连续型随机变量与离散型随机变量的区别是什么

问题一：什么是离散型随机变量 所有取值可以一一列出的随机变量称为离散型随机变量 例如某网页24小时内被浏览的次数Y为随机变量 离散随机变量是指随机变量的取值有限多个或者可数多个，可以像自然数那么多个。 问题二：离散型随机变量和连续型随机变量分别是什么意思哦？有区别吗？ 离散型随机变量只可能出现可数型的实现值，比如自然数集，{0,1}等等，常见的有二项随机变量，泊松随机变量等。 连续型随机变量的实现值是属于不可数 *** 的，比如(0,1]，实数集，常见的有正态分布，指数分布，均匀分布等。 这里涉及 *** 论里可数和不可数的概念，如果你没学过，讲简单点，前者可能出现的数值你是可以掰着手指头一个一个数的，但是后者却是不可能的。 问题三：什么是离散型随机变量 定义1 如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。 定义2 设X为离散型随机变量，它的一切可能取值为X1，X2，……，Xn，……，记 P=P{X=xn},n=1,2……(2.1) 称(2.1)式为X的概率函数，又称为X的概率分布，简称分布。 离散型随机变量的概率分布有两条基本性质： (1)Pn≥0 n=1,2,… (2)∑pn=1 问题四：离散型随机变量与连续型随机变量有什么区别？ 离散型随机变量取值只能是点 连续型随机变量取值可以是任意值。 问题五：什么是离散型随机变量？ 对于随机变量可能取得值，可以按一定次序一一列出，这样的随机变量叫做离散型随机变量。 问题六：离散型随机变量与连续型随机变量的区别与特点~ 先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随伐变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。 问题七：离散型随机变量的取值有什么要求 定义：若随机变量X只取有限多个或可列无限多个值,则称X为离散型随机变量.比如投一个色子出现的点数X,取值范围是｛1,2,3,4,5,6｝；110报警台一天接到的报警次数Y,取值范围为｛0,1,2……｝ 问题八：连续型和离散型随机变量该怎么区分 先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。

1、随机变量分为离散型随机变量与 非离散型随机变量两种，随机变量的函数仍为随机变量。有些随机变量,它全部可能取到的不相同的值是有限个或可列无限多个，也可以说概率1以一定的规律分布在各个可能值上。这种随机变量称为离散型随机变量。 2、如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。

取值有限或可列的，是离散型随机变量、取值范围是数轴上某个连续区间的，就是连续型随机变量。

散变量的特点是：变量按其数值表现是否连续，分为连续变量和离散变量。连续变量的数值是连接不断的，相邻两值之间可作无限分割。1、基本知识：变量按其数值表现是否连续，分为连续变量和离散变量。离散变量指变量值可以按一定顺序一一列举，通常以整数位取值的变量。如职工人数、工厂数、机器台数等。有些性质上属于连续变量的现象也按整数取值，即可以把它们当做离散变量来看待。2、离散变量的概率分布：常用的有二项分布、泊松（Poisson）分布。其余的还有两点分布、几何分布、超几何分布等概率分布。3、二项分布：二项分布是基于贝努里（Bernoulli）试验的分布。贝努里试验是一种重要的概率模型。是历史上最早研究的概率论模型之一。有下面两个特点的试验称为贝努里试验。4、泊松分布：若在大量的贝努里试验中，P（A）=p很小，则称这种概率模型为稀有事件概率模型。生三胞胎次数、患癌症人数、自然死亡人数、显微镜下微粒个数、放射粒子个数、大量产品中的次品数、摇奖中的一等奖等，都是稀有事件概率模型。

一、概念不同1、离散型随机变量：如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。2、连续型随机变量：连续型随机变量是指如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。二、特点不同1、离散型随机变量：变量取值只能取离散型的自然数，就是离散型随机变量。2、连续型随机变量：当提到一个随机变量X的概率分布，指的是它的分布函数，当X是连续型时指的是它的概率密度，当X是离散型时指的是它的分布规律。举例：比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量。x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3分钟、5分钟7毫秒、7√2分钟，在这十五分钟的时间轴上任取一点，都可能是等车的时间，因而称这随机变量是连续型随机变量。

