第 3 讲 · 随机变量的本质与分布函数：可测映射 X(ω)、右连续 CDF 与概率密度

1.1 破除字面迷思：为什么说随机变量“一点随机性都没有”？（▶ P15 04:05–12:56）

在复习完概率空间三元组 $(\Omega, \mathcal{F}, \mathbb{P})$ 后，张颢老师在 ▶ P15 04:05 引入了本讲第一个核心概念——随机变量（Random Variable）。

• 中学生常见的字面错觉（“抓不住的小精灵”，▶ P15 05:04–06:21）： 很多同学在高中就听说过“随机变量”，但往往把注意力全放在“随机”二字上，脑海里把它想象成一个“在那里随机变来变去、事先根本抓不住的小精灵”。张颢老师一针见血地指出：“数学是从公理出发按逻辑编织的严密大厦，不是一部小说——小精灵只会出现在小说里，绝不可能进入严格的数学大厦！”
• 随机变量的真正数学定义（▶ P15 06:21–12:20）：
  1. 随机变量是一个函数 $X: \Omega \to \mathbb{R}$：它的定义域是样本空间 $\Omega$，值域是实数轴 $\mathbb{R}$；
  2. 它起到什么作用？——对样本空间做数量化（穿上一件“数的马甲”，▶ P15 07:23–10:48）： 底层样本空间 $\Omega$ 是一个偏物理、具象的集合，里面的样本点 $\omega$ 未必是数！例如：
     • 抛硬币：$\Omega = \{\text{正面}, \text{反面}\}$——“正面 $\times$ 反面”、“正面 $\times \sqrt{\text{反面}}$”是什么概念？根本没法算！
     • 预测天气：$\Omega = \{\text{晴天}, \text{下雨}, \text{刮风}, \text{下雪}\}$——“$\text{晴天}^3 \times \text{下雨}^2$”更是令人啼笑皆非（▶ P15 08:58）！ 如果不把这些物理结果变成实数，人类千锤百炼的加减乘除、乘方开方乃至微积分工具全都无从下手。随机变量 $X(\omega)$ 解决的就是给样本空间“数量化”的问题——把每个样本点 $\omega\in\Omega$ 映射为实数轴 $\mathbb{R}$ 上的一个点，使它成为真正的数，从而享受实数的一切运算权利！
  3. 随机变量本身是一个完全确定性的函数（▶ P15 10:48–12:20）： 一旦给定随机变量 $X$，对于任何一个样本点 $\omega\in\Omega$，它对应哪个实数 $X(\omega)$ 是铁板钉钉、毫无悬念的（就像给每个样本点穿上了一件写着数字的马甲）。作为函数，$X$ 一丝一毫的随机性都没有！

---

1.2 灵魂追问：既然随机变量没有随机性，那概率论里的“随机性”究竟藏在哪里？（▶ P15 12:56–20:53 & ▶ P16 00:00–01:23）

张颢老师在黑板上画出了从物理世界到数学世界的完整映射链条（▶ P15 14:24–20:53）： $$\text{统计实验 (物理/生物/气象)} \;\xrightarrow[\text{（唯一随机性的根源！）}]{\text{随机变现}}\ \;\Omega = \{\omega_1, \omega_2, \dots\} \;\xrightarrow[\text{（100\% 确定性量化函数）}]{\text{随机变量 } X(\omega)}\ \;\mathbb{R}\;(\text{实数轴})$$

• 整个概率体系中唯一存在随机性的地方，仅仅在于最左侧箭头——从统计实验到样本空间 $\Omega$ 的变现过程（在实验做完前，事先不知道究竟是 $\omega_1$ 还是 $\omega_2$ 变现出现，▶ P15 18:00–19:21）；
• 注意：统计实验及其产生的物理结果 $\omega$ 甚至还属于物理、化学、生物或气象学范畴；从随机变量 $X: \Omega \to \mathbb{R}$ 这一步开始，我们才真正把“物理的具象”转化为“数学的抽象”，正式步入严密的数学轨道！（▶ P15 19:59–20:53 & ▶ P16 00:00–00:59）

---

1.3 为什么要求“可测（Measurable）”？原像拉回条件 $X^{-1}(A) \in \mathcal{F}$ 与两个概率符号辨析（▶ P16 01:23–20:53 & ▶ P17 00:00–03:43）

