为什么学：第1章的事件是文字，加减乘除不方便。把每个结果换成数（点数、寿命、次数），概率的整套运算就能踩着函数与微积分的重型机械前进——第4章算"平均"、第6章做统计，全都要求先有"随机变量"这个接口。本章是全书的语言层。
学什么：①随机变量=给每个结果发一个数；②分布函数 $F(x)$——概率的累计账户；③离散型：分布律与四大离散分布（0-1、二项、几何、泊松）；④连续型：密度函数与三大连续分布（均匀、指数、正态），正态标准化是重中之重；⑤随机变量函数 $Y=g(X)$ 的分布（考试大题零件）。
学完会什么：拿到任何一维分布（表格/密度/分布函数三种形态）都能熟练互转并算概率；二项、泊松、正态的性质如数家珍；给 $Y=g(X)$ 能用"分布函数法"稳稳求出分布。
可跳过什么：泊松定理的证明（记住"n 大 p 小、np 适中→用泊松近似"即可）；正态密度曲线的积分推导（直接用 Φ 表）；混合型随机变量的深入讨论（数三不考，遇到即绕行）。
🗺 配套思维导图页：第2章思维导图（结构版：先看骨架，逐层展开）
名字里带"变量"，骨子里是函数〔原理：它把第1章的样本点映射成数——作用与"把中文翻译成数字"的翻译器相同；叫"变量"是历史习惯，考试时想"函数"更不容易出错〕。为什么非要数字化？"点数≥5 的概率"是文字题，而 $P(X\ge 5)$ 一旦写出来，事件的关系运算（并、交、补）就全变成数轴上的区间运算——第1章的加法公式、条件概率立刻全部可用。这就是接口的力量。
看一个"数字化收益"的实例：商店同一时段的到店人数，样本空间 $\Omega=\{0,1,2,\dots\}$。不数字化时，"至少来 3 人"要用文字绕着描述；数字化成 $X$=到店人数后，"至少来 3 人"就是 $\{X\ge3\}$、"恰好 3 人"是 $\{X=3\}$、"不超过 5 人"是 $\{X\le5\}$——三种问法统一成区间与单点的书写，而后面要学的期望、方差更只能在数上做。同一个试验还可以按需定义不同的随机变量（到店人数、首单到达时刻、营业额），选变量就是选观察角度〔原理：随机变量不改变试验本身，只改变描述试验的语言〕。
按取值的"性格"分两族：离散型（取值可列：可数得完，如骰子、次数）与连续型（取值充满区间，不可列，如寿命、测量误差）。这一分野决定后文的描述工具：离散用"分布律"（逐点记账），连续用"密度"（分摊记账）〔原理：可列与不可列的测度论差异——逐点求和只对可列集有意义，连续场合必须换积分〕。
四条性质刻画了它的身份〔原理：①单调不减——区间越长累计越多（第1章概率单调性）；②$0\le F\le 1$，且 $F(-\infty)=0$、$F(+\infty)=1$——累计起点空、终点满；③右连续——定义用的是"$\le$"，等号站在右边；④这四条反过来也唯一确定一个分布函数（充要）。考试给 $F$ 判断"是不是分布函数"就查这四条〕：
| # | 性质 | 一句直觉 |
|---|---|---|
| 1 | 单调不减 | 账户只进不出 |
| 2 | $\lim_{x\to-\infty}F(x)=0$，$\lim_{x\to+\infty}F(x)=1$ | 从空账户累计到满额 |
| 3 | $0\le F(x)\le 1$ | 概率不越界 |
| 4 | 右连续（$\lim_{x\to x_0^+}F(x)=F(x_0)$） | "≤"的等号在右侧 |
有了账户，四件套取款公式〔原理：全由定义 $F(x)=P(X\le x)$ 与区间拆分直接推出，注意区间开闭〕：
$$P(X\le b)=F(b)\quad;\quad P(a<X\le b)=F(b)-F(a)$$ $$P(X<c)=F(c^-)\ (\text{左极限})\quad;\quad P(X=c)=F(c)-F(c^-)\ (\text{单点重量=跳跃高度})$$离散型随机变量的完整档案就是一张两行表：$P(X=x_k)=p_k$，满足 $p_k\ge0$、$\sum_k p_k=1$〔原理：每个点分到的概率质量非负、总量为 1——和第1章公理一一对应〕。给分布律求分布函数就是"逐段累加"，给分布函数求单点概率就是"算跳跃"。