定义1如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。定义2设X为离散型随机变量，它的一切可能取值为X1，X2，……，Xn，……，记P=P{X=xn},n=1,2……(2.1)称(2.1)式为X的概率函数，又称为X的概率分布，简称分布。离散型随机变量的概率分布有两条基本性质：(1)Pn≥0 n=1,2,…(2)∑pn=1

先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。

离散型随机变量是概率论中的一个重要概念。它是指在一定范围内取值的不连续的随机变量，其取值只能是某些确定的数值。扩展资料：1、离散型随机变量的定义离散型随机变量是指在一个取值区间内，可能会取到其中某些整数取值的随机变量。例如，考虑掷一枚骰子，那么这个随机变量的取值只能是1、2、3、4、5、6等六个整数。2、离散型随机变量的概率质量函数对于一个离散型随机变量X，其概率质量函数（Probability Mass Function，简称PMF）可以表示为P(X=k)，其中k是变量X可能取的整数值。这个函数表示了在某一个特定取值下，随机变量X出现的概率。3、离散型随机变量的期望与方差对于一个离散型随机变量X，其期望值E(X)和方差Var(X)可以分别表示为：E(X)=∑kPk*k，其中Pk为X取到k时的概率；Var(X)=E[(X-E(X))^2]=∑k[Pk*(k-E(X))^2]，其中E(X)为X的期望。通过计算期望和方差，可以更好地描述离散型随机变量的性质，包括均值、分布等。4、离散型随机变量的分布：离散型随机变量的常见分布包括：伯努利分布：只有两个取值的离散型随机变量；二项分布：描述多次独立重复实验中成功次数的概率分布；泊松分布：描述单位时间或空间内随机事件发生的次数的分布；几何分布：描述多次独立重复实验中首次成功的概率分布。5、离散型随机变量在实际应用中的应用离散型随机变量在实际应用中有广泛的应用，如在金融、物流、医学、工程等领域。例如，在物流领域中，可以利用离散型随机变量进行商品库存管理，以便更好地控制存货水平和缓解上下游之间的供需压力。6、结语离散型随机变量是概率论中的基本概念之一，主要关注随机变量在某个范围内取某些确定的值。我们需要尽可能深入地理解离散型随机变量的性质和特点，以更好地应用到实际问题中去。