在严肃的概率论教材中，定义随机变量时总会加上一个看似高深莫测的定语——“可测函数（Measurable Function）”（▶ P16 01:23）。为什么不能随便拿一个函数 $X: \Omega \to \mathbb{R}$ 当随机变量？

1. 可测性要解决的核心问题（▶ P16 02:27–10:37）：
   • 在第 2 讲中我们知道，实数轴 $\mathbb{R}$ 上存在 Vitali 不可测集，因此我们在实数轴上建立了由“好集合”构成的 Borel $\sigma$-域 $\mathcal{B}(\mathbb{R})$；
   • 当我们通过随机变量 $X$ 把工作空间搬到实数轴 $\mathbb{R}$ 上后，我们最关心的就是实数轴上任意一个好集合 $A \in \mathcal{B}(\mathbb{R})$（例如区间 $(-\infty, x]$ 或 $(a,b]$）的概率；
   • 但别忘了：实数轴本身只是穿上的“马甲”，真正的概率测度 $\mathbb{P}$ 只定义在底层样本空间的事件域 $\mathcal{F}$ 上！ 要算实数集合 $A \subset \mathbb{R}$ 的概率，唯一的办法是把 $A$ 沿着函数 $X$ 逆向拉回（求原像 Pre-image）到底层样本空间 $\Omega$ 中： $$X^{-1}(A) = \bigl\{\omega \in \Omega \;\big|\; X(\omega) \in A\bigr\}$$
   • 如果函数 $X$ 太过病态，导致实轴上某个好集合 $A \in \mathcal{B}(\mathbb{R})$ 拉回 $\Omega$ 后的原像 $X^{-1}(A)$ 掉出了底层概率的定义域 $\mathcal{F}$（变成不可测集），那概率 $\mathbb{P}$ 就当场罢工、算不出来了！
   • 因此，“可测性”的要求天经地义（▶ P16 09:14–10:10）： $$\forall A \in \mathcal{B}(\mathbb{R}), \qquad X^{-1}(A) = \bigl\{\omega \in \Omega \mid X(\omega) \in A\bigr\} \in \mathcal{F}$$ （由于逆像运算完美保持可数交、并、补，只需保证 Borel 域的基础生成元 $(-\infty, x]$ 的原像 $\{X \le x\} \in \mathcal{F}$ 即可！）
2. 黑板细节洞察：两个概率符号 $\tilde{\mathbb{P}}$ 与 $\mathbb{P}$ 的“滥用（Abuse of Notation）”（▶ P16 17:26–20:53 & ▶ P17 00:00–03:43）： 当我们写下“随机变量 $X$ 等于某个实数 $x$（或属于实数集 $A$）的概率”时，黑板等式为： $$\tilde{\mathbb{P}}(X = x) = \mathbb{P}\bigl(\{\omega \in \Omega \mid X(\omega) = x\}\bigr), \qquad \tilde{\mathbb{P}}(X \in A) = \mathbb{P}\bigl(\{\omega \in \Omega \mid X(\omega) \in A\}\bigr)$$ 张颢老师特别指出（▶ P16 20:04 & ▶ P17 00:00）：严格来说，等号左边的 $\tilde{\mathbb{P}}$ 作用在实数轴的 Borel 子集 $\mathcal{B}(\mathbb{R})$ 上，而等号右边的 $\mathbb{P}$ 作用在样本空间的子集 $\mathcal{F}$ 上，是右边的底层先验概率 $\mathbb{P}$ 诱导出了左边的实轴概率 $\tilde{\mathbb{P}}$！为了书写简便，学术界习惯省去波浪线、两边共用同一个字母 $\mathbb{P}$，但大家心里必须清楚：右边底层的 $\Omega$ 才是真正的“本”与“根”！

2.1 分布函数 $F_X(x)$ 的诞生：锁定 Borel 域的基础生成元 $(-\infty, x]$（▶ P17 16:24–20:26）

在 ▶ P17 16:24，张颢老师将第 2 讲的 Borel $\sigma$-域生成元与随机变量巧妙串联起来：

• 既然实数轴上所有复杂集合都是由最基本的左无限半闭区间 $A = (-\infty, x]$ 通过可数次交、并、补生成的，那么只要我们把随机变量 $X$ 落在每一个基础生成元 $(-\infty, x]$ 内的概率算清楚，整个实数轴上的概率分布就彻底确定了！
• 这个随阈值 $x \in \mathbb{R}$ 变化的函数，就称为随机变量 $X$ 的分布函数（或累积分布函数，Cumulative Distribution Function, CDF）： $$F_X(x) := \mathbb{P}\bigl(X \in (-\infty, x]\bigr) = \mathbb{P}(X \le x) = \mathbb{P}\bigl(\{\omega \in \Omega \mid X(\omega) \le x\}\bigr)$$ 无论 $X$ 是离散型、连续型还是混合型，分布函数 $F_X(x) = \mathbb{P}(X \le x)$ 的定义完全通用（▶ P18 01:17–02:46）！

