在概率的世界中，一个 随机变量 并不是像代数中的未知数那样充当占位符。相反，可以将其视为一个 正式的转换器。它是一个从实验的每个定性结果（例如“抽到白球”）映射到定量数值（例如“-1美元”）的实值函数 $X: S \rightarrow \mathbb{R}$。
映射的逻辑
通过使用随机变量，我们不再讨论抽象结果的集合，而是开始用数字来描述事件。例如，当我们抛掷一枚硬币三次时，不必关注集合 $\{HHT, HTH, THH\}$，而是将 $X$ 定义为“正面朝上的次数”，并直接分析事件 $X=2$。
离散性
一个随机变量是 离散的 如果其取值范围是有限的或 可数无限的 （如整数）。这是一个至关重要的区别，因为它使我们能够使用 求和 （$∑$）而非积分来计算总概率。
概率质量函数（PMF）
PMF，记为 $p(a)$，表示离散随机变量取特定值 $a$ 的概率。它必须满足两个不可妥协的公理：
- $p(x_i) \geq 0$（不允许负概率）。
- $\sum_{i=1}^{\infty} p(x_i) = 1$（总概率质量必须涵盖所有可能的结果）。
🎯 核心公式
对于任意事件 $A$，其概率等于该事件内各质量之和：
$p(x) = P\{X = x\} \quad \text{且} \quad P(A) = \sum_{s \in A} p(s)$
实例分析：瓮悖论
考虑一个装有 8 个白球、4 个黑球和 2 个橙色球的瓮。我们抽取一个球，并将 $X$ 定义为我们获得的收益：抽到黑球得 $2，抽到白球则损失 $1。概率质量函数将“抽球”这一行为转化为一种财务分布，使我们能够计算破产与保本的可能性。
例 2a 分析
若对 $i=0, 1, 2, \dots$ 有 $p(i) = c\lambda^i/i!$，我们首先通过确保总和为 1 来求出 $c$。利用 $e^\lambda$ 的泰勒级数，可得 $c = e^{-\lambda}$。于是，$P\{X=0\} = e^{-\lambda}$，而 $P\{X>2\} = 1 - e^{-\lambda}(1 + \lambda + \lambda^2/2)$。