Pr(B)=∫{负无穷～正无穷}PX|Y(B|y)*fY(y) dy百度不太好打公式，那个“X|Y”和“Y”其实是P和f的下标。

有尽管P{X=a}=0，但{X=a}并不是不可能事件。同样，一个事件的概率为1，并不意味这个事件一定是必然事件。

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律。

扩展资料：

掷一个骰子，令X为掷出的结果，则只会有1,2,3,4,5,6这六种结果，而掷出3.3333是不可能的。

因而X也是离散型随机变量。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。

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。

参考资料来源：百度百科-连续型随机变量

概率笔记1

P(x)= 0.5

事件x发生的概率是50%

随机变量是可以随机的取不同值的变量

一个随机变量是对可能状态的描述，他必须伴随一个概率分布来指定每个状态的可能性

用Ω变量表示随机变量状态的可能性

概率质量函数：将随机变量取得的每个状态映射到随机变量取得该状态的概率

直白一点就是接收所有可能随机变量单双连续型概率公式，返回所有随机变量的概率。

如果一个函数P是随机变量x的概率质量函数，那么函数必须满足以下条件

给定一个离散型随机变量x，有k个可能的状态(x_1, x_2,…, x_k)，每个状态的可能性是相同的，即均匀分布(uniform distribution)，则其概率分布为

比如一天的温度值就属于连续型概率分布

概率密度函数

如果一个函数是概率密度函数(Probability Density Function, PDF)，必须满足以下条件

假设一个人的体温是 36-42的均匀分布

如果随机变量x, y相互独立，联合概率为：P(x=x_i, y=y_i)=P(x=x_i)P(y=y_i)

比如我同时进行抛硬币和投骰子两个事件

x表示骰子的点数 P(x=1=2=3=4=5=6)= 1/6

y= 1表示硬币正面向上，y= 0表示反面向上 p(y=0=1)= 1/2

联合概率分布表

P(x=1,y=1)= P(x=1)*P(y=1)= 1/6* 1/2= 1/12

某一组概率的加和叫做边缘概率

比如我要求骰子数字为1的概率

P(x=1)= P(x=1,y=1)+ P(x=1,y=0)= 1/6

练习

双眼皮在人群中占比为 1/3卷舌在人群中占 1/4，且这两个性状相互独立，现在在人群中随机抽一人，用X表示眼皮性状，Y表示卷舌形状，求X，Y的联合分布和X的边缘分布

在

已经发生的前提条件下

发生的概率为

已知一个人是双眼皮，他是卷舌的概率是

开始我们举得例子里说投骰子和抛硬币是相互独立的，但是我们如何用数学语言证明两件事情是相互独立的？

如果两件事情X,Y是相互独立的

那么必然满足

以上三个条件满足一个就可以说X跟Y相互独立

容易混淆的地方

案例

想在有一个测谎机，我如何验证测谎机是否有效？

我可以预先说谎让机器测量，然后检测说谎跟机器的检测结果是否独立，如果独立说明测谎机无效

X= 1表示说谎 X= 0表示没说谎

Y= 1表示机器认为我说谎 Y= 0表示机器认为我没说谎

如果

P(X=1)= P(X=1|PY=1)

那说明测X跟Y是相互独立的事件

随机变量X，Y在Z取特定值的条件下独立：

P(X,Y|Z)=P(X|Z)P(Y|Z)

注意区分：

P(X,Y|Z)=P(X)P(Y|Z)

P(X,Y|Z)=P(X|Z)P(Y)

并不是条件独立

抛一枚均匀的硬币，若正面向上，你给我100元；否则我给你50元，你是否愿意接受一次挑战？一百次呢？

我们可以用期望来计算收益的平均值

期望是指是试验中每次可能结果的概率乘以其结果的总和

用X表示收益

那么期望

平局每次会亏25元

对于离散性分布，公式为

对于连续性分布，公式为

比如这里一个人的体温是35-42之间 p(x)dx是指某个温度的概率 f(x)是温度的具体值

案例

投一枚骰子，所得点数的期望值是

已知随机变量X的概率分布：

P(X=1)=1/2, P(X=2)=1/3, P(X=5)=1/6

求E[(X-3)^2]

$$

P(Y=4)=P(X=1)+P(X=5)=1/2+1/6=2/3 \

P(Y=1)=P(X=2)=1/3 \

E[(X-3)^2]= 2/3* 4+ 1/3*1= 3

$$

可以直接记住结论

衡量随机变量的离散情况

方差也是一种期望，是随机变量偏离期望程度的期望。

E[x]=μ

V[x]=E[(x-μ)^2]

与期望值一样，方差也是固定值。

方差的另一种计算公式

即 x*2的期望减去x期望的平方

证明如下：

协方差用来单双连续型概率公式衡量两个变量的线性相关程度。如果两个变量协方差为0，说明他们相互独立

计算公式为

比如同时抛硬币和掷骰子构成一个新的事件。为了方便计算，假设骰子只有1，2，3三个点

抛硬币事件

投骰子

两个事件的协方差

(x-μ)与(y-ν)符号相同：协方差为正

(x-μ)与(y-ν)符号相反：协方差为负

协方差为正：一方大于期望值，另一方也大于期望值的概率高

伯努利分布(Bernoulli distribution)是单个二值随机变量的分布，由参数p∈[0, 1]控制， p即是随机变量等于1的概率。

问题：

求伯努利分布的期望和方差

二项分布(Binomial distribution)表示“硬币正面向上的概率为p时，抛硬币n次后正面向上的次数”。二项分布是伯努利分布的叠加

记作Bn(n, p)

比如我现在抛七次硬币，单独的一次抛硬币向上的概率为0.6

0词向上的次数的概率为

第一次向上，其余向下的概率为

第二次向上，其余向下概率为

...

