什么是随机变量

若随机变量X数学期望存在，则E(E(EX)EX为常数设，EX=C则，D(EX)=D(C)=0E[D(EX)]=E(0)=0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：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。参考资料来源；百度百科-随机变量

数学期望的常用性质:1.设X是随机变量，C是常数，则E（CX）=CE（X）2.设X，Y是任意两个随机变量，则有E（X+Y）=E（X）+E（Y）.3.设X,Y是相互独立的随机变量，则有E（XY）=E（X）E（Y）

随机变量序列，就是一列随机变量，比如x1,x2,x3,x4他们是四个随机变量组成的随机变量序列，但是因为他们期望可以相同，但是他们不同，所以必须加入下标区分

在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、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。换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。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。（换句话说，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。）

定义：设随机试验的样本空间为，是定义在样本空间上的实值函数，称为随机变量.对于常见的随机变量分布的类型，离散型的有：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.

在随机试验中测定或观察的量就称为随机变量随机变量本身自己就是变量，所以它可以是自变量，也可以使因变量，还可以是无关变量。如：在回归分析中,因变量y是随机变量,自变量x也可以是随机变量,

随机变量表示随机试验各种结果的实值单值函数

随机变量序列，就是一列随机变量，比如x1,x2,x3,x4他们是四个随机变量组成的随机变量序列，但是因为他们期望可以相同，但是他们不同，所以必须加入下标区分

随机变量X与Y相互独立，且D(X)=1，D(Y)=2则D(2X-3Y)=2^2D(X)+3^2D(Y)=4x1+9x2=4+18=22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。

问题一：随机变量的函数还是随机变量吗？请举例说明，谢谢 10分 是的 比如X~N(0,1) 那么2X~N(0,4) 问题二：随机变量的分布函数有什么性质 随机变量的分布函数F(x)有什么性质? 答： 非负: F(x)>=0. 非减: F(x1) 问题三：随机变量分布函数这个概念怎么理解？ 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. 问题四：随机变量的分布函数表达的是什么意思，x和x的区别又是什么 随机变量X的分布函数F(x)表示随机变量X的取值小于x时的概率：P(X 问题五：概率论 随机变量的密度函数是什么? 连续型随机变量概率分布的讨论是在某个区间上来讨论的，在任何一个定点的概率都是零。 而密度函数是来描述连续型随机变量在某点附近取值的密集程度。 比如英语考试成绩服从均值为85的正态分布，正态分布的密度函数是在85处取到最大值，也就是表明成绩在85分附近的考生最多。 而均匀分布指的是在某个区间上随机变量取值是均等的，比如公交车每个整点10分钟一趟从总站开出，你早上6点30到6点45随机地到车站乘车，到达时间就是一个随机变量，并且是服从均匀分布的，密度函数就是1/15，问你等候时间不超过4分钟的概率是多少？也就是求密度函数在6点36到6点40上的积分，即P=4/15. 所以，连续型随机变量在某个区间上的概率，就是密度函数在这个区间上的积分.

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。 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。 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。

如果二维随机变量X,Y的分布函数F{x,y}为已知，那么因此边缘分布函数FX(x)，FY(y)可以由(X,Y)的分布函数所确定。如果二维随机变量X,Y的分布函数F{x,y}为已知，那么随机变量x，y的分布函数FU0001d5d1{x}和Fu028f{y}可由F{x,y}求得。则FU0001d5d1{x}和Fu028f{y}为分布函数F{x,y}的边缘分布函数。扩展资料：离散型随机变量：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。连续型型随机变量：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。

