概率论Z=X+Y的概率密度问题

具体回答如图：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。扩展资料：设X，Y是概率空间(Ω,F,p)上的两个随机变量，如果除去一个零概率事件外，X(ω)与Y(ω)相同，则称X=Y以概率1成立，也记作p(X=Y)=1或X=Y,α.s.（α.s.意即几乎必然）。在研究随机变量的性质时，确定和计算它取某个数值或落入某个数值区间内的概率是特别重要的。因此，随机变量取某个数值或落入某个数值区间这样的基本事件的集合，应当属于所考虑的事件域。

随机变量（random variable）表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。[1]随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在做实验时，常常是相对于试验结果本身而言，我们主要还是对结果的某些函数感兴趣。例如，在掷骰子时，我们常常关心的是两颗骰子的点和数，而并不真正关心其实际结果，就是说，我们关心的也许是其点和数为7，而并不关心其实际结果是否是（1，6）或（2，5）或（3，4）或（4，3）或（5，2）或（6，1）。我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。因为随机变量的值是由试验结果决定的，所以我们可以给随机变量的可能值指定概率。

随机序列的定义随机序列（random sequence），更确切 的，应该叫做，随机变量序列。随机变量 序列，也就是随机变量形成的序列。有时 候为了简称，省略了变量二字。随机序列的产生为了形容随机变量形成的 序列。一般的，如果用X1，X2……Xn（表示n下 标于X）代表随机变量，这些随机变量如 果按照顺序出现，就形成了随机序列，记 做X^n（表示n上标于x）。这种随机序列 具备两种关键的特点：其一，序列中的每 个变量都是随机的；其二，序列本身就是 随机的。随机序列举例说明为了说明什么是随机序列，我们来举两个 例子。假设我们持续扔一个色子，我们把这个事 件细分，那么这个事件应该包括扔第一次 色子得到的点数，扔第二次得到的点数， 直到扔第n次得到的点数。把每次扔的的 点数按顺序分别记做X1，X2……，Xn。这 里每个X的取值可能为{1 2 3 4 5 6}。那么 我们可以写出随机序列：X^n = X1X2X3……Xn更实际的，我们可以用高速路收费站来说 明。假设一个收费站有10个出口。那么， 把收费站出口出去的车数记做随机变量Xn ，这里Xn就是集合{X1，X2……，Xn}，集 合中每个元素的取值为{0 1 2 3 4 5 6 7 8 9 10}。那么如果按照时间顺序观察，不难得 出一个随机序列，这个序列表示出口出去 车数的一个变化情况，是一个序列，记做 ：X^n = X1X2X3……Xn它是好几个随机变量的序列.举个例子,一个城市的每天 的用电量是一个随机变量Y,每家每户的用电量 可以设为Xi,(i=1,2,3,.....),那么Y=X1+X2+X3+......, 这X1,X2,X3.....就是一个随机变量的序列.

随机变量（random variable）表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

随机变量是指随机事件的数量表现。拓展资料如下：随机量，即随机变量（random variable）表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。性质如下：不确定性：随机变量在不同的条件下由于偶然因素影响，其可能取各种随机变量不同的值，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。如分析测试中的测定值就是一个以概率取值的随机变量，被测定量的取值可能在某一范围内随机变化，具体取什么值在测定之前是无法确定的，但测定的结果是确定的，多次重复测定所得到的测定值具有统计规律性。随机变量与模糊变量的不确定性的本质差别在于，后者的测定结果仍具有不确定性，即模糊性。简单地说，随机变量是指随机事件的数量表现。某地若干名男性健康成人中，每人血红蛋白量的测定值；等等。另有一些现象并不直接表现为数量，例如人口的男女性别、试验结果的阳性或阴性等，但我们可以规定男性为1，女性为0，则非数量标志也可以用数量来表示。这些例子中所提到的量，尽管它们的具体内容是各式各样的，但从数学观点来看，它们表现了同一种情况，这就是每个变量都可以随机地取得不同的数值，而在进行试验或测量之前，我们要预言这个变量将取得某个确定的数值是不可能的。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：离散型随机变量:即在一定区间内变量取值为有限个，或数值可以一一列举出来。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。连续型随机变量: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。