1、设一汽车在开往目的地的道路上需经过四组信号灯 每组信号灯以1/2的概率宠许或禁止汽车通过。以X表示汽车首次停下时，它已通过的信号灯的组数(设各组信号灯的工作相互独立)，求X的分布律。 解：以p表示每组信号灯禁止汽车通过的概率。 (1)确定X所有可能取值。 (2)求X取每个可能值的概率 P{x=0}=p，P{x=1}=(1-p)·p，P{x=2}=(1-p) 2 ·p P{x=3}=(1-p) 3 ·p，P{x=4}=(1-p) 4 定义:设随机变量X只可能取0和1两个值，它的分布律是： 则称X服从参数为 的 0-1分布 或(两点分布)分布律表格形式： 应用： ① E：S={e 1 ，e 2 }→X=X(e)={0,(e=e 1 );1,(e=e 2 )} ②E：S={1,2,3,4,5,6}→X=X(e)={0,e≠5,1,e=5} ①参数形式： 参数给定了,才确定分布。 如：n=3，p=p(A)=0.3,则 即： ②实际背景： n：n次独立重复试验 p：p(A)=p,A在一次随机试验中发生的概率 X：n次随机试验中A发生的次数 0-1分布就是当n=1时的二项分布，是一种特殊的二项分布。 二项分布 命名来源于 二项式定理 ： 1、按规定某种型号电子元件的使用寿命超过1500小的为一级品,已知某一大批产品的一级品率为0.2，现在从中随机地抽查20只。问20只元件中恰有k只(k=0,1,….,20)为一级品的概率是多少? 解：(1)合理假设： 实际:不放回抽样，但样品众多, 假设：放回抽样 E:检查一只元件是否为一级品{①一级品②非一级品} A:某元件是一级品，P(A)=0.2 n=20：抽查20只相当于进行了20重伯努利试验 X：20只元件中一级品数量=20重伯努利E中A发生的次数 易知： 3、设有80台同类型设备，各台工作是相互独立的,发生故障的概率都是0.01，且一台设备的故障能由一个人处理。考虑两种配备维修工人的方法，其一是由4人维护，每人负责20台;其二是由3人共同维护80台。试比较这两种方法在设备发生故障时不能及时维修的概率的大小。 解： 已知题中给出了2种方案，故是样本空间的2个划分。 第一种方案： E：一次故障{①能及时维修②不能及时维修} A i ：第i个人维护中发生故障不能及时维修的概率P(A)=0.01 n=20:20台设备在工作，相当于20重伯努利试验 X：某人维护的20台中同一时刻发生故障的台数 A i ：第i个人维护的20台中发生故障不能及时维修。 易知： 且 80台中发生故障而不能及时维修的概率 实际上是4个 20台维护的和事件概率 ： 第二种方案： E：一次故障{①能及时维修②不能及时维修} A：维护的80台中发生故障不能及时维修的概率P(A)=0.01 n=80:80台设备在工作，相当于80重伯努利试验 X：共同维护的80台中同一时刻发生故障的台数 易知： 且80台中发生故障而不能及时维修的概率: ≈0.0087 很显然，第二种方案优于第一种方案。 ①每次E只有两个结果： ， ②每次E中P(A)=P不变 ③试验独立重复n次 当n重伯努利试验的次数n趋近于无穷大时，就近似服从了泊松分布。 泊松分布定义:若随机变量X的分布律为 其中λ>0是常数，则称随机变量X服从参数为λ的泊松分布。 记为 。 注：①参数 :如： ② 泊松定理 设λ>0是一个常数,n是任意正整数，设 ，则对于任一固定的非负整数k，有： 1、计算机硬件公司制造某种特殊型号的微型芯片，次品率达0.1%，各芯片成为次品相互独立。请用两种方法(二项分布、泊松定理)求在1000只产品中至少有2只次品的概率。以X记产品中的次品数,X~b(1000,0.001) 解：(1)二项分布： E：制造次品①是次品②不是次品 A：制造次品的概率为P(A)=0.001 n=1000：1000只产品，相当于1000重伯努利试验 X：产品中出现次品的次数。 易知： (2)泊松定理: n=1000：1000只产品，相当于1000重伯努利试验 p=P(A)=0.001 k:试验中次品的次品数 易知： 对于 满足 时，可以采用泊松分布近似代替二项分布。 定义:在独立重复试验中，试验次数预先不能确定。设每次试验成功的概率为p，将实验进行到成功一次为止，以X表示所需的试验次数，则X的分布律为 则称随机变量X服从参数为p的几何分布。 例:设某篮球选手的命中率为0.75,他连续投篮,直到第一次命中为止,求他投篮次数不起过5次就命中的概率 解:X：首次命中所用投篮次数 此时X服从几何分布，p=0.75。易知： 要求不超过5次就能命中的概率： 定义:从N件产品（其中含次品M件)中任取n件，以X表示取到的次品数，则X的分布律为 则称随机变量X服从参数为(N,M ,n)的超几何分布。

　　如果一个随机变量,它所有可能取的值是可列的（countable),可列包括有限 个(finite）或者无限可列（infinite countable)多个,那么这个随机变量,就是离散的(discrete).　　例子：　　1. 抛一个骰子,所有可能得到的点数就是一个离散随机变量,所有可能的取值是｛1,2.6}　　2.某一个时间段内,话务中心接到的电话数量

.

2+1/2=5/2

有

It is depends on how you define your cumulative distribution function (cdf)...In some textbook, they define the cdf as:F(x)=P(X<x), then this function should be left continuousIn some other books, you may see the def of cdf is:F(x)=P(X<or=x), then the function should be right continuousThis problem is not just for discrete random variables, but this difference in definition has a larger influence to discrete r.v., because for discrete r.v., the probability is not zero for a single point, i.e. P(X=x) is not 0, while it is 0 for continuous r.v.

