【考研数学】概率论与数理统计 —— 第二章 | 一维随机变量及其分布(1,基本概念与随机变量常见类型)
文章目录
- 引言
- 一、一维随机变量及其分布
- 1.1 随机变量
- 1.2 分布函数
- 二、随机变量常见类型及分布
- 2.1 离散型随机变量
- 2.2 连续型随机变量及概率密度函数
- 写在最后
引言
暑假接近尾声了,争取赶一点概率论部分的进度。
一、一维随机变量及其分布
1.1 随机变量
设随机试验 E E E 的样本空间为 Ω \Omega Ω , X X X 为定义于样本空间 Ω \Omega Ω 上的函数,对于任意 w ∈ Ω w \in \Omega w∈Ω ,总存在唯一确定的 X ( w ) X(w) X(w) 与之对应,称 X ( w ) X(w) X(w) 为随机变量,一般记为 X X X 。
随机变量一定的取值范围本质上就是随机事件,若随机变量某个范围内取不到任何值,本质上为不可能事件,若某个范围包含了随机变量所有可能的取值,本质上就是必然事件。
1.2 分布函数
设 X X X 为随机变量,对任意的实数 x x x ,称函数 F ( x ) = P F(x)=P F(x)=P { X ≤ x X \leq x X≤x } 为随机变量 X X X 的分布函数。
其有如下四个性质:
(1) 0 ≤ F ( x ) ≤ 1 ; 0 \leq F(x) \leq 1; 0≤F(x)≤1;
(2) F ( x ) F(x) F(x) 是 x x x 的单调不减函数;
(3) F ( x ) F(x) F(x) 关于 x x x 右连续;
(4) F ( − ∞ ) = 0 , F ( + ∞ ) = 1. F(-\infty)=0,F(+\infty)=1. F(−∞)=0,F(+∞)=1.
若有一个函数满足以上四个条件,可称其为某个随机变量的分布函数。如 F ( 3 x − 1 ) F(3x-1) F(3x−1) 仍为分布函数,但 F ( 1 − 3 x ) F(1-3x) F(1−3x) 不是分布函数,当 x → + ∞ x \to +\infty x→+∞ , F ( 1 − 3 x ) F(1-3x) F(1−3x) 极限为 0 不为 1 ; F ( x 2 ) F(x^2) F(x2) 也不是分布函数,因为当 x → + ∞ x \to +\infty x→+∞ , F ( x 2 ) F(x^2) F(x2) 极限为 1 不为 0 。
设随机变量 X X X 的分布函数为 F ( x ) F(x) F(x) ,则
(1) P P P { X < a X < a X<a } = F ( a − 0 ) ; =F(a - 0); =F(a−0);
(2) P P P { a < X ≤ b a < X\leq b a<X≤b } = F ( b ) − F ( a ) ; =F(b)-F(a); =F(b)−F(a);
(3) P P P { a ≤ X < b a \leq X < b a≤X<b } = F ( b − 0 ) − F ( a − 0 ) ; =F(b - 0)-F(a-0); =F(b−0)−F(a−0);
(4) P P P { a ≤ X ≤ b a \leq X \leq b a≤X≤b } = F ( b ) − F ( a − 0 ) ; =F(b)-F(a-0); =F(b)−F(a−0);
(5) P P P { a < X < b a < X < b a<X<b } = F ( b − 0 ) − F ( a ) ; =F(b - 0)-F(a); =F(b−0)−F(a);
(6) P P P { X = a X =a X=a } = F ( a ) − F ( a − 0 ) ; =F(a)-F(a-0); =F(a)−F(a−0);
二、随机变量常见类型及分布
2.1 离散型随机变量
设 X X X 为随机变量,若 X X X 的可能取值是有限个或可列个,称 X X X 为离散型随机变量。
设离散型随机变量 X X X 的可能取值为 x i ( i = 1 , 2 , … ) x_i(i=1,2,\dots) xi(i=1,2,…) ,其对应的概率为 P P P { X = x i X=x_i X=xi } = p i =p_i =pi ,称 P P P { X = x i X=x_i X=xi } = p i =p_i =pi 或下表

为随机变量 X X X 的分布律。
离散型随机变量 X X X 的分布律满足:
(1) p i ≥ 0 ( i = 1 , 2 , … ) . p_i \geq 0(i=1,2,\dots). pi≥0(i=1,2,…).
(2) ∑ i = 1 + ∞ p i = 1. \sum_{i=1}^{+\infty}p_i=1. ∑i=1+∞pi=1.