现实生活中，有些结果并非是数量化的。 这里有两类实验结果 ： 示数类型 ：降雨量；候车数；发生交通事故的次数；... 非示数类型 ：明天天气（晴，多云...）；化验结果（阳性，阴性）；... 这里要解决非示数类型最主要的问题是： 将实验结果数量化 设随机实验的样本空间为 ，若 为定义在 上的实值单值函数，则称 为 随机变量 ，简写 . 说明： （1）随机事件 为一映射，其自变量具有随机性； （2）随机事件可以表示为 如：将一枚均匀的硬币投掷 3 次，样本空间为 ｛正正正，正正反，正反正，正反反，反正正，反正反，反反正，反反反｝ 若 表示 3 次中出现的次数，则 随机事件 =｛正面出现了一次｝=｛正反反，反正反，反反正 ｝= 随机事件 =｛3 次出现的情况相同｝=｛正正正，反反反｝= 随机事件 =｛正面至少出现了一次｝= （3） 对于 ，则必有 . （4）一般用大写英文字母 X,Y,Z 或希腊字母 等来表示随机变量。 若随机变量 的取值为有限个或可数个 ，则称 为 离散型随机变量 。 可数集（也成可列集）：是指能与自然数集 建立一一对应的集合。即其中的元素都是可以被数到的。 如：正奇数集 {1,3,...},整数集{...,-2,-1,0,1,2...}，等等。 不可数集：是无穷集合中的一种。一个无穷集合和自然数集合之间如果不存在一一对应关系，那么它就是一个不可数集。 离散型随机变量的概率分布律（简称分布律） 分布律的性质： 分布律的另一表现形式： 例 1： 投掷一颗均匀的骰子，用 表示出现的点数，求 的概率分布律。 解： 由题意知， 的可能取值为 1,2,3,4,5,6 且其分布律为： 例 2： 有一颗均匀的骰子 进行独立重复地投掷 直到出现 6 点为止停止试验。用 表示投掷骰子的次数，求 的概率分布律 解： 由题意知， 的取值为 1,2,3..., 用 ｛第 次掷出的点数为 6｝，则 之间相互独立，且 =1/6， 由于 ， ， ,... 故 的分布律为 或写成

随机变量的定义为表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。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：1、离散型：离散型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。2、连续型：连续型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。

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。

设总体x~u[a,b]，样本均值的期望和方差如下：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），它是简单算术平均的一种推广，类似加权平均。随机变量概念在做实验时，常常是相对于试验结果本身而言，我们主要还是对结果的某些函数感兴趣。例如，在掷骰子时，我们常常关心的是两颗骰子的点和数，而并不真正关心其实际结果。就是说，我们关心的也许是其点和数为7，而并不关心其实际结果是否是（1，6）或（2，5）或（3，4）或（4，3）或（5，2）或（6，1）。我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。因为随机变量的值是由试验结果决定的，所以我们可以给随机变量的可能值指定概率。

通俗地讲，随机变量就是一个随机的数，它是对任何的“随机的东西”做的量化。我相信你有能力解释什么是“随机”，所以主要解释“量化”的部分。随机的对象可以是任何东西--明天的天气可以是晴、阴、雨，扔硬币的结果可以是正面或者反面，这里本身都没有数字。但是我们要借助概率论来研究它们，而概率论是数学的一部分，要用到数学语言，那么总是写“明天是晴天的概率”就很不方便，于是我们可以把晴、阴、雨贴上标签，叫做0、1、2，然后把明天的天气状况用一个字母X来表示，于是“明天下雨”就变成了“X=2”。这样，这个原本没有数字的随机结果就变成了一个可能的取值为0、1、2的随机数，这就是随机变量。

设随机试验的样本空间为，两点分布二项分布泊松分布，连续型的有均匀公布指数分布正态分布等等。1、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随机变量，即在一定区间内变量取值为有限个，或数值可以一一列举出来，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。2、连续型随机变量，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。

随机变量的解释 概率论的基本 概念 。描述随机现象某一 侧面 的数量。如同一台机器生产一种规格的螺钉，其直径大小就是一个随机变量。随机变量分为离散型和连续型两类。 词语分解 随机的解释 依照情势 必须 具有 一定 的随机应变的 能力 ,才能完成 任务 ∶ 自由 组合随机抽样详细解释依照情势；顺应 时机 。《陈书·徐世谱传》：“ 世谱 性机巧，谙解旧法，所造器械，竝随机损益，妙思出人。” 宋 陈亮 《 变量的解释 可假定为一组特定值中之任一值的量 代表数学公式中一个可变量的符号 函数 的值 取决于 变量的值 数值可变的量详细解释 数值可以变化的量。如一天内的气温就是变量。