---

2.2 累积分布函数 $F_X(x)$ 的四大核心性质（▶ P18 15:07–20:53 & ▶ P19 00:00–03:44）

在 ▶ P18 15:07 起，张颢老师在黑板上逐一梳理了任意合法分布函数 $F_X(x)$ 必须满足的四条铁律：

1. 性质 ①：无穷远处的规范极限（▶ P18 15:07–15:36） $$F_X(-\infty) = \lim_{x \to -\infty} F_X(x) = 0, \qquad F_X(+\infty) = \lim_{x \to +\infty} F_X(x) = 1$$ （直观含义：$X \le -\infty$ 趋于空集 $\emptyset$，概率为 $0$；$X \le +\infty$ 趋于全集 $\Omega$，概率为 $1$。）

2. 性质 ②：单调不减性（Monotone Non-decreasing，▶ P18 15:36–16:21） 对任意 $x_1 < x_2$，由于区间包含关系 $(-\infty, x_1] \subset (-\infty, x_2]$，且差集为 $(x_1, x_2]$，由概率非负性与可加性立得： $$F_X(x_2) - F_X(x_1) = \mathbb{P}(x_1 < X \le x_2) \ge 0 \quad\Longrightarrow\quad F_X(x_1) \le F_X(x_2)$$ 注意张颢老师的精准措辞：“单调不减——不一定是严格递增，因为在没有概率消耗的区间上它可以保持水平常数，但绝不可能往下掉！”

3. 性质 ③：右连续性（Right-Continuity）及其集合极限证明（▶ P18 16:21–19:07） 当分布函数在某点 $x_0$ 处发生跳跃间断时，函数值 $F_X(x_0)$ 究竟取在上方台阶（红点，右连续）、下方台阶（蓝点，左连续）还是中间某点？（▶ P18 16:59–18:34）

   • 由于我们定义 $F_X(x_0) = \mathbb{P}(X \le x_0)$ 包含了右端点 $x_0$，当 $\varepsilon_n \downarrow 0$（从右侧趋近于 $0$）时，嵌套递减事件列 $\{X \le x_0 + \varepsilon_n\}$ 的可列交集恰好包含单点 $\{X = x_0\}$： $$\bigcap_{n=1}^{\infty} \bigl\{X \le x_0 + \varepsilon_n\bigr\} = \bigl\{X \le x_0\bigr\} \quad\xrightarrow{\text{概率连续性}}\quad \lim_{\varepsilon \downarrow 0} F_X(x_0 + \varepsilon) = F_X(x_0^+ ) = F_X(x_0)$$
   • 因此，在图像上：每一个跳跃点处，上方台阶左端点画实心点（取值在此），下方台阶右端点画空心圈——这就是“右连续”！
   • 课堂补充（▶ P18 18:34）：如果把分布函数定义为 $\mathbb{P}(X < x)$（不含右端点，如部分前苏联教材），那它就会变成左连续；现代国际通行教材统一约定为 $\mathbb{P}(X \le x)$ 右连续。

4. 性质 ④：左极限跳跃量 $\Delta F_X(x_0) = \mathbb{P}(X = x_0)$（点质量 Mass）与第一类间断点可数性（▶ P18 19:07–20:53 & ▶ P19 00:00–03:44）

