随机变量的分布律怎么求啊？

数学题来啦！先来个小挑战，a+b等于啥？其实啊，它等于1 减去1 /4 再减去1 /4 ，结果就是1 /2 啦。
那啥，P{X=0|Y=0}=1 /2 这个公式，简单来说就是，当Y等于0的时候，X等于0的概率也是1 /2 好啦，如果a等于1 /4 ，那b自然也就等于1 /4 啦。
再举个例子，X的边缘分布是X-1 01 ，概率分别是0.2 、0.5 、0.3 ，而Z=X+Y的分布律是Z-1 01 2 ，概率分别是0、0.4 、0.5 、0.1 说到这，我得提一下，做实验的时候，我们往往更关心结果的某些函数，而不是结果本身。
比如说，掷骰子时，我们可能只关心两颗骰子的和是不是7 ，而不是具体是哪两个数字组合成的。
这些我们关注的量，其实就是随机变量啦，它们是定义在样本空间上的实值函数。
这可是我从百度百科上学到的哦！

考研数学三 知识点

考研数学三的核心内容可以概括为三大板块：微积分、线性代数和概率论与数理统计。
下面，我就来详细地为大家梳理一下这三个板块的知识点。

首先，我们得聊聊微积分。
这部分主要包括函数、极限、连续等概念，还有函数的性质、复合函数与反函数、基本初等函数与初等函数等。
数列极限与函数极限的定义和性质，四则运算法则，还有两个重要的极限公式，比如$\lim_{xto0}frac{sinx}{x}=1 $和$\lim_{xtoinfty}(1 +frac{1 }{x})^x=e$。
无穷小量与无穷大量的概念，连续性的讨论，以及间断点的类型和闭区间上连续函数的性质，这些都是微积分中不可或缺的知识点。

接下来，我们得聊聊一元函数微分学。
导数的定义、几何意义、物理意义，导数与连续的关系，求导公式与法则，高阶导数、微分的概念与运算，中值定理，泰勒公式，函数的单调性、极值、最大值最小值，凹凸性与拐点，渐近线，这些都是微分学中的重要内容。

然后是一元函数积分学。
不定积分、定积分的概念、性质、基本公式，换元积分法与分部积分法，定积分的应用，比如几何应用和物理应用，这些都是积分学的基础。

多元函数微积分学，则是多元函数的概念、极限、连续、偏导数、全微分，复合函数与隐函数的偏导数求法，方向导数与梯度，多元函数极值与条件极值，拉格朗日乘数法，二重积分、三重积分，曲线积分与曲面积分，这些都是多元函数微积分学的主要内容。

线性代数部分，行列式、矩阵、向量、线性方程组、矩阵的特征值与特征向量、二次型，这些都是线性代数中的核心知识点。

概率论与数理统计部分，随机事件与概率、一维随机变量及其分布、多维随机变量及其分布、随机变量的数字特征、大数定律与中心极限定理、数理统计的基本概念、参数估计、假设检验，这些都是概率论与数理统计中的主要内容。

以上就是考研数学三的主要知识点，希望对大家有所帮助。

比较二维随机变量与一维随机变量的分布函数的性质有何异同

行，咱们就拿正态分布来打个比方。
一维的正态分布，你看看它的概率密度函数，活脱脱一条对称的钟形线。
到了二维，那就更直观了，就像一口倒扣的钟，不管你从哪个角度去看，都是那个钟形。
所以你看，一维随机变量的分布函数，搞定了就是做一个定积分；而二维的呢，就得搞个二重积分了。

说到随机变量的分布函数，它得有点特性和规矩：
1 . 单调性：这玩意儿得是单调递增的，简单说就是x1 小于x2 的时候，F(x1 )肯定小于等于F(x2 )。
2 . 有界性：它还得在0到1 之间取值，不能超过这个范围。
再具体点，当x趋于负无穷大的时候，F(x)趋于0；当x趋于正无穷大的时候，F(x)趋于1 3 . 右连续性：这表示当x接近某个值x0的时候，F(x)从右边接近x0的极限，应该等于F(x0)。

再说说离散型随机变量的分布列，它也有自己的小九九：
1 . 非负性：分布列里的每个概率p(xi)都得大于等于0，不能是负数。
2 . 正则性：所有概率加起来，必须等于1 这就像一个完整的饼，切下来所有小块加起来就是整个饼。
3 . 分布函数的图形：分布函数的图形，要么是有限级数的阶梯函数，要么是无穷级数的阶梯函数。
这图形看起来就像是一级一级的楼梯。