随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命；都是随机变量的实例。

多元随即变量也是变量，这个变量有两个未知的数组成比如说，向直角坐标平面内投掷小球，小球的落点是一个随机变量，这个随机变量是用坐标表示（x，y），则就是二元随机变量又如某一天的天气情况，由阴晴和风的情况组成，是一个随机变量，用（晴，三级）表示某天的天气晴，三级风，这也是一个二元随机变量，如果再加上温度的话，就是三元随机变量了

随机变量（random variable）表示随机试验各种结果的实值单值函数。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。中文名随机变量外文名random variable概念案例一个随机试验可能结果（称为基本事件）的全体组成一个基本空间Ω。随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。例如，随机投掷一枚硬币，可能的结果有正面朝上 ，反面朝上两种 ，若定义X为投掷一枚硬币时朝上的面 ， 则X为一随机变量，当正面朝上时，X取值1；当反面朝上时，X取值0。又如，掷一颗骰子，它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ，若定义X为掷一颗骰子时出现的点数，则X为一随机变量，出现1，2，3，4，5，6点时X分别取值1，2，3，4，5，6。概率要全面了解一个随机变量，不但要知道它取哪些值，而且要知道它取这些值的规律，即要掌握它的概率分布。概率分布可以由分布函数刻画。若知道一个随机变量的分布函数，则它取任何值和它落入某个数值区间内的概率都可以求出。有些随机现象需要同时用多个随机变量来描述。例如 ，子弹着点的位置需要两个坐标才能确定，它是一个二维随机变量。类似地，需要n个随机变量来描述的随机现象中，这n个随机变量组成n维随机向量。描述随机向量的取值规律 ，用联合分布函数。随机向量中每个随机变量的分布函数，称为边缘分布函数。若联合分布函数等于边缘分布函数的乘积 ，则称这些单个随机变量之间是相互独立的。独立性是概率论所独有的一个重要概念。

设随机变量X和Y相互独立，且X~N(3,4) Y~(2,9)则Z=3，X－Y~(4,5)E(X)=3,E(Y)=2D(X)=4.D(Y)=9E(Z)=3E(X)-E(Y)=7D(Z)=9D(X)+D(Y)=45随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。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。

这个我之前恰好写过一篇文章，讨论了这个问题。下面摘录一部分：在数学中有各种各样的数学函数，比如 sin ln 等函数，sin(pi/2)=1，ln1 = 0 等等。C 语言中的函数在 C 语言中，我们当然也可以使用这些函数，请看如下代码：math。 h 中包含各种数学函数的目录，只要将其用 #include 导入，在 main 中使用 sin，log 函数时，程序才知道从哪里找这些函数。我们在 codeblocks 中执行它，输出如下：在数学中，使用函数时可以省略括号，例如 sin pi/2，而 C 语言中的函数则一定要使用 ()，例如 sin(pi/2)。在C语言的术语中，pi/2是参数，sin是函数，使用 sin(pi/2) 就是程序员常说的“函数调用”。C语言函数的“副作用”事实上，printf(“…”,…); 也是一种函数调用。但是 printf 感觉不像一个数学函数，为什么呢？因为像 sin 这种函数，传递一个参数给它，它会返回给我们一个计算后的值，我们调用 sin 函数就是为了得到它的返回值。 至于 printf 函数，我们并不关心它的返回值，更关心的是它的“副作用”（计算返回值的过程中，往控制台打印的字符。）。事实上，printf 也有返回值，它返回的是实际打印的字符数。C 语言函数可以有“副作用”，这是它与数学函数的根本区别。

离散型随机变量的分布函数也就是分段函数，分段函数就是对于自变量x的不同的取值范围有不同的解析式的函数，它是一个函数，而不是几个函数；分段函数的定义域是各段函数定义域的并集，值域也是各段函数值域的并集。离散型随机变量的累积分布函数图像呈阶梯状，所以F(x)在非间断点处处连续，在间断点(基本空间中的事件点对应随机变量取值)处仅左连续，这里f(x)即是分布列（对应连续型随机变量的密度函数），基本空间（必然事件）对应一离散点列（离散随机变量所有可取的值），所以f(1-0)不存在。离散型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。

