再到独立性的知识脉络，并结合仓库内概率论基础、期望与方差、集中不等式等相邻文档与源码，说明这些抽象概念在算法竞赛中如何落地。读完本文，你将能准确理解「随机变量」在概率空间下的严格含义、分布函数与随机变量的一一对应关系，以及判断随机变量独立性的正确姿势，为后续学习期望 DP、随机化算法打下坚实基础。

前置知识：从概率空间谈起

随机变量不是凭空出现的概念，它建立在概率空间之上。OI-wiki 在基础概念一节中给出了概率空间的严格框架：研究随机现象时，我们关注三个要素——

• 样本空间$\Omega$：随机现象所有可能出现结果（样本点）的集合；
• 事件域$\mathcal{F}$：我们关心的所有事件（$\Omega$ 的子集）构成的集合，它对补运算和可数并封闭且包含 $\varnothing$；
• 概率$P$：从事件域 $\mathcal{F}$ 到 $[0,1]$ 的映射，满足规范性与可数可加性。

这三个要素合起来构成三元组 $(\Omega, \mathcal{F}, P)$，即概率空间。概率只有在确定的概率空间下讨论才有意义——Bertrand 悖论归根结底就是因为样本空间 $\Omega$ 的定义不明确。理解了概率空间，才能理解随机变量定义中「可测性」条件为何存在。

随机变量的定义

给定概率空间 $(\Omega, \mathcal{F}, P)$，定义在样本空间 $\Omega$ 上的函数 $X : \Omega \to \mathbb{R}$，若满足：对任意 $t \in \mathbb{R}$ 都有

$$ { \omega \in \Omega : X(\omega) \le t } \in \mathcal{F} $$

则称 $X$ 为随机变量。

这个定义包含两个关键信息：

1. 随机变量本质上是一个函数：它以样本点为输入，输出实数。比如掷骰子的样本空间是 $\Omega={1,2,3,4,5,6}$，定义 $X(\omega)=\omega$ 就得到「点数」这个随机变量；定义 $X(\omega)=[\omega\text{ 为奇数}]$ 就得到「是否为奇数」这个随机变量。
2. 可测性条件不可省略：${ \omega \in \Omega : X(\omega) \le t }$ 这类集合必须是事件（即属于事件域 $\mathcal{F}$），这样它才能被赋予概率。当 $\Omega$ 是无限集时，$\mathcal{F}=2^{\Omega}$ 并不总是必须的，此时可测性条件就保证了随机变量「足够规整」，其形如 ${X \le t}$ 的取值区间始终对应有意义的事件。

示性函数

对于样本空间 $\Omega$ 上的事件 $A$，定义随机变量

$$ I_A(\omega) = \begin{cases} 1, & \omega \in A \ 0, & \omega \notin A \end{cases} $$

称 $I_A$ 是事件 $A$ 的示性函数。

示性函数是连接「事件」与「随机变量」的桥梁：它把一个二元结果（发生/不发生）编码成取值 $1/0$ 的随机变量。在算法竞赛中，示性函数的价值体现在期望的线性性上——把复杂随机变量的期望拆成若干示性函数期望之和，而 $EI_A = P(A)$（推导见期望与方差一文）。这是期望 DP 和概率分析中最常用的技巧之一。

分布函数

对于随机变量 $X$，称函数

$$ F(x) = P( X \leq x ) $$

为随机变量 $X$ 的分布函数，记作 $X \sim F(x)$。

分布函数把随机变量的全部概率信息浓缩进一个一元实函数中。它具有以下性质：

• 右连续性：$F(x) = F(x + 0)$
• 单调性：在 $\mathbb{R}$ 上单调递增（非严格）
• 边界取值：$F(-\infty) = 0$，$F(+\infty) = 1$

反过来，可以证明满足上述要求的函数都是某个随机变量的分布函数。因此，分布函数与随机变量之间一一对应——研究随机变量，等价于研究它的分布函数，这为后续用「分布」来刻画随机变量提供了依据。