随机变量独立的充要条件：对于连续型随机变量有：F(X,Y)=FX(X)FY(Y),f(x,y)=fx(x)fy(y)；对于离散型随机变量有回：P(AB)=P(A)P(B)概率为P 设X,Y两随机变量，密答度函数分别为q(x),r(y), 分布函数为G(x), H(y),联合密度为p(x,y)，联合分布函数F(x,y), A,B为西格玛代数中的任意两个事件。常用的证明方法有三种：1、证明P(X∈A, Y∈B)=P(X∈A)P(Y∈B)2、证明 p(x,y)=q(x)r(y)3、证明 F(x,y)=G(x)H(y)。扩展资料：在自然界和现实生活中，一些事物都是相互联系和不断发展的。在它们彼此间的联系和发展中，根据它们是否有必然的因果联系，可以分成两大类：一类是确定性现象，指在一定条件下，必定会导致某种确定的结果。例如，同性电荷相互排斥，异性电和相互吸引；在标准大气压下，水加热到100摄氏度，就必然会沸腾。事物间的这种联系是属于必然性的。另一类是不确定性现象这类现象在一定条件下的结果是不确定的，即人们在未作观察或试验之前，不能预知其结果。例如，向桌上抛一枚硬币，我们不能预知向上的是正面还是反面随机地找一户家庭调查其收入情况，我们亦不能预知其收入是多少。在相同的情况下，会出现这种不确定的结果的原因：我们说的“相同条件”是指一些主要条件来说的，除了这些主要条件外，还会有许多次要条件和偶然因素是人们无法事先预料的。但另一方面，对这些不确定性现象进行大量、重复的实验时，人们会发现，其结果会出现某种“统计规律性”：重复抛一枚硬币多次，出现正、反两面的次数大致会各占一半；调查多户家庭，其收入会呈现“两头小，中间大”的状况，即处于中间状态的是大多数。这种在每次试验中呈现不确定性，而在大量重复试验中又呈现某种统计规律性的现象较随机现象。概率统计就是研究随机现象并揭示其统计规律性的一个数学分支，它在自然科学及社会科学的诸多领域都有着广泛的应用。

随机变量独立的充要条件：对于连续型随机变量有：F(X,Y)=FX(X)FY(Y),f(x,y)=fx(x)fy(y)；对于离散型随机变量有：P(AB)=P(A)P(B)概率为P 设X,Y两随机变量，密度函数分别为q(x),r(y), 分布函数为G(x), H(y),联合密度为p(x,y)，联合分布函数F(x,y), A,B为西格玛代数中的任意两个事件。常用的证明方法有三种：1 证明P(X∈A, Y∈B)=P(X∈A)P(Y∈B)2 证明 p(x,y)=q(x)r(y)3 证明 F(x,y)=G(x)H(y)

事件的相互独立可定义试验的相互独立，试验的相互独立可推出一些事件的相互独立。试验的独立性和随机变量的独立性都是在事件独立性的基础上来定义的【1】。随机变量取某个值或取某个连续区间时，就是表示某事件。再用前面的X和Y的例子，X表示一个人的身高(cm)，则{X>160}表示“此人身高超过160厘米”这个事件，记为A。Y表示另一个人的月收入（元）则{Y=12000}表示“此人的月收入为12000元”，此事件记为B，因为X和Y是独立的，故A和B也是独立的。X，Y还可以生成很多个事件。因此随机变量的独立性是指由他们生成的所有的事件都独立。扩展资料随机变量（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，都是随机变量的实例。在经济活动中，随机变量是某一事件在相同的条件下可能发生也可能不发生的事件。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。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多个，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人，或数值无法一一列举出来。参考资料来源：百度百科-随机变量

事件的相互独立可定义试验的相互独立，试验的相互独立可推出一些事件的相互独立。试验的独立性和随机变量的独立性都是在事件独立性的基础上来定义的【1】。随机变量取某个值或取某个连续区间时，就是表示某事件。再用前面的X和Y的例子，X表示一个人的身高(cm)，则{X>160}表示“此人身高超过160厘米”这个事件，记为A。Y表示另一个人的月收入（元）则{Y=12000}表示“此人的月收入为12000元”，此事件记为B，因为X和Y是独立的，故A和B也是独立的。X，Y还可以生成很多个事件。因此随机变量的独立性是指由他们生成的所有的事件都独立。扩展资料随机变量（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，都是随机变量的实例。在经济活动中，随机变量是某一事件在相同的条件下可能发生也可能不发生的事件。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。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多个，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人，或数值无法一一列举出来。参考资料来源：百度百科-随机变量

随机变量包括离散型与连续型两种，如果事件的结果能够列出来就就是离散型，反之就是连续型，比如一天的温度变化[12度,25度]是一个连续变化的过程，不能一一列举出来，就是一个连续型的随机变量。相应的例子还有人一生的身高等等。而射击中标次数则是一个离散型的。

在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、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。换句话说，期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值。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。（换句话说，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。）

在概率论和统计学中,一个离散性随机变量的期望值（或数学期望、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.换句话说,期望值是随机试验在同样的机会下重复多次的结果计算出的等同“期望”的平均值.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.（换句话说,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.）