定义在样本空间上的实值函数，称为随机变量。表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。样本是随机变量，其不会绝对地以某种结果出现。样本的任何一种结果出现都是带有一定概率的，这种概率分布就称为样本分布。样本是受随机性影响的，但是这种影响的具体方式如何，取决于观察指标的性质、观察手段和方法等，但所有的这些影响都可以总结到样本分布中去。扩展资料：数理统计学所研究数据的随机性主要源自于两点，一是受限于一些因素，无法获取对象总体，一般只能选择一定样本，样本的选择就带有随机性。二是研究过程中的一些随机误差，比如一些未加考虑、无法控制、未知的因素，这二者就造成了数据的随机性。基于这一点，数理统计学是数学到的一个分支，其任务是研究如何用有效的方法去收集、使用带有随机性影响的数据。

连续型变量一般指连续型随机变量。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。例如，一批电子元件的寿命、实际中常遇到的测量误差等都是连续型随机变量。而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。连续变量的性质符号x如果能够表示对象集合S中的任意元素，就是变量。如果变量的域(即对象的集合S)是离散的，该变量就是离散变量；如果它的域是连续的，它就是连续变量。连续变量由于不能一一列举其变量值，只能采用组距式的分组方式，且相邻的组限必须重叠。如以总产值、商品销售额、劳动生产率、工资等为标志进行分组，就只能是相邻组限重叠的组距式分组。以上内容参考 百度百科-连续型变量；百度百科-连续变量

1 随机变量表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。2 比如对于两个变量的，x，y，假设了用解释变量x的方程式表示y，此时只有确定x，才能有对应的y预测值因此x此时不是随机变量

就是二维呗 有啥不能理解的 炮弹落在地上的坐标 抽取一个学生他的身高体重 湿度 气压等对温度的影响 是用来探究随机变量之间的某种特殊关系 需要把这些单个因素联系起来 探究关系 而不是抽出单个体因素 跟坐标类似

高3数学书上有!

X表示随机变量，在这里可以取0、1、2、3、...、n意思是在n次试验中某一结果出现了X次，B表示二项分布。n表示一共做了n次重复的二项实验（只有两种结果的实验）。P表示在一次二项试验中某一结果出现的概率。0—1分布，数学期望p 方差p(1-p)；二项分布(贝努里概型)，数学期望np 方差np(1-p)；泊松分布，数学期望λ 方差λ；均匀分布，数学期望(a+b)/2 方差[(b-a)^2]/12；指数分布，数学期望1/λ 方差1/λ^2；正态分布，数学期望μ 方差σ^2；标准正态分布，数学期望0 方差1。

！随机变量本质上是定义在样本空间上的可测函数.随机事件是样本空间的可测子集.{X∈D}就是随机事件.用随机变量表示随机事件可以带来方便.从字面上理解;随机事件是指一件事，随机变量分布是分布函数，可以说后者可以表示为前者的数学模型比如：投掷一颗筛子是一件随机事件，用变量x表示筛子出现的点数，出现这个点数的概率为P，那么x-P的对应关系就是投掷一颗筛子这件随机事件掷出筛子点数的随机变量分布了

定义随机变量首先需要有概率空间(Ω,F,P),F是Ω子集的一个集类,是borel域(有的书上也叫sigma代数).所谓E是一个随机事件,就是指E∈F,P是定义在F上的集函数,是概率测度.X是随机变量,当且仅当,任意x∈(-infinity,infinity),{w∈Ω:X(w)<=x}∈F,(其实这并不是最原始的定义,而是一个等价条件,可做定义用). 第二个问题,涉及到borel域的构成方式问题,borel域要求对补和可列并封闭,若{X(ω)≤x}∈F,则有{X<x}=∪{x =x}=Ω-{X<=x}∈F. 要详细了解这些东西,需要测度论的基础.</x}=∪{x

