Chapter 3

隨機變數與機率分佈
3.1 隨機變數的觀念
 統計實驗(statistical experiment)是用來描述一個會產生
數個偶然性結果的實驗程序。
 測試數個電子元件就是一個典型的統計實驗。

定義 3.1
隨機變數 (random variable) 是一個實數的函數，
其定義域為樣本空間而其值域為實數。每個樣本
空間的樣本依照隨機變數都有一個定義的實數。
何謂定義域與值域?

085
範例3.2
 某儲藏室管理員將 3 頂安全帽隨機交還給先前
存入帽子的 3 個煉鋼廠員工：Smith、John、
Brown。為了方便，我們分別以 S、J、B 來表
示。
 如果 S、J、B 等3人依序拿到 1 頂安全帽，請列
出其拿到安全帽的所有可能之樣本空間，並且
以一隨機變數 M 及其數值 m 來表示該安全帽正
確的交還給主人的匹配數。

086
範例3.3
 若來自某一生產線上的電子元件都會被載明其為
「有瑕疵」或是「無瑕疵」。定義一二位元隨機
變數 X 如下
1 , 元件有瑕疵
X 
0 , 元件無瑕疵

利用二位元隨機變數可以很輕易的表示該生產線
上電子元件的檢測狀況。
 利用0或1描述兩個可能實驗結果的隨機變數稱為
白弩利隨機變數 (Bernoulli random variable)。

087
範例3.5
 假設某抽樣計畫會從生產程序裡一直抽樣，直到其
觀察到一件瑕疵品為止。我們想觀察在此抽樣計畫
中會連續抽樣多少件產品。定義一隨機變數 X 為實
驗中第一次觀察到是瑕疵品的抽樣數。假設 N 代表
該測試品是無瑕疵的事件，而 D 則表示該測試品是
有瑕疵的事件。
 若 抽 樣 實 驗 結 果 為 S  {D}， 則 ；若樣本空間
為 S  {ND} ，則 ；若樣本空間為 S  {NND} ，
則 ，依此類推。

087
範例3.6
 我們對在市場調查中人們會回應某種郵購商品
的比例感興趣。
 定義一隨機變數 X 代表此市場調查的實驗結果。
 x 的範圍是

088
範例3.7
 令 X 為一隨機變數，代表在高速公路上一雷達
測速器連續察覺有超速車中間的等待時間(以小
時計)。
 隨機變數 X 的值是 的任意數。

088
3.1 隨機變數的觀念
定義 3.2
如果一個樣本空間中包含有限多個樣本點，或者為可數之
無窮多個樣本點，則我們稱其為離散的樣本空間 (discrete
sample space)。
 離散隨機變數
定義 3.3
如果樣本空間包含不可數之無窮多個的樣本點，其數目等
於一實數線上所有的可能點，則我們稱其為連續的樣本空
間 (continuous sample space)。
 連續隨機變數

088
3.2 離散機率分佈
 數學函數 f(x) 稱為基於一離散隨機變數 X 的
機率函數 (probability function)、機率質量函
數 (probability mass function) 或 機率分佈
(probability distribution)。
 一言以蔽之：

089
3.2 離散機率分佈
定義3.4
數對 ( x , f ( x)) 為離散隨機變數 X 的機率函數
(probability function) 、 機 率 質 量 函 數 (probability
mass function) 或機率分佈 (probability distribution)，
則對每個可能的結果 x，該數對滿足 ( x , f ( x))
1. f ( x)  0
2.  f ( x)  1
x
3. P( X  x)  f ( x)

090
範例3.8
 假設在賣場裡，每 20 台個人電腦中有 3 台是瑕
疵品。如果某個學校在該賣場中，隨機採購 2
台個人電腦，請問是瑕疵品的個數之機率分佈
為何？

090
範例3.9
 如果某汽車代理商所賣的進口車中有 50% 配備
有安全氣囊。請問該代理商之業務隨機賣出的
4 輛車中，其配有安全氣囊的機率分佈為何？

090
3.2 離散機率分佈
定義 3.5
若函數 f(x) 為一離散的隨機變數 X 的機率分佈，
則 該 隨 機 變 數 的 累 積 分 佈 函 數 (cumulative
distribution function) 定義為

F ( x)  P( X  x)   f (t ) ，對任意一個
tx
 x 

一言以蔽之：

091
範例3.10
 請求出範例 3.9 之隨機變數 X 的累積分佈函數 F(x)，並
利用 F(x) 來證明 f (2)  3/ 8 。
 F(0.7) = ? F(1.6) = ?