由分布函数引出概率区间

分布函数还能直接给出区间概率。设 $X \sim F(x)$，则

$$ P( l < x \leq l + \Delta x ) = F(l + \Delta x) - F(l) $$

这一公式是连接分布函数与密度函数的枢纽，也是下面连续型随机变量讨论的起点。

随机变量的分类

随机变量按其值域（根据定义，随机变量是一个函数）是否可数分为离散型和连续型两种。

离散型随机变量

设 $X$ 为离散型随机变量，其所有可能的取值为 $x_1, x_2, \cdots$，则可以用一系列形如 $P{ X = x_i } = p_i$ 的等式来描述 $X$。这就是高中课本中学过的分布列。

离散型随机变量是算法竞赛中最常见的类型：掷骰子、抽卡、泊松试验（$0/1$ 取值）等都属于此类。处理离散型随机变量时，直接枚举取值并累加概率即可完成许多计算。

连续型随机变量

设 $X$ 为连续型随机变量，考察 $P{ X = x }$ 往往是无意义的——因为这一概率很可能是 $0$。

为什么概率「很可能」是 $0$？

考虑这样的随机变量 $X$：它以 $\frac{1}{2}$ 的概率取 $0$，以 $\frac{1}{2}$ 的概率服从开区间 $(0, 1)$ 上的均匀分布。显然 $X$ 满足连续型随机变量的定义。

对任何实数 $r \in (0, 1)$，不难得到 $P{ X = r } = 0$，但同时有 $P{ X = 0 } = \frac{1}{2}$。

可见「取单个点」的概率为 $0$，并不意味着该点「完全不可能」被取到——概率为 $0$ 的事件也可能发生，这正是连续型情形与离散型情形的本质差异，也是定义独立性等概念时必须小心处理的原因。

既然单点概率无意义，自然想到用极限来描述 $X$ 取值为 $l$ 的可能性：

$$ \lim_{\Delta x \to 0^+} \frac{F(l + \Delta x) - F(l)}{\Delta x} $$

这个式子就是我们熟知的导数。于是问题转化为寻找一个非负函数 $f(x)$ 使得

$$ F(x) = \int_{-\infty}^{x} f(x) \text{d} x $$

若这样的 $f(x)$ 存在，则称之为 $X$ 的密度函数。

密度函数刻画了连续型随机变量在「每一点附近」的概率集中程度，是连续情形下计算期望、方差（见期望与方差）的核心工具。

随机变量的独立性

前面讨论了随机事件的独立性（详见条件概率与独立性）。由于随机变量和随机事件紧密联系，我们可以类似地给出随机变量独立性的定义。

定义

若随机变量 $X, Y$ 满足对任意的 $x, y \in \mathbb{R}$ 都有

$$ P( X \leq x, Y \leq y ) = P( X \leq x ) P( Y \leq y ) $$

则称随机变量 $X, Y$独立。

为什么不用 $P(X = \alpha)$ 定义？

有些同学也许会注意到，中学课本中对随机变量独立性的定义是用形如 $P(X = \alpha)$ 的概率定义的。但由于连续型随机变量取特定值的概率通常是 $0$，故在更一般的情形下借助分布函数定义才是更加明智的选择——用分布函数定义的方式对离散型和连续型随机变量统一成立。

性质

若随机变量 $X, Y$ 相互独立，则对于任意函数 $f, g$，随机变量 $f(X)$ 与 $g(Y)$ 相互独立。

这一性质使得我们可以放心地对独立随机变量做变换而不破坏独立性，例如在随机化算法中对每个随机变量分别套用同一变换后仍然保持独立。

注意：独立变量的函数分布并不平凡

有时候我们会研究相互独立的随机变量 $X, Y$ 的某一函数 $f(X, Y)$（如 $XY^2$）的分布。

尽管 $X$ 与 $Y$ 是独立的，但不能想当然地认为对 $Y$ 的某一取值 $y$，$f(X, y)$ 与 $f(X, Y)$ 服从同样的分布——后者需要额外对 $Y$ 的随机性做积分/求和（即条件期望意义上的全期望公式，见期望与方差），仅把 $Y$ 固定为某值是得不到完整分布的。