1次向上的概率为

2次向上的概率？

第一次，第二次向上，其余向下的概率

第一次，第三次向上，。。

...

第一次向上，其余次数种有一次向上的概率

第一次向上，其余次数有一种向上出现次数是6次

第一次向下，第二次向上，后面次数出现一次向上对应 5次

一共次数为

3次向上概率？

还是刚才那样，只需要关注可能的次数即可

现在要把 3个1，4个0分配到七个括号里，一共会有多少种情况？

首先我把第一个1分配到一个括号里

然后再把剩下的一个1分配到剩下的六个括号种，一共有6种可能，但是此时会产生重复情况

比如我把第一个1放到了 1号，把第二个1放到了2号

跟我把第一个1放到了2号，第二个1放到了1号，这两种起始是一种情况

这六七四十二种情况其实事把两个相同的1作为不同的数字又给排列组合扩展过的，把 1，1的排列组合衍生为1

1_1 1_2, 1_2, 1_1两种情况扩大了 2* 1倍

然后我再把第三个一号放入剩下的括号里，一共 5种可能，但是还会有重复的，比如针对前三次都是一这种情况，可以是

因此出现3次向上的概率为

同样扩展到抛n次硬币 k次朝上的概率

最后二项分布概率函数总结为

二项分布是n个相同的伯努利分布叠加

期望计算公式为

以为每个伯努利分布都是独立的,相互独立的事件方差可以线性相加

方差计算公式

直接看图吧，这个没啥好解释的

标准正态公式:期望为 0方差为1

概率密度性质以及公式的详细解释

概率论与数理统计是考研数学重要组成部分。概率论与数理统计非常强调对基本概念、定理、公式的深入理解。重要基本知识要点如下：

一、考点分析

1.随机事件和概率，包括样本空间与随机事件；概率的定义与性质（含古典概型、几何概型、加法公式）；条件概率与概率的乘法公式；事件之间的关系与运算（含事件的独立性）；全概公式与贝叶斯公式；伯努利概型。

2.随机变量及其概率分布单双连续型概率公式，包括随机变量的概念及分类；离散型随机变量概率分布及其性质；连续型随机变量概率密度及其性质；随机变量分布函数及其性质；常见分布；随机变量函数的分布。

3.二维随机变量及其概率分布，包括多维随机变量的概念及分类；二维离散型随机变量联合概率分布及其性质；二维连续型随机变量联合概率密度及其性质；二维随机变量联合分布函数及其性质；二维随机变量的边缘分布和条件分布；随机变量的独立性；两个随机变量的简单函数的分布。

4.随机变量的数字特征，随机变量的数字期望的概念与性质；随机变量的方差的概念与性质；常见分布的数字期望与方差；随机变量矩、协方差和相关系数。

5.大数定律和中心极限定理，以及切比雪夫不等式。

6.数理统计基本概念，包括总体与样本；样本函数与统计量；样本分布函数和样本矩。

7.参数估计，包括点估计；估计量的优良性；区间估计。

8.假设检验，包括假设检验的基本概念；单正态总体和双正态总体的均值和方差的假设检验。

二、解题思路

1.如果要求的是若干事件中“至少”有一个发生的概率，则马上联想到概率加法公式；当事件组相互独立时，用对立事件的概率公式。

2.若给出的试验可分解成（0－1）的n重独立重复试验，则马上联想到Bernoulli试验，及其概率计算公式。

3.若某事件是伴随着一个完备事件组的发生而发生，则马上联想到该事件的发生概率是用全概率公式计算。关键：寻找完备事件组。

4.若题设中给出随机变量X~N则马上联想到标准化~N（0，1）来处理有关问题。

5.求二维随机变量（X，Y）的边缘分布密度的问题，应该马上联想到先画出使联合分布密度的区域，然后定出X的变化区间，再在该区间内画一条//y轴的直线，先与区域边界相交的为y的下限，后者为上限，而的求法类似。

6.欲求二维随机变量（X，Y）满足条件Y≥g（X）或（Y≤g（X））的概率，应该马上联想到二重积分的计算，其积分域D是由联合密度的平面区域及满足Y≥g（X）或（Y≤g（X））的区域的公共部分。

7.涉及n次试验某事件发生的次数X的数字特征的问题，马上要联想到对X作（0－1）分解。即令

8.凡求解各概率分布已知的若干个独立随机变量组成的系统满足某种关系的概率（或已知概率求随机变量个数）的问题，马上联想到用中心极限定理处理。

9.若为总体X的一组简单随机样本，则凡是涉及到统计量的分布问题，一般联想到用分布，t分布和F分布的定义进行讨论。你看这里有吗？？

今天的内容分享就到这里，希望大家对单双连续型概率公式有更深入的理解，同时也期待和大家交流连续型全概率公式的心得。