(3)分布函数 F ( x ) = P F(x)=P F(x)=P { X ≤ x X \leq x X≤x } 为阶梯函数,且 F ( x ) F(x) F(x) 的间断点即为随机变量 X X X 的可能取值。
什么是阶梯函数呢,就是图像是像台阶那样的。举个例子,记随机变量 X X X 为投掷一枚均匀的骰子朝上的点数,则 X X X 可取 1 , 2 , 3 , 4 , 5 , 6 1,2,3,4,5,6 1,2,3,4,5,6 ,且 P P P { X = i X=i X=i } = 1 6 ( i = 1 , 2 , … , 6 ) =\frac{1}{6}(i=1,2,\dots,6) =61(i=1,2,…,6) ,其分布律如下表所示:

分布函数图像为:

注意,阶梯是先右再上的阶梯,因为是离散的取值,所以在两个取值之间的分布函数值应为前一个取值所对应函数值。
2.2 连续型随机变量及概率密度函数
设随机变量 X X X 的分布函数为 F ( x ) F(x) F(x) ,若存在非负、可积的函数 f ( x ) f(x) f(x) ,使得对任意实数 x x x ,有 F ( x ) = ∫ − ∞ x f ( t ) d t , F(x)=\int_{-\infty}^xf(t)dt, F(x)=∫−∞xf(t)dt, 称 X X X 为连续型随机变量,函数 f ( x ) f(x) f(x) 为随机变量 X X X 的概率密度函数或概率密度。
连续型随机变量概率密度有如下结论:
(1) f ( x ) ≥ 0 ; f(x) \geq 0; f(x)≥0;
(2) ∫ − ∞ + ∞ f ( t ) d t = 1 ; \int_{-\infty}^{+\infty}f(t)dt=1; ∫−∞+∞f(t)dt=1;
(3)分布函数 F ( x ) F(x) F(x) 为连续函数,但不一定可导;
(4) P P P { X = a X=a X=a } = F ( a ) − F ( a − 0 ) = 0 =F(a)-F(a-0)=0 =F(a)−F(a−0)=0 ,故连续型随机变量在任意一点处的概率为 0 。
(5)设分布函数为 F ( x ) F(x) F(x) ,则概率密度函数为 f ( x ) = { F ′ ( x ) , x 为 F ( x ) 的可导点 0 , x 为 F ( x ) 的不可导点 f(x) = \begin{cases} F'(x), & x \text{为} F(x) 的可导点 \\ 0, & x为F(x) 的不可导点\\ \end{cases} f(x)={F′(x),0,x为F(x)的可导点x为F(x)的不可导点 (6)存在既不是离散型又不是连续型的随机变量,如随机变量 X X X 的分布函数表达式为 F ( x ) = { 0 , if x < 0 x 2 , if 0 ≤ x < 1 1 if x ≥ 1 F(x) = \begin{cases} 0, & \text{if } x < 0 \\ \frac{x}{2}, & \text{if } 0 \leq x < 1 \\ 1 & \text{if } x \geq1 \end{cases} F(x)=⎩ ⎨ ⎧0,2x,1if x<0if 0≤x<1if x≥1 显然 F ( x ) F(x) F(x) 满足分布函数的四个特性,但其不是阶梯函数,所以 X X X 非离散型随机变量。又因为 F ( x ) F(x) F(x) 存在间断点,所以 X X X 也非连续型随机变量,其图像如下图所示。

写在最后
下一篇我们将介绍一些常见的随机变量分布。
相关文章:
【考研数学】概率论与数理统计 —— 第二章 | 一维随机变量及其分布(1,基本概念与随机变量常见类型)
文章目录 引言一、一维随机变量及其分布1.1 随机变量1.2 分布函数 二、随机变量常见类型及分布2.1 离散型随机变量2.2 连续型随机变量及概率密度函数 写在最后 引言 暑假接近尾声了,争取赶一点概率论部分的进度。 一、一维随机变量及其分布 1.1 随机变量 设随机试…...
CSS判断手机暗黑模式
手机有个功能到了晚上会自动变成深色也就是暗黑模式.这种情况下网页会自动变颜色.如果想自由控制暗黑模式下的html样式的话,可以用如下方式: media (prefers-color-scheme: dark) {/*html, body {*//*filter: invert(1) hue-rotate(180deg);*//*}*/.maill{margin-left: 0;marg…...
【java中的Set集合】HashSet、LinkedHashSet、TreeSet(最通俗易懂版!!)
目录 一、HashSet集合 1.HashSet集合的特点 2.HashSet常用方法 二、LinkedHashSet集合 LinkedHashSet集合的特点 三、TreeSet集合 1.TreeSet集合的特点 2.TreeSet的基本使用 四、HashSet、LinkedHashSet、TreeSet的使用场景 五、list和set集合的区别 一、HashSet集合 …...
python中的文件操作
我们平常对文件的基本操作,大概可以分为三个步骤(简称文件操作三步走): ① 打开文件 ② 读写文件 ③ 关闭文件 【注意事项】 注意:可以只打开和关闭文件,不进行任何读写 文件打开 open函数ÿ…...
spark支持深度学习批量推理
背景 在数据量较大的业务场景中,spark在数据处理、传统机器学习训练、 深度学习相关业务,能取得较明显的效率提升。 本篇围绕spark大数据背景下的推理,介绍一些优雅的使用方式。 spark适用场景 大数据量自定义方法处理、类sql处理传统机器…...