进阶衔接：从随机变量到数字特征

掌握随机变量的定义与独立性后，可以自然过渡到 OI-wiki 概率论系列的后续章节，它们共同构成完整的知识链：

• 期望与方差：基于分布列、密度函数和分布函数（Stieltjes 积分）给出期望的统一定义，并展开期望的线性性、$E(XY)=EX\cdot EY$ 的独立条件（注意独立性并非必要条件）、条件期望与全期望公式、方差与协方差、Pearson 相关系数等内容。其中「期望与概率的转化」一节正是利用示性函数 $EI_A=P(A)$ 推导出 $ES=\sum k\cdot p_k$，是本文示性函数概念的典型应用。
• 集中不等式：在随机变量和期望的基础上介绍 Union Bound、Markov、Chebyshev、Chernoff、Hoeffding 等不等式，用于分析随机化算法的正确性与复杂度上界——例如随机撒点估算 $\pi$ 时所需的采样量 $n = \Omega(\epsilon^{-2}\ln\frac{1}{\delta})$ 即由 Chernoff 不等式导出。
• 条件概率：给出 $P(B|A)=P(AB)/P(A)$、全概率公式与 Bayes 公式，是理解条件期望与随机变量独立性的前置。

竞赛落地：随机变量概念在 OI/ICPC 中的典型用法

随机化算法的正确性分析

OI-wiki 的随机化技巧一文开篇即指出：算法竞赛中随机化算法的正确性与时空复杂度，通常依赖于「某些随机事件发生的概率很小」这一前提。例如快速排序的复杂度依赖「所选 pivot 几乎是最小或最大元素」这一事件较少发生。

这类分析的全部工具——把随机试验编码为 $0/1$ 随机变量、用示性函数求和表示复杂量、再用集中不等式估计偏离期望的概率——都建立在本文所讲的随机变量、分布函数、期望与独立性之上。例如「随机选取一半元素」问题中，定义 01 随机变量 $X_i$ 表示元素 $i$ 是否被选入初始子集，令 $X = X_1+\cdots+X_n$，则后续操作次数恰好等于 $|X - E[X]|$，借助 Hoeffding 不等式即可给出高概率下的界。

概率期望 DP 的实现

随机变量的分布列与期望是概率 DP 的建模语言。仓库中概率 DP 示例代码展示了典型的应用模式：用 $dp[i][j]$ 记录「剩余 $i$ 个白球、$j$ 个黑球」状态下目标事件的概率，转移时直接按题面给出的概率逐项累加——

for (int i = 1; i <= w; i++) { for (int j = 1; j <= b; j++) { // 以下为题面概率转移 dp[i][j] += (double)i / (i + j); if (j >= 3) { dp[i][j] += (double)j / (i + j) * (j - 1) / (i + j - 1) * (j - 2) / (i + j - 2) * dp[i][j - 3]; } if (i >= 1 && j >= 2) { dp[i][j] += (double)j / (i + j) * (j - 1) / (i + j - 1) * i / (i + j - 2) * dp[i - 1][j - 2]; } } }

这段代码中的每一个转移项都对应「某随机事件发生」的概率连乘——例如 $j/(i+j)\cdot (j-1)/(i+j-1)\cdot (j-2)/(i+j-2)$ 就是连续抽出三只黑球的概率（对应离散型随机变量的分布列）。理解随机变量的分布与条件概率，才能正确写出并校验这类转移方程。更多概率期望题目背景与递推思路可见数学章节导读中对「以数论、排列组合、概率期望、多项式为代表的离散、具体的数学」的定位说明。

小结

本文完整梳理了随机变量的知识骨架：在概率空间 $(\Omega,\mathcal{F},P)$ 上，随机变量是可测的实值函数；示性函数把事件编码为 $0/1$ 随机变量；分布函数 $F(x)=P(X\le x)$ 与随机变量一一对应，并通过右连续、单调、边界取值三条性质刻画分布；随机变量按值域分为离散型与连续型，后者需借助密度函数刻画；随机变量独立性用分布函数乘积形式统一定义，且独立随机变量的函数仍独立。这些概念向上承接概率空间公理，向下支撑期望、方差、集中不等式与概率 DP，是阅读 OI-wiki 概率论系列其余篇章的基础。

【免费下载链接】OI-wiki:star2: Wiki of OI / ICPC for everyone. （某大型游戏线上攻略，内含炫酷算术魔法）项目地址: https://gitcode.com/GitHub_Trending/oi/OI-wiki