091
3.2 離散機率分佈
 機率質量函數圖

 機率直方圖

 離散累積分佈函數圖

093
3.3 連續機率分佈
 若 X 為連續隨機變數，且用函數 f(x) 來表示其
機率分佈，則 f(x) 稱為連續隨機變數 X 的機率
密度函數 (probability density function, PDF)，
或簡稱密度函數 (density function)。

 雖然函數 f(x) 的定義域是在一連續隨機變數上，

但在其值域的表現，f(x) 可能會包含有限個不連
續點，該不連續點稱為斷點。

094
3.3 連續機率分佈
 圖 3.4 就是幾個典型的密度函數的圖形，其中
橫軸為隨機變數 x，而縱軸為對應之函數 f(x) 值。
 f(x) 被稱為機率密度函數，是因為函數曲線下任
一區間的面積，即為該區間事件的機率值。

095
3.3 連續機率分佈
 若我們關心 (a  X  b) 之事件，則該事件的機率
值等於機率密度函數 f(x) 在座標 x  a 和 x  b
之間的陰影面積。由微積分的積分定義可得
b
P ( a  X  b)   a
f ( x)dx

P(a  X  b)  ?

P(a  X  b)  ?

095
3.3 連續機率分佈
定義 3.6
函數 f(x) 是一個連續隨機變數之機率密度函數
(probability density function)，簡單記為pdf，則
的定義域是整個實數，且其值滿足
1. f ( x)  0 ，對任何一個實數 x

2.   f ( x)dx  1

b
3. P ( a  X  b)   a
f ( x)dx

096
範例3.11
 假設在控制實驗室中，實驗的反應溫度誤差是
連續隨機變數 X，且其機率密度函數為
 x2
 , 1  x  2
f ( x)   3
0 , 其他


(a) 請證明該密度函數滿足定義 3.6 的條件。

(b) 請問 P(0  X  1)  ?

096
3.3 連續機率分佈

定義 3.7
若 f(x) 是一連續隨機變數 X 的密度函數，則 F(x)
其累積分佈函數(cumulative distribution function)
定義為
x
F ( x)  P( X  x )   
f (t )dt ,  x 

096
範例3.12
 已知範例 3.11的密度函數 f(x)，請求出其 F(x) ，
並以 F(x) 求出 P(0  X  1)  ?

097
範例3.13
 美國能源部 (DOE) 將所執行之計畫採購公開招
標，並且大致的估計出其計畫的合理底標，我
們以變數 b 來表示。假設 DOE 最後決定之公開
招標之密度函數如下
5 2
 , b  y  2b
f ( y )   8b 5

0 , 其他

請求出 F(y) 並以此來決定最後得標價少於 DOE

的底標 b 值的機率。

098
3.4 聯合機率分佈
 在測量受控制的化學藥品實驗中，化學反應所
產生的化學沈澱物的質量 P 以及其釋放出的氣
體流量 V，因此變數組 ( p , v) 組成了一個2-維
(two-dimensional) 的樣本空間

098
3.4 聯合機率分佈
 假設 X 和 Y 為 2 個離散隨機變數，對於 X 和 Y
它們同時發生的可能性的機率分佈，可以由一
個 聯 合 機 率 分 佈 函 數 (joint probability
distribution) f ( x , y) 來表示，亦即在隨機變數 X
和 Y 的可能值域範圍內，對任一樣本點( x , y)都有
一個對應的函數值 f ( x , y)，使得
f ( x , y)  P( X  x , Y  y)

一言以蔽之：

099
3.4 聯合機率分佈
定義3.8
函數 f ( x , y) 是離散變數 X 和 Y 的聯合機率分佈函數
(joint probability distribution) 或是聯合機率質量函數
(joint probability mass function)，它滿足以下的條件：
1. f ( x , y)  0，對所有可能 ( x , y)
2.  f ( x, y)  1
x y
3. P( X  x , Y  y)  f ( x , y)
對一 ( x , y) 平面上的任一區域 A，其機率可定義為
P[( X , Y )  A]   ( x , y )A
f ( x , y)

099
範例3.14
 從一裝有 3 根藍原子筆心、2 根紅原子筆心以
及 3 根綠原子筆心的盒子中隨機取出 2 根筆心，
假設變數 X 代表取出的藍原子筆心數目、變數
Y 代表取出的紅原子筆心數目，請問
(a) 其聯合機率函數 f ( x , y) 為何？
(b) P[( X , Y )  A]  ? 其中 A  {( x , y) | x  y  1} 。

099
3.4 聯合機率分佈
 如果 X 和 Y 為兩個連續隨機變數，則其聯合機率密
度函數 (joint probability density function) f ( x , y) 是
位於 (x, y) 平面上一個平面函數。
定義 3.9
函數 f ( x , y) 是 X 和 Y 連續隨機變數的聯合機率密度函數
(joint probability density function)，它滿足以下的條件：
1. f ( x , y)  0，對所有可能 ( x , y)
 
2.     f ( x , y)dxdy  1
3. P[( X , Y )  A]   A f ( x , y) dxdy ，假設 A 為 ( x , y) 平面上的任一
區域。

100
範例3.15
 有一間公司的獨家秘方包含兩道獨特的手續。假設
變數 X 和 Y 分別代表在某一天該公司所使用兩種不
同手續的比例。我們假設其聯合密度函數可由以下
的函數來表示
2
 (2 x  3 y ) , 0  x 1, 0  y 1
f ( x , y)   5

0 , 其他

(a) 請驗證 f ( x , y) 滿足定義 3.9 中第 2 個條件。

(b) 若 A  ( x , y) | 0  x  12 , 14  y  12 ，請問 P[( X , Y )  A]  ?