   • 跳跃高度等于什么？（▶ P18 19:07–20:53） 当从左侧逼近 $x_0$ 时，递增事件列 $\bigcup_{n=1}^\infty \{X \le x_0 - 1/n\} = \{X < x_0\}$，故左极限 $F_X(x_0^-) = \mathbb{P}(X < x_0)$。于是 $x_0$ 处的跳跃高度（Jump Size）恰为单点概率： $$\Delta F_X(x_0) := F_X(x_0) - F_X(x_0^-) = \mathbb{P}(X \le x_0) - \mathbb{P}(X < x_0) = \mathbb{P}(X = x_0)$$ 张颢老师指出（▶ P18 19:32）：许多英文名著把跳跃点称为 Point Mass（点质量）——借用物理密度的直觉，分布函数在 $x_0$ 处突然跳起一截，说明单点集 $\{x_0\}$ 上凝聚了严格大于 $0$ 的概率质量，意味着该分布含有离散成分（Discrete Component）！
   • 为什么间断点只能是“第一类间断点”且至多可数无穷个？（▶ P19 00:29–02:28） 由微积分定理，单调有界函数在每一点的左极限 $F_X(x_0^-)$ 与右极限 $F_X(x_0^+)$ 必然双双存在（断口上下极其齐整，绝不会出现振荡发散的第二类间断点），故只能是第一类跳跃间断点！且由于所有跳跃高度之和不能超过总概率 $1$，跳跃高度 $> 1/m$ 的点至多只有 $m$ 个，对 $m=1,2,\dots$ 取可列并立知：间断点至多只有可数无穷多个！

3.1 从可数求和到连续积分：概率密度函数 $f_X(x)$ 与单点零概率之谜（▶ P17 03:43–16:24）

在 ▶ P17 03:43–06:45，张颢老师对比了计算实数集合 $A \in \mathcal{B}(\mathbb{R})$ 概率的两种基本情形：

1. 可数（离散）情形（▶ P17 01:36–03:43）：直接利用可数可加性对单点概率求和： $$\mathbb{P}(X \in A) = \sum_{x_k \in A} \mathbb{P}(X = x_k)$$
2. 不可数（连续）情形（▶ P17 04:43–08:27）：将离散求和平行延伸为实数集上的微积分定积分，其中的被积函数 $f_X(x)$ 就定义为概率密度函数（Probability Density Function, PDF）： $$\mathbb{P}(X \in A) = \int_{A} f_X(x)\,\mathrm{d}x$$ 正如物理学中物质密度是“微小体积内的质量除以体积 $\lim_{\Delta V\to 0} \Delta m / \Delta V$”（▶ P17 06:45），概率密度 $f_X(x)$ 是一个反映样本点落在 $x$ 附近可能性大小的局部概念。

• 课堂核心警示：在连续情形下，$\mathbb{P}(X = x)$ 等于 $f_X(x)$ 吗？绝对不是！（▶ P17 08:27–14:20）
  • 在连续情形下，任何一个单点集的概率恒等于零： $$\mathbb{P}(X = x) = \int_{x}^{x} f_X(t)\,\mathrm{d}t = 0 \;\neq\; f_X(x)$$
  • 为什么单点概率全为 $0$，合起来却能等于 $1$？（▶ P17 09:49–11:20） 因为连续区间包含不可数无穷多个点，而概率公理只保证“可数可加性”，绝不允许对不可数个 $0$ 直接相加！在不可数连续空间上，唯一合法的叠加工具是积分（Integration）。
  • 那密度 $f_X(x)$ 究竟如何反映可能性大小？（▶ P17 11:20–14:20） 必须乘上微元长度 $\Delta x$！$X$ 落在点 $x$ 附近微小邻域 $(x,\, x+\Delta x]$ 内的概率近似为： $$\mathbb{P}(x < X \le x + \Delta x) = \int_{x}^{x+\Delta x} f_X(t)\,\mathrm{d}t \approx f_X(x)\,\Delta x$$ 且任意合法概率密度只需满足两条基本性质（▶ P18 13:58–15:07）：① 非负性 $f_X(x) \ge 0$；② 归一性 $\int_{-\infty}^{+\infty} f_X(x)\,\mathrm{d}x = 1$。