扩展一下知识面，随机变量这东西，在不同的条件下，可能会因为各种偶然因素的影响而取各种不同的值，所以它具有不确定性和随机性。
但是，这些取值落在某个范围的概率是一定的。
这种变量就叫做随机变量。
随机变量要么是离散型的，要么是连续型的。
比如说，分析测试中的测定值就是一个典型的随机变量，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。
如果你多做几次测定，你会发现这些测定值其实是有统计规律性的。

最后，随机变量和模糊变量虽然都有不确定性，但它们的本质区别在于，模糊变量的测定结果仍然具有不确定性，也就是模糊性。

随机变量函数的分布

研究随机变量函数的分布，其实就是在搞清楚一个随机变量取了啥值，它的某个函数又会取啥值，以及对应的概率分布是啥样。
这事儿分一维和二维两种情况来聊。

先说说一维的情况。
要是这个随机变量是离散型的，比如设$Y$是$X$的一个函数，即$Y=g(X)$，那我们只要把$X$的各种取值及其对应的概率列出来，然后看看哪些$X$的值能映射到同一个$Y$值，把它们的概率加起来，就成了$Y$取那个值的概率。
举个例子，如果$X$取$x_1 $的概率是$p_1 $，取$x_2 $的概率是$p_2 $，而$g(x_1 )=g(x_2 )$，那$Y$取$g(x_1 )$的概率就是$p_1 + p_2 $。

再来看连续型的情况。
这时候，$Y$的分布情况要看$X$的分布和$g(X)$这个函数是怎么变的。
$Y$的分布函数$F_1 (y)$可以通过积分$X$的密度函数$f(x)$来得到，即$F_1 (y)=\int_{g(x)\leq y} f(x) \, dx$。
如果$g(x)$是个严格单调的函数，而且它还能求反函数，那$Y$也会是个连续型随机变量，它的密度函数可以通过反函数和导数来表示，即$f_1 (y)=f(h(y))|h'(y)|$，这里$h(x)$就是$g(x)$的反函数。

然后是二维的情况，我们只讨论连续型的随机向量。
设$(X,Y)$有联合密度函数$f(x,y)$，$Z=g(X,Y)$是个一维随机变量。
这时候，$Z$的分布函数$F_Z(z)$可以通过对$f(x,y)$在满足$g(x,y)\leq z$的区域上积分得到。
如果$Z_1 =g_1 (X,Y)$和$Z_2 =g_2 (X,Y)$是两个一维随机变量，它们的联合分布函数$F_{\boldsymbol{Z}}(z_1 ,z_2 )$可以通过对$f(x,y)$在满足$g_1 (x,y)\leq z_1 $和$g_2 (x,y)\leq z_2 $的区域上积分得到。
如果这两个随机变量是独立的，即$f(x,y)=f_1 (x)f_2 (y)$，那计算起来会简单很多。

举个栗子，假设$X$和$Y$是独立的随机变量，分别有密度函数$f_1 (x)$和$f_2 (y)$，我们想知道$X+Y$的密度函数是啥。
可以先求出$X+Y$的分布函数$F_{X+Y}(z)$，它是通过在$x+y\leq z$的区域上对$f_1 (x)f_2 (y)$积分得到的。
然后对$z$求导，就能得到$f_{X+Y}(z)$，这个积分其实就叫做$f_1 $和$f_2 $的卷积。
还有另一种方法，就是用变量代换，设$x+y=v$，然后通过变换后的积分来求导，也能得到同样的结果。

再比如，已知$(X,Y)$服从二元正态分布，其中$\mu_1 =\mu_2 =1 $，$\sigma_1 ^2 =\sigma_2 ^2 =0.5 $，$\rho=0.5 $，我们想求$Z=|X-Y|$的密度函数和期望。
可以先求出$Z$的分布函数$F_Z(z)$，它是通过对二元正态分布的密度函数在满足$|x-y|通过一系列的计算，可以得到$F_Z(z)=\frac{2 \sqrt{\pi}}{\pi}e^{-z^2 }$。
然后，通过计算这个分布函数的积分，就能得到$Z$的期望值。