P（ξ=7）=P（X1=7）P(X2 =7)=0.04P（ξ=8）=P（X1=8）P(X2 =8)+P（X1=7）P(X2 =8)+P（X1=8）P(X2 =7)=0.21P（ξ=9）=P（X1=9）P(X2 =9)+P（X1=7）P(X2 =9)+P（X1=9）P(X2 =7)+P（X1=8）P(X2 =9)+P（X1=9）P(X2 =8)=0.39P（ξ=10）=P（X1=10）P(X2 =10)+P（X1=10）P(X2 =9)+P（X1=9）P(X2 =10)+P（X1=8）P(X2 =10)+P（X1=10）P(X2 =8)+P（X1=10）P(X2 =7)+P（X1=7）P(X2 =10)=0.36数学期望按定义做。

离散型随机变量只可能出现可数型的实现值，比如自然数集，{0,1}等等，常见的有二项随机变量，泊松随机变量等。连续型随机变量的实现值是属于不可数集合的，比如(0,1]，实数集，常见的有正态分布，指数分布，均匀分布等。这里涉及集合论里可数和不可数的概念，如果你没学过，讲简单点，前者可能出现的数值你是可以掰着手指头一个一个数的，但是后者却是不可能的。

Z=max（X，Y）,因为X,Y独立同分布所以Z的可能取值是0，1P(Z=0)=P(max（X，Y）=0)=P(X=0,Y=0)=P(X=0)P(Y=0)=1/4P(Z=1)=1-P(Z=0)=3/4(这是利用对立事件的概率来求的，若直接算就是P(Z=1)=P(max（X，Y）=1)=P(X=0,Y=1)+P(X=1,Y=0)+P(X=1,Y=1))扩展资料按照随机变量可能取得的值，可以把它们分为两种基本类型：离散型离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。连续型连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、指数随机变量、伽马随机变量和正态随机变量。

当随机变量的可取值全体为一离散集时称其为离散型随机变量，否则称其为非离散型随机变量，这是很大的一个类，其中又有一类常见的它的随机变量的可取值全体为一(n维)连续空间，称其为连续型随机变量。

离散型是点对概率,而连续型是面积对应概率,所以离散型取一点对应相应的概率,而连续型任一点只能做一条线,线的面积为零.

离散型的直接列出取值和取到这个值的概率，比如两点分布P(X=1)=0.6，P(X=0)=0.4这样。连续型的取到一个特定值的概率是0，只有取值在一个区间里面有意义，所以用分布函数和概率密度函数描述。分布函数F(x)表示随机变量X≤x的概率，也就是F(x)=P(X≤x)。概率密度函数就是F(x)的导数，记为f(x)，满足P(a≤X≤b)=∫(a到b)f(x)dx。

离散型随机变量是指变量只能取离散的点，连续型随机变量指变量可以取值的范围为R中的一个子集。离散型随机变量的分布只可用分布列来表示连续型随机变量一般可用密度函数来表示，其分布是当随机变量在x<=a时的积分值来表示，即对密度函数进行积分得来的。

离散是点 连续是线 可以理解为自然数和实数那样的区别

离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得. 反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得.

取值有限或可列的，是离散型随机变量、取值范围是数轴上某个连续区间的，就是连续型随机变量。

所有取值可以一一列出的随机变量，称为离散型随机变量 你可以看数学选修2-3 P45

1、随机变量分为离散型随机变量与 非离散型随机变量两种，随机变量的函数仍为随机变量。有些随机变量,它全部可能取到的不相同的值是有限个或可列无限多个，也可以说概率1以一定的规律分布在各个可能值上。这种随机变量称为离散型随机变量。 2、如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。

离散型随机变量只可能出现可数型的实现值，比如自然数集，{0,1}等等，常见的有二项随机变量，泊松随机变量等。连续型随机变量的实现值是属于不可数集合的，比如(0,1]，实数集，常见的有正态分布，指数分布，均匀分布等。这里涉及集合论里可数和不可数的概念，如果你没学过，讲简单点，前者可能出现的数值你是可以掰着手指头一个一个数的，但是后者却是不可能的。

如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。离散型随机变量的一切可能的取值xi与对应的概率p（xi）乘积之和称为该离散型随机变量的数学期望 (若该求和绝对收敛），记为E（x），是简单算术平均的一种推广，类似加权平均。离散型随机变量X的取值为为X对应取值的概率，可理解为数据出现的频率f（Xi），则：扩展资料：离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，?，20，而不能取小数3.5、无理数根号20，因而k是离散型随机变量。如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是[0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数根号20等，因而称这随机变量是连续型随机变量。

