如果X、Y独立，则：E(XY)=E(X)E(Y)。
如果不独立，可以用定义计算：先求出X、Y的联合概率密度，再用定义。
或者先求出Cov(x,y)再用公式 Cov(X,Y)=E(XY)--E(X)E(Y)。
D（X±Y）=D（X）+D(Y)±2Cov(X,Y)。
离散型随机变量与连续型随机变量都是由随机变量取值范围(取值)确定
变量取值只能取离散型的自然数，就是离散型随机变量。例如，一次掷20个硬币，k个硬币正面朝上，k是随机变量。k的取值只能是自然数0，1，2，…，20，而不能取小数35、无理数，因而k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。例如，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35、无理数等，因而称这随机变量是连续型随机变量。
《概率论与数理统计》考试大纲
本《概率论与数理统计》考试大纲适用于中国科学院研究生院非数学类的硕士研究生入学考试。概率统计是现代数学的重要分支，在物理、化学、生物、计算机科学等学科有着广泛的应用。考试的主要内容有以下几个部分: 概率统计中的基本概念
随机变量及其分布
随机变量的数学特征及特征函数
独立随机变量和的中心极限定理及大数定律
假设检验
点估计及区间估计
简单线性回归模型
要求考生对基本概念有深入的理解，能计算一些常见分布的期望、方差，了解假设检验、点估计及区间估计的统计意义，能解决一些经典模型的检验问题、区间估计及点估计。最后，能理解大数定律及中心极限定理。
一、 考试内容
(一)基本概念
1(样本、样本观测值
2(统计数据的直观描述方法:如干叶法、直方图
3(统计数据的数字描述:样本均值、样本方差、中位数事件的独立性、
样本空间、事件
4(概率、条件概率、Bayes公式
5(古典概型
(二)离散随机变量
1(离散随机变量的定义
2(经典的离散随机变量的分布
a 二项分布
b 几何分布
c 泊松分布
d 超几何分布
3(离散随机变量的期望、公差
4(离散随机变量的特征函数
5(离散随机变量相互独立的概念
6(二维离散随机变量的联合分布、条件分布、边缘分布及二个离散随机
变量的相关系数
(三)连续随机变量
1(连续随机变量的概念
2(密度函数
3(分布函数
4(常见的连续分布
a 正态分布
1/4页
b 指数分布
c 均匀分布
d t分布
2e ,分布
(连续随机变量的期望、方差 5
6(连续随机变量独立的定义
7(二维连续随机变量的联合密度、条件密度、边缘分布及二个连续随机
变量的相关系数
8(连续随机变量的特征函数
(四)独立随机变量和的中心极限定理和大数定律 1(依概率收敛
2(以概率1收敛(或几乎处处收敛) 3(依分布收敛
4(伯努利大数定律
5(利莫弗-拉普拉斯中心极限定理
6(辛钦大数定律
(莱维-林德伯格中心极限定理 7
点估计 (五)
1(无偏估计，克拉美-劳不等式
2(矩估计
(极大似然估计 3
(六)区间估计
1(置信区间的概念
2(一个正态总体的期望的置信区间
3(大样本区间估计
4(两个正态总体期望之差的置信区间(方差已知)
(七)假设检验
1(检验问题的基本要素:第一类错误的概率、第二类错误的概率、检验
的功效、功效函数、检验的拒绝域、原假设、备择假设
2(一个正态总体的期望的检验问题
3(大样本检验
4(基于成对数据的检验(t检验)
5(两个正态总体期望之差的检验
(八)简单线性回归模型
1(简单线性回归模型定义
2(回归线的斜率的最小二乘估计
3(回归线的截距的最小二乘估计
4(随机误差(随机标准差)的估计
二、 考试要求
(一)基本概念
1(理解样本、样本观测值的概念
2(了解并能运用统计数据的直观描述方法如:干叶法、直方图
3(理解样本均值、样本方差及中位数的概念并能运用相关公式进行计算
4(掌握如下概念:概率、样本空间、事件、事件的独立性、条件概率，
2/4页
理解并能灵活运用Bayes 公式
5(理解古典概型的定义并能熟练解决这方面的问题
(二)离散随机变量
1(理解离散随机变量的定义
2(理解如下经典离散分布所产生的模型
a 二项分布
b 几何分布
c 泊松分布
d 超几何分布
能熟练计算上述分布的期望、方差，能熟练应用上述分布求出相应
事件的概率
3(了解离散随机变量的特征函数的定义和性质
4(了解两个离散随机变量相互独立的概念
5(理解二维离散随机变量的联合分布、条件分布、边缘分布及两个离散
随机变量的相关系数的概念并能熟练运用相关的公式解决问题
(三)连续随机变量
1(理解连续随机变量的概念
(理解密度与分布的概念及其关系 2
3(熟悉如下常用连续分布
a 正态分布
b 指数分布
c 均匀分布
d t分布
2e ,分布
4(了解连续分布的期望、方差的概念
5(了解有限个连续随机变量相互独立的概念
6(理解二维连续随机变量的联合密度、条件密度、边缘分布及二个连续
随机变量的相关系数并能运用相关公式进行计算 7(了解连续随机变量的特征函数的概念及性质
(四)独立随机变量和的中心极限定理和大数定律
1(了解依概率收敛、以概率1收敛(或几乎处处收敛)、依分布收敛的
定义，了解上述收敛性的关系
2(理解并掌握伯努利大数定律和利莫弗-拉普拉斯中心极限定理 3(了解辛钦大数定律、莱维-林德伯格中心极限定理
(五)点估计
1(理解无偏估计、矩估计、极大似然估计
2(能够计算参数的矩估计、极大似然估计
(六)区间估计
1(理解置信区间的概念
2(能够计算正态总体的期望的置信区间(包括方差已知、方差未知两种
情况)
3(在样本容量充分大的条件下，能够计算近似置信区间 4(能够计算两个正态总体的期望之差的置信区间(方差已知)
(七)假设检验
3/4页
1(理解以下概念:第一、二类错误的概率、检验的功效、功效函数、检
验的拒绝域、检验的原假设、备择假设
2(能给出一个正态总体的期望的检验的拒绝域(包括方差已知、方差未
知)
3(能用大样本方法求拒绝域
4(能给出基于成对数据的检验问题的拒绝域
(八)简单线性回归模型
1(理解简单线性回归模型定义，能写出模型的数学表达式 2(能计算回归线的斜率、截距的最小二乘估计
3(了解随机误差(随机标准差)的估计
p（a-b）表示a发生，而b不发生，因此
p（a-b）=p（a）-p（ab）
任何情况下
P(A-B)=P(A)-P(A∩B)
只有B是A的子集时
P(A-B)=P(A∩B)
扩展资料
在做实验时，常常是相对于试验结果本身而言，我们主要还是对结果的某些函数感兴趣。例如，在掷骰子时，我们常常关心的是两颗骰子的点和数，而并不真正关心其实际结果。
就是说，我们关心的也许是其点和数为7，而并不关心其实际结果是否是（1，6）或（2，5）或（3，4）或（4，3）或（5，2）或（6，1）。我们关注的这些量，或者更形式的说，这些定义在样本空间上的实值函数，称为随机变量。
以上就是关于随机变量的定义怎么写全部的内容，包括:随机变量的定义怎么写、什么是概率的统计定义,其适用条件是什么、随机变量p的定义域等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