【例 · 互转全流程】设 $X$ 的分布律为 $P(X=0)=\frac14,\ P(X=1)=\frac12,\ P(X=2)=\frac14$。求 $F(x)$：分段累计——$x<0$ 时 $F=0$；$0\le x<1$ 时 $F=\frac14$；$1\le x<2$ 时 $F=\frac14+\frac12=\frac34$；$x\ge2$ 时 $F=1$。反过来从这张阶梯表读单点：$P(X=1)=F(1)-F(1^-)=\frac34-\frac14=\frac12$ ✓。检验一张分布律是否合法就查两条：非负、加和为 1（选择题把某行改成负数或让总和 $\ne1$ 是经典陷阱）。
四大离散分布全是第1章伯努利试验的变奏——这是理解而非背诵它们的关键：
| 分布 | 记号 | 生活原型 | 分布律 | 期望/方差〔欠条：第4章〕 |
|---|---|---|---|---|
| 0-1 分布 | $B(1,p)$ | 一次试验的成/败 | $P(X=1)=p$，$P(X=0)=q$ | $p$ / $pq$ |
| 二项分布 | $B(n,p)$ | $n$ 重独立重复中成功的次数 | $C_n^k p^k q^{n-k}$ | $np$ / $npq$ |
| 几何分布 | $G(p)$ | 首次成功等到第几次 | $q^{k-1}p$ | $1/p$ / $q/p^2$ |
| 泊松分布 | $P(\lambda)$ | 单位时间/空间内的计数（呼叫、瑕疵、车祸） | $\dfrac{e^{-\lambda}\lambda^k}{k!}$ | $\lambda$ / $\lambda$ |
表中期望方差一列现在只需混个脸熟，第4章会逐个推导兑现〔欠条〕。
二项分布就是第1章伯努利公式的正式身份：$P(X=k)=C_n^k p^k q^{n-k}$〔原理：两步拆——选法内独立相乘、选法间互斥相加，第1章§4.3 原班推导〕。【例】命中率 0.3 射 10 次：恰好 3 中 $=C_{10}^3\,0.3^3\,0.7^7=120\times0.027\times0.0824\approx 0.267$（这是 10 次里最可能的命中数，"期望 3 次"先感受一下）；至少 1 中 $=1-0.7^{10}\approx 0.972$。
几何分布数的是"首次成功"的等待次数：前 $k-1$ 次全败、第 $k$ 次成，$P(X=k)=q^{k-1}p$。【例】每次接通客服概率 0.7：第 1 次通 $0.7$，第 2 次 $0.21$，第 3 次 $0.063$，三次内接通 $0.973$。它有一条著名性质无记忆性：$P(X>k+m\mid X>k)=P(X>m)$〔原理：条件概率一除，$q^k$ 从分子分母同时约掉——"已经等了 $k$ 次没通"不改变"还要再等 $m$ 次"的分布，等待没有资历〕。
泊松分布是"稀有事件计数器"：$P(X=k)=\dfrac{e^{-\lambda}\lambda^k}{k!}$，$\lambda$ 是单位时间的平均件数。【例】某台设备每小时平均故障 2 次（$\lambda=2$）：$P(X=0)=e^{-2}\approx0.135$，$P(X=1)=2e^{-2}\approx0.271$，一小时内至多 1 次 $\approx 0.406$。它还是二项的替身上场〔约定：近似替换的用法规则——$n$ 大（≥50）、$p$ 小（≤0.1）、$np=\lambda$ 适中时 $B(n,p)\approx P(\lambda)$；历史经验规则，数三直接用〕：$B(100,0.02)$ 的 $P(X=1)=100\times0.02\times0.98^{99}\approx0.2706$，泊松 $P(2)$ 算 $2e^{-2}\approx0.2707$——四位小数级吻合。
两条必懂性质〔原理：与分布函数的定义和公理一一对应〕：①$f\ge0$ 且 $\int_{-\infty}^{+\infty}f=1$（总面积 1）；②单点概率 $P(X=c)=0$（面积退化为零宽度）——第1章"概率 0≠不可能"的日常版。