101
3.4 聯合機率分佈
定義 3.10
已知 f ( x , y) 為 2 個離散隨機變數 X 和 Y 的聯合機率分佈，則對
於隨機變數 X 和 Y 之各自的邊際分佈 (marginal distribution) 分
別為 g ( x)   f ( x , y) 以及 h( y)   f ( x , y)
y x

若 X 和 Y 為連續隨機變數，而 f ( x , y) 為隨機變數 X 和 Y 的聯合

機率分佈，則對於隨機變數 X 和 Y 之各自的邊際分佈 (marginal
distribution) 分別為
 
g ( x)   f ( x , y )dy 以及 h( y)    f ( x , y)dx


102
範例3.16
 請證明表3.1的各欄總和以及各列總和就是隨機
變數 X 和 Y 本身的邊際分佈。

102
範例3.17
 請求出範例3.15的聯合密度函數 g(x) 以及 h(y)。

103
範例3.17
 邊際分佈 g(x) 以及 h(y)實際上是隨機變數 X 和
Y 的機率分佈函數。
 如何證明?
 P(a < x < b) = ?

103
3.4 聯合機率分佈
定義 3.11
令 X 和 Y 是兩個不論是離散的或是連續的隨機變數，
則已知 X = x 時，隨機變數 Y 的條件機率分佈
(conditional probability distribution) 定義為
f ( x , y)
f ( y | x)  , 假設 g ( x)  0 ， 即 g ( x)  0
g ( x)
同理，已知 Y = y，隨機變數 X 的條件機率分佈為
f ( x , y)
f ( x | y)  , 假設 h( y)  0 ， 即 h( y)  0
h( y)

如何推導?

103
3.4 聯合機率分佈
 若 X 和 Y 是離散隨機變數，且已知 Y = y，則
隨機變數 X 落在 a 和 b 之間的條件機率分佈為 ?

 若 X 和 Y 是連續隨機變數，且已知 Y = y，則
隨機變數 X 落在 a 和 b 之間的條件機率分佈為?

103
範例3.18
 參照範例 3.14，請求出已知 Y = 1時 X 的條件分
佈，並以此計算 P( X  0 | Y  1)  ?

105
範例3.19
 X 和 Y 是連續隨機變數，其中 X 是溫度的變化量，
Y 是某粒子因溫度變化所產生的光譜偏移比例，其
聯合密度函數 f ( x , y) 定義如下

10 xy ,
2
0  x  y 1
f ( x , y)  

0 , 其他

(a) 請求出邊際密度 g(x)、h(y) 以及條件密度 f ( y | x)

(b) 已知溫度增加0.25個單位，則該粒子會產生一半
以上的光譜偏移比例的機率為何？

105
範例3.20
 已知一聯合密度函數如下
 x(1  3 y 2 )
 , 0  x  2 , 0  y 1
f ( x , y)   4
0 , 其他


請求出 g(x)、h(y) 以及條件密度 f ( x | y)，以及計

算 P( 14  X  12 | Y  13 )  ?

106
3.4 聯合機率分佈
 統計獨立
定義 3.12
令 X 和 Y 是隨機變數 (不管是離散的或是連續的)，給定
其聯合機率分佈 f ( x , y) 以及 X 和 Y 個別的邊際分佈 g(x)
以及h(y)，則此隨機變數 X 和 Y 稱為 統計獨立 (statistical
independence)，若且唯若，
對樣本空間範圍內的 ( x , y) 而言， f ( x , y)  g ( x)h( y)
如何證明 ?
X 和 Y 不是統計獨立的充要條件為?

107
範例3.21
 驗證範例3.14中的隨機變數不是統計獨立。

108
3.4 聯合機率分佈
定義 3.13
令 X1 , X 2 , , X n 為一組不管是離散的或是連續的隨
機變數，已知聯合密度分佈 f ( x1 , x2 , , xn ) 以及隨機
變數 X1 , X 2 , , X n 之個別邊際分佈 f1 ( x1 ) , f2 ( x2 ) , , fn ( xn )
，則 X1 , X 2 , , X n 稱為彼此統計獨立 (mutually
statistically independent)，若且唯若，對樣本空間範
圍內的任一 ( x1 , x2 , , xn ) 而言，滿足以下的方程式

f ( x1 , x2 , , xn )  f1 ( x1 ) f 2 ( x2 ) f n ( xn )

109
範例3.22
 假設某個以厚紙板包裝紙製成的生鮮食品容器的保
存期限 (以年計) 是一個隨機變數 X。已知其機率密
度函數如下 x e , x0
f ( x)  
0 , 其他

令 X1 , X 2 , X 3 代表隨機選出的 3 個生鮮食品容器其
個別的保存期限，請問 P( X1  2 ,1  X 2  3 , X 3  2)  ?

109