统计学基础4-随机变量及分布

例1 ：掷骰子2 02 2 ，数字为3 ，为随机数。

示例 2 ：对一个城市的 1 ,000 人进行民意调查，了解他们是否喜欢 Apple。
如果第一个人喜欢，结果为 1 ，如果第一个人不喜欢，结果为 0。

参见示例中的 (0-1 ) 分布：常见 (0-1 ) 分布：n 重伯努利试验。

二项式除法的含义：例1 ：抛硬币1 0次；头的数量为 X； X是0到1 0之间的随机数。

例2 ：泊松分布的近似分岔：例1 ：1 分钟内通过某个路口的人数可以是2 位数。

案例：书中的示例1 ：概率密度函数：具有多个值的连续随机变量；所以不是某个点的概率而是递增的概率比如x<=1 00的概率。

概率密度： 示例：汽车速度在 8 0 公里/小时到 9 0 公里/小时之间的概率是概率密度函数的一部分。

正态分布：正态分布 --> 标准正态分布 示例：2 02 2 年，某个城市成年男性的身高服从正态分布。

例如：2 02 2 年，某城市成年女性的体重服从正态分布。

数字的研究离不开微积分。
下面是一个简单的微积分课程 တွင်ဖြစ်သည်။

为什么正态分布随机变量在一个实数时概率为零

哎，你说的好复杂啊……听起来和我以前学的时候完全不一样。

你看，上周有位大师告诉我，学这个东西的时候，不要只看定义，你要知道为什么。
我们来说说这个正态分布，就像我们测量温度的时候，温度可以精确到小数点后几位，对吧？你想说温度正好是2 0度，几率为零。
但 1 9 .9 9 9 度到 2 0.001 度之间的温度可能意味着什么。

所以严格来说，P(X=a)为零，这并不是没有意义的。
它是用数学定义的。
正如你所说，因为分布函数F(x)是连续的，F(a+ε) ≈ F(a)（ε很小），所以差值ε，ε→0。
这与抛掷一枚孤立的硬币完全不同，硬币要么正面朝上，要么反面朝上，概率不为零。

我之前踩到的危险是我总想找到一个“实际意义”来理解P(X=a)=0。
例如，我们认为“不可能正好是7 0公斤”，但实际上我们计算的是“重量在6 9 .5 到7 0.5 公斤之间”的概率，而这个可能大于零。

所以，连续随机变量取特定值的概率为零，这是一个数学定义，而不是反直觉的。
你举的例子非常好。
离散和连续实际上是有很大区别的。
不管怎样，这取决于你，多思考一下这个概念。

随机变量和普通变量有什么区别

在一次数学建模比赛中，我和队友一起解决了一个关于工厂生产线的概率问题。
我们遇到了一个问题，必须确定一定时间内生产线上的产品数量。
这个量听起来很简单，但实际上是一个随机变量。
例如，每分钟生产0.8 个产品，但我们不确定每分钟会生产多少产品，因为存在一些不可预测的干扰因素。
我们用概率分布来描述这个随机变量，发现平均每分钟有0.8 个产品，但每分钟的具体数量可以在0.6 到1 .0之间波动。
这个分析过程虽然复杂繁琐，但最终帮助我们敲定了模型，为工厂提供了决策依据。
我突然想到，如果生产线的效率是完全不间断的，那么每分钟生产的产品数量就是一个有规律的变量，因为它是固定的。
然而实际上，生产线似乎总是有些随机。

谁能帮忙解释“随机变量”一词是什么意思？

那天在超市，我看到一堆随机放置的苹果，突然想到，如果这些苹果是随机变量，那么每个苹果的质量不应该也是可测量的吗？例如，如果一个苹果是A级，另一个苹果是B级，那不是一个离散随机变量吗？想了想，我突然想到，如果用连续随机变量来描述，是不是可以用一个苹果的重量来表示呢？等等，还有一件事。
小时候，我玩过夹娃娃机。
每投入一枚硬币后，娃娃的位置和高度不是随机落下的吗？那么它也是一个随机变量。
想到这里，我突然笑了。
生活中处处存在随机变量，只是我们没有意识到而已。