【例 · 判别密度】下列哪些能当密度？（A）$f(x)=2x$（$0\le x\le1$，其余 0）；（B）$f(x)=x$（$0\le x\le2$，其余 0）；（C）$f(x)=\sin x$（$0\le x\le\pi$，其余 0）。判别只查两条：非负、积分为 1。（A）非负 ✓、$\int_0^1 2x\,dx=1$ ✓——是密度；（B）非负 ✓、$\int_0^2x\,dx=2\ne1$ ✗——不是（差一个归一化系数 $\frac12$）；（C）在 $(\pi/2,\pi]$ 上取负值 ✗——一票否决（就算积分恰好为 2 也不行）。先验非负、再验归一，顺序别反——负值是"一票否决"级的硬伤〔原理：密度是概率的分布方式，"负的概率"没有意义〕。
| 分布 | 记号 | 密度 | 生活原型 | 期望/方差〔欠条：第4章〕 |
|---|---|---|---|---|
| 均匀分布 | $U(a,b)$ | $\dfrac{1}{b-a}$（区间内恒定） | 等车时刻、四舍五入误差 | $\dfrac{a+b}{2}$ / $\dfrac{(b-a)^2}{12}$ |
| 指数分布 | $E(\lambda)$ | $\lambda e^{-\lambda x}$（$x\ge0$） | 寿命、间隔、排队 | $\dfrac1\lambda$ / $\dfrac{1}{\lambda^2}$ |
| 正态分布 | $N(\mu,\sigma^2)$ | $\dfrac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ | 测量误差、身高、一切"多因叠加" | $\mu$ / $\sigma^2$ |
均匀分布是几何概型的函数化：概率只与区间长度成比例。$X\sim U(0,10)$：$P(2<X<5)=\dfrac{5-2}{10-0}=0.3$；$P(X=5)=0$。
指数分布是"寿命模型"，也有无记忆性：$P(X>s+t\mid X>s)=P(X>t)$【例】$X\sim E(0.5)$（平均寿命 2 年的设备）：$P(X>4)=e^{-0.5\times4}=e^{-2}\approx0.135$；已经无故障运行 2 年的条件下再运行 4 年（越过 6）的概率，一算条件概率恰好还是 $e^{-2}\approx0.135$——老设备不老化（在模型世界里）。生存概率一口诀：$P(X>t)=e^{-\lambda t}$〔原理：$P(X>t)=1-F(t)=1-(1-e^{-\lambda t})=e^{-\lambda t}$，一行〕。图 2-2 把这笔账画了出来。
正态分布是全卷出镜率最高的分布。密度钟形曲线，两个参数各管一件事：$\mu$ 定位置（对称轴），$\sigma$ 定胖瘦（离散度，第4章正式介绍它的身份）。标准正态 $N(0,1)$ 的密度记 $\varphi(x)$、分布函数记 $\Phi(x)$，$\Phi$ 值查表。任意正态都能标准化为标准正态〔原理：$Z=\dfrac{X-\mu}{\sigma}$ 平移拉伸数轴，把概率问题换算成标准件——面积不变，好比把任意货币换算成统一币种〕：
$$X\sim N(\mu,\sigma^2)\ \Longrightarrow\ Z=\frac{X-\mu}{\sigma}\sim N(0,1),\qquad P(X\le x)=\Phi\!\left(\frac{x-\mu}{\sigma}\right)$$常用 $\Phi$ 值（必须熟到不用翻表）：$\Phi(1.645)\approx0.95$，$\Phi(1.96)\approx0.975$，$\Phi(1)\approx0.8413$，$\Phi(2)\approx0.9772$；对称性 $\Phi(-x)=1-\Phi(x)$〔原理：曲线关于纵轴对称，左右尾巴等重〕。
已知 $X$ 的分布，求 $Y=g(X)$ 的分布——"换一种记账方式"。离散与连续各有一把趁手的刀：