先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。

一、概念不同1、离散型随机变量：如果随机变量X只可能取有限个或至多可列个值，则称X为离散型随机变量。2、连续型随机变量：连续型随机变量是指如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。二、特点不同1、离散型随机变量：变量取值只能取离散型的自然数，就是离散型随机变量。2、连续型随机变量：当提到一个随机变量X的概率分布，指的是它的分布函数，当X是连续型时指的是它的概率密度，当X是离散型时指的是它的分布规律。举例：比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量。x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3分钟、5分钟7毫秒、7√2分钟，在这十五分钟的时间轴上任取一点，都可能是等车的时间，因而称这随机变量是连续型随机变量。

如果一个随机变量，它所有可能取的值是可列的（countable)，可列包括有限 个(finite）或者无限可列（infinite countable)多个，那么这个随机变量，就是离散的(discrete)。 例子： 1. 抛一个骰子，所有可能得到的点数就是一个离散随机变量，所有可能的取值是｛1，2....6} 2.某一个时间段内，话务中心接到的电话数量

最简单就是看图 是线就是连续 是一个一个的点就是离散

离散型随机变量只可能出现可数型的实现值，比如自然数集，{0,1}等等，常见的有二项随机变量，泊松随机变量等。连续型随机变量的实现值是属于不可数集合的，比如(0,1]，实数集，常见的有正态分布，指数分布，均匀分布等。这里涉及集合论里可数和不可数的概念，如果你没学过，讲简单点，前者可能出现的数值你是可以掰着手指头一个一个数的，但是后者却是不可能的。

先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。

先说一个熟悉的内容,数列与函数. 当然数列也是函数,但它的取值是自然数,取值是离散的, 而一般的函数取值是某一个区间,在这区间内取值往往是可以连续的. 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定, 变量取值只能取离散型的自然数,就是离散型随机变量, 比如,一次掷20个硬币,k个硬币正面朝上, k是随机变量, k的取值只能是自然数0,1,2,…,20,而不能取小数3.5、无理数√20, 因而k是离散型随机变量. 如果变量可以在某个区间内取任一实数,即变量的取值可以是连续的,这随机变量就称为连续型随机变量, 比如,公共汽车每15分钟一班,某人在站台等车时间x是个随机变量, x的取值范围是[0,15),它是一个区间,从理论上说在这个区间内可取任一实数3.5、√20等,因而称这随机变量是连续型随机变量.

你好！这是二项分布，可以根据公式如图计算。经济数学团队帮你解答，请及时采纳。谢谢！

有些随机变量，它全部可能取到的不相同的值是有限个或可列无限多个，称为离散型随机变量 若随机变量X的分布函数F(x)，存在非负函数f(x)，使f(x)积分为F(x)(下限为负无穷)

离散型随机变量 就是变量是一个 离散状态 比如是几个数值 X=1 X=2 X=4 才有定义 其余无定义 这样变量就离散了 连续型的是变量是一个范围 比如 X属于 0 到1 还有假如X在0到1 和 2到3 上有定义 这样是离散的两个区间 是叫离散型还是连续型呢 好像都不能叫 叫非离散型比较靠谱 至于那个实验 就是 服从二项分布 结果只有两种 每次实验互不影响 每种结果都是相同概率 比如抛硬币 不是正面就是反面 正面反面概率每次都是1/2

离散型随机变量的方差：D(X) = E{[X - E(X)]^2}；（1）=E(X^2) - (EX)^2；（2）（1）式是方差的离差表示，,如果不懂，可以记忆（2）式（2）式表示：方差 = X^2的期望 - X的期望的平方。X和X^2都是随机变量，针对于某次随机变量的取值， 例如： 随机变量X服从“0 - 1”：取0概率为q，取1概率为p，p+q=1 则： 对于随即变量X的期望 E(X) = 0*q + 1*p = p 同样对于随即变量X^2的期望 E(X^2) = 0^2 * q + 1^2 * p = p 相关如下：机变量的期望，离散情形：如果X是离散随机变量，具有概率质量函数p（x），那么X的期望值定义为E[X]= 换句话说，X的期望是X可能取的值的加权平均，每个值被X取此值的概率所加权。连续情形：也可以定义连续随机变量的期望值。如果X是具有概率密度函数f（x）的连续随机变量，那么X的期望就定义为E[X]= = =β+a/2。换句话说，在（a，β） 上均匀分布的随机变量的期望值正是区间的中点。随机变量在不同的条件下由于偶然因素影响，可能取各种不同的值，故其具有不确定性和随机性，但这些取值落在某个范围的概率是一定的，此种变量称为随机变量。随机变量可以是离散型的，也可以是连续型的。