统计量是样本的函数样本是随机变量随机变量的函数是随机变量统计量是随机变量

∫f（x）dxdy=C∫【0，2】（ax+1）dx=（a/2*x^2+x）|【0，2】=1，a=-1/2F（x）=∫【0，x】f（x）dy=（a/2*x^2+x）|【0，x】=-/4*x^2+x；F（x）=0，x<=0，F（x）=1，x>=1P｛1<x<3｝=∫【1，2】f（x）dx=（-1/4*x^2+x）|【1，2】=1/4对f（x）=ax+2积分，得0.5ax^2+2x，把上下限0与1代入得，F（x）=0.5a+2=1，a=-2对xf（x）=ax^2+2x积分，得1/3*ax^3+x^2把上下限0与1代入得，E（x）=1/3*a+1＝1/3，也得a=-2E（x）=∫（-∞，+∞）xf（x）dx=0D（x）=E（x^2）-（E（x））^2=E（x^2）=∫（-∞，+∞）x^2f（x）dx=2∫（0，+∞）x^2f（x）dx=∫（0，+∞）x^2e^（-x）dx=-x^2e^（-x）︱（0，+∞）-2∫（0，+∞）xe^（-x）dx=2∫（0，+∞）e^（-x）dx=2扩展资料：随机变量表示随机试验各种结果的实值单值函数。随机投掷一枚硬币，可能的结果有正面朝上，反面朝上两种，若定义X为投掷一枚硬币时朝上的面 ，则X为一随机变量。当正面朝上时，X取值1;当反面朝上时，X取值0。又如，掷一颗骰子，它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ，若定义X为掷一颗骰子时出现的点数，则X为一随机变量。出现1，2，3，4，5，6点时X分别取值1，2，3，4，5，6。以掷一颗骰子的随机试验为例，它的所有可能结果见，共6个，分别记作ω1，ω2，ω3，ω4，ω5，ω6。即Ω={ω1，ω2，ω3，ω4，ω5，ω6}。而出现的点数这个随机变量x，就是Ω上的函数x（ωk）=k，k=1，2，…，6。

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

哦 你的提问不太明确哦~~~

表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

问题一：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。 问题二：什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 问题四：什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。 问题五：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。 问题六：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。

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。

ξξξ在中文输入状态下，右击输入法图标上的 软键盘图标，在弹出的菜单中选择 希腊字母，在打开的 希腊字母 软键盘中单击选择所用的字符 ξ 。

哥哥，如果x是随机变量了，那你怎么测量啊，没办法测量就没有数据，没有数据怎么做回归啊。。。——|||回归分析最后不是会得出一个公式么，就是y=c+coef.1x1+coef.2x1+coef.2x1+coef.3x3+……+coef.nxn+一库射脓（就是那个希腊字母，打不来，表示模型中未能考虑到或者未能测量到的随机变量）后面那个“一库射脓”不就是随机变量么，它才是随机变量啊！！！x123……n就肯定是非随机变量了啊！！！总的来说，你这个问题，嗯，问得很奇怪=。=

设随机变量X服从正态分布N（1，3²），求不过也没必要

随机变量表示随机现象（在一定条件下，并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数等等，都是随机变量的实例。

打个比方吧，这样楼主可以很轻松地理解。当变量x的值为100的概率为1的话，那么x=100就是确定了的，不会再有变化，除非有进一步运算。当变量x的值为100的概率不为1，比如为50的概率是0.5，为100的概率是0.5，那么这个变量就是会随不同条件而变化的，是随机变量，取到50或者100的概率都是0.5，即50%这么说可以理解了吧？希望能帮到你。O(∩_∩)O

表示随机现象各种结果的变量。例如某一时间内公共汽车站等车乘客的人数，电话交换台在一定时间内收到的呼叫次数，等等，都是随机变量的实例。 一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω 。 随机变量X是定义在基本空间Ω上的取值为实数的函数，即基本空间Ω中每一个点，也就是每个基本事件都有实轴上的点与之对应。例如，随机投掷一枚硬币 ，可能的结果有正面朝上 ，反面朝上两种 ，若定义X为投掷一枚硬币时正面朝上的次数 ，则X为一随机变量，当正面朝上时，X取值1；当反面朝上时，X取值0。又如，掷一颗骰子 ，它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ，若定义X为掷一颗骰子时出现的点数，则X为一随机变量，出现1，2，3，4，5，6点时X分别取值1，2，3，4，5，6。 随机变量也是一种变量，它与普通变量的区别就是随机变量有概率性，而普通变量没有概率性。

具体回答如图：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。扩展资料：设X，Y是概率空间(Ω,F,p)上的两个随机变量，如果除去一个零概率事件外，X(ω)与Y(ω)相同，则称X=Y以概率1成立，也记作p(X=Y)=1或X=Y,α.s.（α.s.意即几乎必然）。在研究随机变量的性质时，确定和计算它取某个数值或落入某个数值区间内的概率是特别重要的。因此，随机变量取某个数值或落入某个数值区间这样的基本事件的集合，应当属于所考虑的事件域。