把 $X$ 的每个取值代入 $g$ 算出 $Y$ 的值；若不同 $x$ 映到同一个 $y$，概率相加。【例】$X\in\{-1,0,1\}$，$p=\{0.2,0.5,0.3\}$，$Y=X^2$：$Y$ 只取 0 和 1，$P(Y=0)=P(X=0)=0.5$，$P(Y=1)=P(X=-1)+P(X=1)=0.2+0.3=0.5$——并值加概率是全部要领〔原理：$\{Y=1\}=\{X=-1\}\cup\{X=1\}$，互斥事件的并，第1章可加性〕。
分布函数法三步〔原理：先从定义攒出 $F_Y(y)=P(g(X)\le y)$（把事件翻译回 $X$ 的语言，通常解不等式），再求导得密度——绕开密度直算的换元陷阱〕：①写 $F_Y(y)=P(Y\le y)$；②把不等式 $g(X)\le y$ 翻译成 $X$ 的范围并用 $F_X$ 表达；③对 $y$ 求导。
【例】$X\sim U(0,2)$，$Y=X^2$。值域 $0<y<4$；$F_Y(y)=P(X^2\le y)=P(X\le\sqrt y)=\dfrac{\sqrt y}{2}$；求导 $f_Y(y)=\dfrac{1}{4\sqrt y}$（$0<y<4$）。验算：$\int_0^4\dfrac{dy}{4\sqrt y}=\dfrac{\sqrt y}{2}\Big|_0^4=1$ ✓。
当 $g$ 单调可导且有反函数 $x=h(y)$ 时可用公式法：$f_Y(y)=f_X(h(y))\,|h'(y)|$〔原理：微元伸缩——$y$ 轴上长度 $dy$ 对应 $x$ 轴上长度 $|h'(y)|dy$，质量守恒要求密度按伸缩率重新分配〕。上例 $h(y)=\sqrt y$，$h'(y)=\frac{1}{2\sqrt y}$，$f_Y=\frac12\cdot\frac{1}{2\sqrt y}=\frac{1}{4\sqrt y}$，一步到位。不单调（如 $Y=X^2$ 遇上 $X\sim N(0,1)$ 取负值区间）时必须退回分布函数法分区间讨论。
| 考点 | 考频 | 考法提示 |
|---|---|---|
| 常见分布性质辨析（正态/指数/二项/泊松） | 高频（小题专业户） | 标准化、无记忆性、$N(\mu,\sigma^2)$ 的 σ 陷阱 |
| 分布函数性质与概率计算 | 高频 | 四性质判身份；端点开闭 |
| 密度与分布函数互求 | 高频（大题第一步） | 求导/积分+归一性自检 |
| 函数的分布 $Y=g(X)$ | 中高频 | 分布函数法为主，公式法验算 |
| 泊松近似、二项计算 | 中频 | "至少 1"先算 0 |
| 几何分布、均匀分布 | 中频（小题） | 无记忆性辨析 |
注：考频为共识分档估计，精确统计欠条：待真题集到货回填。
| 规则 | 身份 | 一句话根据 |
|---|---|---|
| 随机变量是函数 | 〔原理〕 | 样本点→数的映射，事件运算变区间运算 |
| 分布函数四性质（充要） | 〔原理〕 | 累计账户的公理推论 |
| 取款四件套（端点开闭） | 〔原理〕 | 区间拆分+定义 |
| 二项分布律 | 〔原理〕 | 第1章伯努利两步拆的正式身份 |
| 几何/指数无记忆性 | 〔原理〕 | 条件概率相除，$q^s$ 约掉 |
| 泊松近似二项 | 〔约定〕 | n 大 p 小 np 适中的经验规则，直接用 |
| 密度非负归一、单点概率 0 | 〔原理〕 | 积分定义+面积退化 |
| 密度可大于 1 | 〔原理〕 | $f=F'$ 是变化率，量纲非概率 |
| 正态标准化 | 〔原理〕 | 平移拉伸换算标准件，面积不变 |
| $N(\mu,\sigma^2)$ 第二参数=方差 | 〔约定〕 | 历史记号，读题第一坑 |
| $\Phi(-x)=1-\Phi(x)$ | 〔原理〕 | 对称轴左右尾等重 |
| 函数分布-列表并值加概率 | 〔原理〕 | 互斥并可加性 |
| 公式法 $f_Y=f_X(h)|h'|$（单调） | 〔原理〕 | 微元伸缩质量守恒；不单调必退分布函数法 |
| 期望方差表（各分布） | 〔欠条〕 | 第4章逐个推导兑现 |
—— 第2章完 · 配套思维导图页（导图+题库+速查三合一） ——
概率论瘦身重写版 · 2026-10 · 数三