X ，Y是独立的，算出X=x的概率，Y=y的概率，直接相乘。具体回答如图：根据随机变量的不同，联合概率分布的表示形式也不同。对于离散型随机变量，联合概率分布可以以列表的形式表示，也可以以函数的形式表示；对于连续型随机变量，联合概率分布通过非负函数的积分表示。扩展资料：在概率论中, 对两个随机变量X和Y，其联合分布是同时对于X和Y的概率分布。如果随机变量X的取值是有限的或者是可数无穷尽的值，则称X为离散随机变量。如果X是由全部实数或者由一部分区间组成，则称X为连续随机变量，连续随机变量的值是不可数及无穷尽的。随机变量分为离散型随机变量和连续型随机变量，当要求随机变量的概率分布的时候，要分别处理。随机变量X和Y的联合分布函数是设(X，Y)是二维随机变量，对于任意实数x，y，二元函数：F(x，y) = P{(X<=x) 交 (Y<=y)} => P(X<=x, Y<=y)称为二维随机变量(X，Y)的分布函数。如果将二维随机变量(X，Y)看成是平面上随机点的坐标，那么分布函数F(x，y)在(x，y)处的函数值就是随机点(X，Y)落在以点(x，y)为顶点而位于该点左下方的无穷矩形域内的概率。参考资料来源：百度百科——联合概率分布

这个是二项分布啊。没什么猫腻。对于X只能取0，1，2三个值他们的概率你应该会求吧。所以X=0的概率当然等于1减X=1和X=2的情况，也就是X》=1的情况咯。

我是高三学生,这个问题很难回答,不妨想像一下现实例子,也许会好一点,作多了就好了.我就是这么过来的.加油!!!!!1

数学期望在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。扩展资料：离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定。变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数，因而k是离散型随机变量。如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量。例如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量，x的取值范围是[0,15），它是一个区间，从理论上说在这个区间内可取任一实数3.5、无理数等，因而称这随机变量是连续型随机变量。参考资料来源：百度百科-数学期望参考资料来源：百度百科-均值

D(x)指方差，E(x)指期望。一、E(x)：①期望的定义：在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。它反映随机变量平均取值的大小。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合里。大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。②期望的计算：离散型：E（x）=X1*P(x1)+X2*P(x2)+....+Xn*P(xn)连续型：E（x）=x*f(x)从负无穷到正无穷对x的积分,f(x)是概率密度。二、D(x):①方差的定义：方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。方差是衡量源数据和期望值相差的度量值。②方差的统计学意义：当数据分布比较分散（即数据在平均数附近波动较大）时，各个数据与平均数的差的平方和较大，方差就较大；当数据分布比较集中时，各个数据与平均数的差的平方和较小。因此方差越大，数据的波动越大；方差越小，数据的波动就越小。样本中各数据与样本平均数的差的平方和的平均数叫做样本方差；样本方差的算术平方根叫做样本标准差。样本方差和样本标准差都是衡量一个样本波动大小的量，样本方差或样本标准差越大，样本数据的波动就越大。扩展资料：一、均值和方差：1.当X,Y无关时，E(XY)=E(X)E(Y)2.D(X)=E(X^2)-(E(X))^2此时，E(X(X+Y-2))=E(X^2+XY-2X)=E(X^2)+E(XY)-2E(X)重要分布：1、0-1分布:E(X)=p ,D(X)=p(1-p)2、二项分布B(n,p)：P(X=k)=C(k )p^k·(1-p)^(n-k),E(X)=np,D(X)=np(1-p)3、泊松分布X~P(X=k)=(λ^k/k!)·e^-λ,E(X)=λ,D(X)=λ4、均匀分布U(a,b)::E(X)=(a+b)/2,D(X)=(b-a)^2/12参考资料：百度百科-数学期望百度百科-方差