具体回答如图：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。扩展资料：设X，Y是概率空间(Ω,F,p)上的两个随机变量，如果除去一个零概率事件外，X(ω)与Y(ω)相同，则称X=Y以概率1成立，也记作p(X=Y)=1或X=Y,α.s.（α.s.意即几乎必然）。在研究随机变量的性质时，确定和计算它取某个数值或落入某个数值区间内的概率是特别重要的。因此，随机变量取某个数值或落入某个数值区间这样的基本事件的集合，应当属于所考虑的事件域。

具体回答如图：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。扩展资料：设X，Y是概率空间(Ω,F,p)上的两个随机变量，如果除去一个零概率事件外，X(ω)与Y(ω)相同，则称X=Y以概率1成立，也记作p(X=Y)=1或X=Y,α.s.（α.s.意即几乎必然）。在研究随机变量的性质时，确定和计算它取某个数值或落入某个数值区间内的概率是特别重要的。因此，随机变量取某个数值或落入某个数值区间这样的基本事件的集合，应当属于所考虑的事件域。

我们以前的函数有自变量，还记得吗？随机变量就是在表随机事件的函数里面的未知数啦

　表示随机现象（在一定条件下,并不总是出现相同结果的现象称为随机现象）各种结果的变量（一切可能的样本点）.例如某一时间内公共汽车站等车乘客人数,电话交换台在一定时间内收到的呼叫次数等等,都是随机变量的实例. 　　一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω .随机变量X是定义在基本空间Ω上的取值为实数的函数,即基本空间Ω中每一个点,也就是每个基本事件都有实轴上的点与之对应.例如,随机投掷一枚硬币 ,可能的结果有正面朝上 ,反面朝上两种 ,若定义X为投掷一枚硬币时正面朝上的次数 ,则X为一随机变量,当正面朝上时,X取值1；当反面朝上时,X取值0.又如,掷一颗骰子 ,它的所有可能结果是出现1点、2点、3点、4点、5点和6点 ,若定义X为掷一颗骰子时出现的点数,则X为一随机变量,出现1,2,3,4,5,6点时X分别取值1,2,3,4,5,6. 　　有些随机现象需要同时用多个随机变量来描述.例如 ,子弹着点的位置需要两个坐标才能确定,它是一个二维随机变量.类似地,需要n个随机变量来描述的随机现象中,这n个随机变量组成n维随机向量 .描述随机向量的取值规律,用联合分布函数.随机向量中每个随机变量的分布函数,称为边缘分布函数.若联合分布函数等于边缘分布函数的乘积,则称这些单个随机变量之间是相互独立的.独立性是概率论所独有的一个重要概念. 　　在不同的条件下由于偶然因素影响,其可能取各种不同的值,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.如分析测试中的测定值就是一个以概率取值的随机变量,被测定量的取值可能在某一范围内随机变化,具体取什么值在测定之前是无法确定的,但测定的结果是确定的,多次重复测定所得到的测定值具有统计规律性.随机变量与模糊变量的不确定性的本质差别在于,后者的测定结果仍具有不确定性,即模糊性.

随机变量是表示随机现象各种结果的变量。例如某一时间内地铁站的人流数量，一台机器在一定时间内出现错误的次数等等，都是随机变量的实例。在做实验时，常常是相对于试验结果本身而言，我们主要还是对结果的某些函数感兴趣。例如，在掷骰子时，我们常常关心的是两颗骰子的点和数，而并不真正关心其实际结果，我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。因为随机变量的值是由试验结果决定的，所以我们可以给随机变量的可能值指定概率。扩展资料：随机变量的表示方法：例如掷一颗骰子出现的点数，电话交换台在一定时间内收到的呼叫次数，随机抽查的一个人的身高，悬浮在液体中的微粒沿某一方向的位移，等等，都是随机变量的实例。一个随机试验的可能结果（称为基本事件）的全体组成一个基本空间Ω(见概率)。随机变量x是定义于Ω上的函数，即对每一基本事件ω∈Ω，有一数值x(ω)与之对应。以掷一颗骰子的随机试验为例，它的所有可能结果见，共6个，分别记作ω1,ω2,ω3,ω4,ω5,ω6,这时，Ω={ω1,ω2,ω3,ω4,ω5,ω6},而出现的点数这个随机变量x，就是Ω上的函数x(ωk)=k，k=1,2,?，6。又如设Ω={ω1,ω2,?，ωn}是要进行抽查的n个人的全体，那么随意抽查其中一人的身高和体重，就构成两个随机变量X和Y,它们分别是Ω上的函数：X(ωk)=“ωk的身高”，Y(ωk)=“ωk的体重”，k=1,2,?，n。一般说来，一个随机变量所取的值可以是离散的（如掷一颗骰子的点数只取1到6的整数，电话台收到的呼叫次数只取非负整数），也可以充满一个数值区间，或整个实数轴（如液体中悬浮的微粒沿某一方向的位移）。参考资料来源：百度百科-随机变量