---

3.2 $F_X(x)$ 与 $f_X(x)$ 的“父子关系”及离散型的狄拉克 $\delta$ 脉冲密度（▶ P17 19:58–▶ P18 13:58）

1. 微积分牛顿–莱布尼茨“父子对偶”（▶ P17 20:26 & ▶ P18 00:00–00:50）： 由 $F_X(x) = \int_{-\infty}^{x} f_X(t)\,\mathrm{d}t$，张颢老师形象地称分布函数与概率密度为“父子关系（原函数与导函数关系）”： $$f_X(x) = \frac{\mathrm{d}}{\mathrm{d}x} F_X(x) = F_X'(x), \qquad \mathbb{P}(a < X \le b) = F_X(b) - F_X(a) = \int_{a}^{b} f_X(x)\,\mathrm{d}x$$ 两者是一块石头的两面，相生相伴，求出任何一个，另一个立刻板上钉钉！
2. 用狄拉克 $\delta$ 函数将离散与连续“一勺烩”（▶ P18 02:46–13:58）： 对于离散型随机变量，其分布函数 $F_X(x)$ 是带有跳跃间断点的分段常数阶梯函数（Piecewise Constant）（▶ P18 03:48）。虽然在古典微积分中阶梯函数在跳跃点不可导，但借用《信号与系统》中的广义函数——狄拉克 $\delta$ 函数（Dirac Delta Function）（阶跃函数求导即为冲激脉冲 $\delta$），离散随机变量同样可以写出概率密度（▶ P18 04:51–07:27）： $$f_X(x) = \sum_{k} p_k\,\delta(x - x_k), \qquad \text{其中权重（脉冲高度） } p_k = \mathbb{P}(X = x_k) = \Delta F_X(x_k)$$ 如此一来，“算概率”在任何情况下都统一成了对概率密度做积分（离散时对 $\delta$ 脉冲串积分自动退化为对单点概率求和，▶ P18 12:26–13:32）！

---

3.3 全课压轴辨析：四层从属图与“概率论 vs 数理统计”的两门科学分野（▶ P19 03:44–20:46）

在课程最后 17 分钟，张颢老师厘清了贯穿整个概率统计学科的两组重大概念：

1. 第一组概念：“$\times\times$ 随机变量”、“$\times\times$ 分布”、“$\times\times$ 密度”究竟在界定什么？（▶ P19 03:44–13:32） 我们以后会频繁混用“高斯随机变量 / 高斯分布 / 高斯密度”、“泊松随机变量 / 泊松分布”、“指数随机变量 / 指数密度”。张颢老师重画了黑板四层结构图（▶ P19 06:35–09:40）：

   • 第一层（核心本源）：统计实验向样本空间 $\Omega$ 各个样本点变现时的“可能性大小分配”；
   • 第二至四层（全部是从属品！）：样本空间 $\Omega$ $\to$ 实数轴映射 $X(\omega)$ $\to$ 分布函数 $F_X(x)$ 与概率密度 $f_X(x)$。
   • 所谓“高斯（Gaussian）、泊松（Poisson）、二项（Binomial）、指数、伽马”，界定的全都是第一层那束“可能性大小的分布模式”！理论上张三、李四（如给老师写信的张旭东、刘子源同学，▶ P19 09:40）谁都可以拍脑袋随便定义一种可能性分布；但历经数百年大浪淘沙，最终留在教科书和统计手册里的只有寥寥百余种典型分布，因为只有它们在电子、医学、生物、物理、水利、化工等无数领域中被反复验证具有最广泛的普适性（▶ P19 10:43–12:57）！

2. 第二组概念：概率论（Probability）vs 数理统计（Statistics）——共用一套符号的两门不同科学！（▶ P19 13:32–20:46） 既然底层的“可能性大小分布（概率模型）”在概率论开始前就已经先验（A Priori）呆在那里了（它既不是公理，也不是数学推导算出来的，▶ P19 15:07），那这个先验模型是从天上掉下来的吗？ 张颢老师画出了现代数据科学的完整闭环（▶ P19 16:09–20:46）： $$\text{生产生活实践} \longrightarrow \mathbf{\text{数据 (Data)}} \;\xrightarrow{\mathbf{\text{数理统计 (Statistics)}}}\; \mathbf{\text{先验概率模型 } (\Omega,\mathcal{F},\mathbb{P},F_X)} \;\xrightarrow{\mathbf{\text{概率论 (Probability)}}}\; \mathbf{\text{推理与科学决策}}$$

   • 数理统计（Statistics）：负责从海量真实数据中通过整理、分析、挖掘，向上归纳出概率模型；
   • 概率论（Probability Theory）：假定概率空间 $(\Omega,\mathcal{F},\mathbb{P})$、随机变量映射 $X$ 与分布 $F_X$ 已经先验给定，在此基础上通过严密的数学演绎向下做推理与决策。
   • 结论（▶ P19 18:09–20:14）：国内很多教材名叫《概率论与数理统计》，那其实是一本书里装了两门哲学、理念与方法截然不同的科学（尽管它们共用了 $\mathbb{P}, \mathbb{E}, \operatorname{Var}$ 同一套符号）！本学期我们专注研究概率论——即在先验模型给定的前提下锻造推演工具。