参考一下

设为n，前n个为次品，第n+1个为正品。下面求n的均值。p(n=0) = 9/12 = 3/4p(n=1) = 3/12 * 9/11 = 9/44p(n=2) = 3/12 * 2/11 * 9/10 = 18/440p(n=3) = 3/12 * 2/11 * 1/10 * 9/9 = 2/440只有3个次品，以上为全部可能的情形。而且4个概率加起来等于1，说明计算结果正确。均值E(n) = 0 * 3/4 + 1 * 9/44 + 2 * 18/440 + 3 * 2/440 = 132/440 = 0.3

ξ服从几何分布P(ξ=1)=3/4P(ξ=2)=1/4×3/4P(ξ=3)=(1/4)^2×3/4…P(ξ=n)=(1/4)^(n-1)×3/4…

什么是变量 举例说明离散变量和连续变量 变量是统计学研究中对象的特征。它可以是定性的也可以是定量的，一个定量变量要么是离散的，要么是连续的。社会科学中研究变量的关系，通常把一个变量称为自变量（独立变量），另一个变量称之为因变量（依赖变量） 离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数搐法取得. 反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得. 什么是离散型变量？ 对于随机变量可能取的值,我们可以按一定次序一一列出,这样的随机变量叫做离散行随机变量统计学离散型变量和连续型变量有什么区别 离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得. 反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得. 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。 什么是离散变量和连续变量 顾名思义就变量就是会变化的量啊。可能是随时间或者空间或者其他因素而改变。离散变量就是说变量是离散的，一个一个的，比如某教室中人的个数，只能是整数啊，可能是1,5,2,...而不同时间可能教室的人数不一样，所以是变量啊。连续的变量，比如温度。 什么是离散型随即变量 如果一个随机变量,它所有可能取的值是可列的（countable),可列包括有限 个(finite）或者无限可列（infinite countable)多个,那么这个随机变量,就是离散的(discrete). 例子： 1. 抛一个骰子,所有可能得到的点数就是一个离散随机变量,所有可能的取值是｛1,2.6} 2.某一个时间段内,话务中心接到的电话数量 如何区别离散变量和连续变量？ 先说一个熟悉的内容，数列与函数。 当然数列也是函数，但它的取值是自然数，取值是离散的， 而一般的函数取值是某一个区间，在这区间内取值往往是可以连续的。 离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定， 变量取值只能取离散型的自然数，就是离散型随机变量， 比如，一次掷20个硬币，k个硬币正面朝上， k是随机变量， k的取值只能是自然数0，1，2，…，20，而不能取小数3.5、无理数√20， 因而k是离散型随机变量。 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。 统计学离散型变量和连续型变量有什么区别？ 离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得. 反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得. 如果变量可以在某个区间内取任一实数，即变量的取值可以是连续的，这随机变量就称为连续型随机变量， 比如，公共汽车每15分钟一班，某人在站台等车时间x是个随机变量， x的取值范围是[0,15)，它是一个区间，从理论上说在这个区间内可取任一实数3.5、√20等，因而称这随机变量是连续型随机变量。 数学 什么叫离散型 你说的是离散型随机变量吧？相对应的就有连续性随机变量。 离散型随机变量的变量取值只能取离散型的自然数。 比如说一共有10个球，5个白球5个黑球。一次抽5个球，其中有X个球是白球的概率。X的取值是0，1，2，3，4，5，而不可能是1.11，2.43（总不能有2.43个白球的说法吧？） 连续性随机变量的变量可以在某个区间内取任一实数，即变量的取值可以是连续的。

a+0.2=0.3,故a=0.1;0.3+0.4+0.1+b=1，故b=0.2. P(X=-1)=0.3,P(X=0)=0.4,P(X=2)=0.3;P(Y=1)=0.5,P(Y=3)=0.5令；a+1/6+1/12++1/6+1/6+1/6++1/12+1/6+b=1,得：a+b+1=1，即：a+b=0。因为a>=0, b>=0,故知道必有：a=0，b=0。所求概率P=0+1/6+1/12++1/6+1/6+1/6=3/4。扩展资料：当随机变量的可取值全体为一离散集时称其为离散型随机变量，否则称其为非离散型随机变量，这是很大的一个类，其中有一类是极其常见的，随机变量的取值为一(n)维连续空间，称其为连续型随机变量。 能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定，变量取值只能取离散型的自然数，就是离散型随机变量。 参考资料来源：百度百科-离散型随机变量