代码随想录打卡—day52—【子序列问题】— 8.31 最大子序列
共性 做完下面三题,发现三个的dp数组中i都是以 i 为结束的字串。 1 300. 最长递增子序列 300. 最长递增子序列 AC: class Solution { public:int dp[10010]; // 表示以i结束的子序列最大的长度/*if(nums[j] > nums[i])dp[j] max(dp[j],dp[i] …...
gcc4.8.5升级到gcc4.9.2
第1步:获取repo [rootlocalhost SPECS]# wget --no-check-certificate https://copr.fedoraproject.org/coprs/rhscl/devtoolset-3/repo/epel-6/rhscl-devtoolset-3-epel-6.repo -O /etc/yum.repos.d/devtoolset-3.repo --2021-12-07 20:53:26-- https://copr.fedo…...
Golang 中的 archive/zip 包详解(三):常用函数
Golang 中的 archive/zip 包用于处理 ZIP 格式的压缩文件,提供了一系列用于创建、读取和解压缩 ZIP 格式文件的函数和类型,使用起来非常方便,本文讲解下常用函数。 zip.OpenReader 定义如下: func OpenReader(name string) (*R…...
微服务架构七种模式
微服务架构七种模式 目录概述需求: 设计思路实现思路分析 参考资料和推荐阅读 Survive by day and develop by night. talk for import biz , show your perfect code,full busy,skip hardness,make a better result,wait for change,challenge Survive.…...
关于CICD流水线的前端项目运行错误,npm项目环境配置时出现报错:Not Found - GET https://registry.npm...
关于CICD流水线的前端项目运行错误,npm项目环境配置时出现报错:Not Found - GET https://registry.npm… 原因应该是某些jar包缓存中没有需要改变镜像将包拉下来 npm config set registry http://registry.npm.taobao.org npm install npm run build...
element-plus的周选择器 一周从周一开始
1、代码 1)、template中 <el-date-picker v-model"value1" type"week" format"[Week] ww" placeholder"巡访周" change"change"value-format"YYYY-MM-DD" /> 2)、方法中 import…...
Android 9.0 pms获取应用列表时过滤掉某些app功能实现
1.前言 在9.0的系统rom定制化开发中,对系统定制的功能也是很多的,在一次产品开发中,要求在第三方app获取应用列表的时候,需要过滤掉某些app,就是不显示在app应用列表中,这就需要在pms查询app列表时过滤掉这些app就可以了,接下来就实现这些功能 2.pms获取应用列表时过滤掉…...
HTML <thead> 标签
实例 带有 thead、tbody 以及 tfoot 元素的 HTML 表格: <table border="1"><thead><tr><th>Month</th><th>Savings</th></tr></thead><tfoot><tr><td>Sum</td><td>$180<…...
谷歌发布Gemini以5倍速击败GPT-4
在Covid疫情爆发之前,谷歌发布了MEENA模型,短时间内成为世界上最好的大型语言模型。谷歌发布的博客和论文非常可爱,因为它特别与OpenAI进行了比较。 相比于现有的最先进生成模型OpenAI GPT-2,MEENA的模型容量增加了1.7倍…...
力扣92. 局部反转链表
92. 反转链表 II 给你单链表的头指针 head 和两个整数 left 和 right ,其中 left < right 。请你反转从位置 left 到位置 right 的链表节点,返回 反转后的链表 。 示例 1: 输入:head [1,2,3,4,5], left 2, right 4 输出&am…...
九、适配器模式
一、什么是适配器模式 适配器模式(Adapter)的定义如下:将一个类的接口转换成客户希望的另外一个接口,使得原本由于接口不兼容而不能一起工作的那些类能一起工作。 适配器模式(Adapter)包含以下主要角色&…...
使用spring自带的发布订阅来实现发布订阅
背景 公司的项目以前代码里面有存在使用spring自带发布订阅的代码,因此稍微学习一下如何使用,并了解一下这种实现方式的优缺点。 优点 实现方便,代码方面基本只需要定义消息体和消费者,适用于小型应用程序。不依赖外部中间件&a…...
Walmart电商促销活动即将开始,如何做促销活动?需要注意什么?
近日,沃尔玛官宣Baby Days优惠活动将于9月1日正式开始!卖家可以把握机会,通过设置促销定价,以最优惠的婴儿相关产品价格吸引消费者,包括汽车座椅、婴儿车、尿布袋、家具、床上用品、消耗品、婴儿服装、孕妇装等。注意本…...