随机变量（random variable）表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。它分为两种类型，离散型和连续型。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（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。

随机变量的特点如下：1、随相变量是定义在样本空间上的一个实值函数。2、随机变量的取值是随机的事先或试验前不知道哪个值。3、随相变量取特定值的概率大小是确定的。4、随相变量是定义在样本空间上的一个实值函数。5、随机变量的取值是随机的,事先或试验前不知道哪个值。6、随相变量取特定值的概率大小是确定的。随机变量(random variable)表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。基本类型：简单地说，随机变量是指随机事件的数量表现。例如一批注入某种毒物的动物，在一定时间内死亡的只数；某地若干名男性健康成人中，每人血红蛋白量的测定值；等等。另有一些现象并不直接表现为数量，例如人口的男女性别、试验结果的阳性或阴性等，但我们可以规定男性为1，女性为0，则非数量标志也可以用数量来表示。这些例子中所提到的量，尽管它们的具体内容是各式各样的，但从数学观点来看，它们表现了同一种情况，这就是每个变量都可以随机地取得不同的数值，而在进行试验或测量之前，我们要预言这个变量将取得某个确定的数值是不可能的。

随机变量的解释 概率论的基本 概念 。描述随机现象某一 侧面 的数量。如同一台机器生产一种规格的螺钉，其直径大小就是一个随机变量。随机变量分为离散型和连续型两类。 词语分解 随机的解释 依照情势 必须 具有 一定 的随机应变的 能力 ,才能完成 任务 ∶ 自由 组合随机抽样详细解释依照情势；顺应 时机 。《陈书·徐世谱传》：“ 世谱 性机巧，谙解旧法，所造器械，竝随机损益，妙思出人。” 宋 陈亮 《 变量的解释 可假定为一组特定值中之任一值的量 代表数学公式中一个可变量的符号 函数 的值 取决于 变量的值 数值可变的量详细解释 数值可以变化的量。如一天内的气温就是变量。

随机变量（random variable）表示随机试验各种结果的实值单值函数。 随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。 [1] 随机事件数量化的好处是可以用数学分析的方法来研究随机现象。 例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。随机变量（random variable）表示随机试验各种结果的实值单值函数。随机事件不论与数量是否直接有关，都可以数量化，即都能用数量化的方式表达。随机事件数量化的好处是可以用数学分析的方法来研究随机现象。例如某一时间内公共汽车站等车乘客人数，电话交换台在一定时间内收到的呼叫次数，灯泡的寿命等等，都是随机变量的实例。在做实验时，常常是相对于试验结果本身而言，我们主要还是对结果的某些函数感兴趣。例如，在掷骰子时，我们常常关心的是两颗骰子的点和数，而并不真正关心其实际结果，就是说，我们关心的也许是其点和数为7，而并不关心其实际结果是否是（1，6）或（2，5）或（3，4）或（4，3）或（5，2）或（6，1）。我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。因为随机变量的值是由试验结果决定的，所以我们可以给随机变量的可能值指定概率。

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：①离散型随机变量，即在一定区间内变量取值为有限个，或数值可以一一列举出来。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。②连续型随机变量，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。在代码块之间传递信息的一种方法就是使用外部变量。当一个变量在函数的外部被声明时，安的存储空间是永久分配的，安人存储类型是extren.外部变量的声明看上去和函数或代码块内部所声明的变量一样。外部变量对于它之后的所有函数都有效。在代码块或函数后，外部变量仍然存在。 static的基本用途是允许一个局部变量在重新进入代码块时能够保持原来的值。这和自动变量形成了鲜明的对比，自动变量在代码块时会被销毁，再次进入这个代码块时，它必须重新进行初始化。 register存储类型告诉编译器相关的变量应该改量存储在高速度的寄存器中。使用register存储类型的目的一般是为了提高执行速度，但是，register声明只是向编译器所提出的“建议”，并非强制要求。