Matlab(画图进阶)
目录 大纲 1.特殊的Plots 1.1 loglog(双对数刻度图) 1.3 plotyy(创建具有两个y轴的图形) 1.4yyaxis(创建具有两个y轴的图) 1.5 bar 3D条形图(bar3) 1.6 pie(饼图) 3D饼图 1.7 polar 2.Stairs And Ste阶梯图 3.Boxplot 箱型图和Error Bar误差条形图 3.1 boxplot 3.2 …...
人生的回忆
回忆是人类宝贵的精神财富,它们像一串串珍珠,串联起我们生活中的每一个片段。 回忆是时间的见证者,它们承载着我们成长、经历、悲欢离合的点点滴滴。 回忆让我们重温过去的欢笑与眼泪,感受那些已经逝去的时光。它们就像一本翻开的…...
OAuth 接入DeepSeek总失败?这3类JWT签名验证错误正在 silently 拒绝你的请求,速查!
更多请点击: https://kaifayun.com 第一章:OAuth 接入DeepSeek总失败?这3类JWT签名验证错误正在 silently 拒绝你的请求,速查! 当你调用 DeepSeek 的 OAuth 2.0 接口(如 /v1/auth/token)时&am…...
告别Blob分析:Halcon差异化模型在复杂印刷品检测中的降本增效实践
工业视觉新范式:Halcon差异化模型在精密印刷检测中的实战突破 印刷品质量检测一直是工业视觉领域的硬骨头——那些微米级的墨点缺失、毫厘间的字符偏移,以及生产线上的光影变幻,都在挑战传统算法的极限。当Blob分析遇上多印漏印、位置飘移、…...
别再为路径报错头疼了!手把手教你将Robei工程无缝迁移到Quartus II(附文件整理技巧)
从Robei到Quartus II:工程迁移的完整避坑指南 第一次把Robei工程导入Quartus II时,我盯着满屏的路径报错和未定义模块提示,差点把键盘摔了。这种挫败感想必每个FPGA初学者都经历过——明明在Robei里运行完美的设计,换到Quartus II…...
树莓派TFT LCD屏幕连接全攻略:从SPI到DPI的选型与驱动配置
1. 项目概述:为什么是TFT LCD与树莓派? 如果你玩过树莓派,大概率会从一块小小的HDMI显示器或者SSH终端开始。但当你想要做一个便携的天气站、一个复古游戏机,或者一个嵌入在机器人里的控制面板时,拖着笨重的HDMI显示器…...
从面积与性能权衡出发:深度解析Tessent MBIST中Bypass/Observation逻辑的配置艺术
从面积与性能权衡出发:深度解析Tessent MBIST中Bypass/Observation逻辑的配置艺术 在芯片设计领域,测试逻辑的插入往往被视为一把双刃剑。一方面,它确保了芯片的可测试性和可靠性;另一方面,这些额外逻辑又不可避免地带…...
2026 在线水印去除工具怎么选?6款实用方法对比测评
在短视频时代,去水印需求越来越普遍。无论是想要收藏喜欢的视频素材、整理图片库存,还是创作内容时需要的参考素材,高效的在线水印去除方法已经成为必需品。本文盘点了6款在线水印去除工具和方法,从处理速度、平台覆盖、易用性等维…...
利用 Taotoken 多模型选型能力优化智能客服对话场景
🚀 告别海外账号与网络限制!稳定直连全球优质大模型,限时半价接入中。 👉 点击领取海量免费额度 利用 Taotoken 多模型选型能力优化智能客服对话场景 对于智能客服系统的开发者而言,选择合适的对话模型是平衡服务效果…...
基于RK3588S与鸿蒙系统的SOM核心板:高性能嵌入式AIoT开发实战
1. 项目概述:一颗“全能芯”的鸿蒙新载体最近在嵌入式圈子里,一个消息挺让人兴奋的:触觉智能基于瑞芯微RK3588S这颗“明星”SoC打造的SOM3588S核心板,正式支持鸿蒙系统并上市了。这不仅仅是又多了一块高性能的核心板,它…...
谷歌搜索重大更新:更智能个性化,多项新功能即将上线!
谷歌搜索迈向更智能、更个性化时代曾几何时,谷歌搜索简洁易用,只需在搜索框输入关键词,浏览蓝色链接列表即可。然而,如今人工智能已层层覆盖搜索模式。2026 年谷歌 I/O 大会上,谷歌宣布一系列搜索更新,使搜…...
FanControl:Windows平台终极风扇控制解决方案
FanControl:Windows平台终极风扇控制解决方案 【免费下载链接】FanControl.Releases This is the release repository for Fan Control, a highly customizable fan controlling software for Windows. 项目地址: https://gitcode.com/GitHub_Trending/fa/FanCont…...
