一维随机变量及其分布

黎明

公告

欢迎来到黎明的小站。本站用于堆叠平时的技术痕迹，记录一些值得留存的想法。

标签

0-1 背包 Algorithm Backup Cloudflare R2 CSS DFS Dijkstra DNS Ford-Fulkerson GitHub Actions HTML Komari Monitor Kruskal Nginx Ops PicGo Prim P值 Restic UI Web Design 三角函数中心极限定理二分搜索二叉树二维随机变量二进制优先队列伯努利概型位运算假设检验最优装载最大流最小生成树最短路径分布函数分支限界分治法加工顺序问题动态规划区间估计区间调度协方差参数估计双指针反三角函数古典概型哈夫曼编码回溯法回溯算法图床图论堆排序增广路大数定律学习路线导数并查集归并排序快速幂快速排序抽样分布拒绝域探针数值随机化算法数字特征数学期望数据压缩数据结构数理统计数组方差旅行商问题显著性水平条件分布条件概率标号法栈概率分布概率统计概率论正态近似点估计独立性相关系数矩阵离散型分布积分简单随机样本素数环统计量网络流置信区间联合分布蒙特卡罗算法贪心算法边缘分布连续型分布链表队列随机事件随机变量随机算法随机采样高等数学

黎明

公告

欢迎来到黎明的小站。本站用于堆叠平时的技术痕迹，记录一些值得留存的想法。

关于我

标签

0-1 背包 Algorithm Backup Cloudflare R2 CSS DFS Dijkstra DNS Ford-Fulkerson GitHub Actions HTML Komari Monitor Kruskal Nginx Ops PicGo Prim P值 Restic UI Web Design 三角函数中心极限定理二分搜索二叉树二维随机变量二进制优先队列伯努利概型位运算假设检验最优装载最大流最小生成树最短路径分布函数分支限界分治法加工顺序问题动态规划区间估计区间调度协方差参数估计双指针反三角函数古典概型哈夫曼编码回溯法回溯算法图床图论堆排序增广路大数定律学习路线导数并查集归并排序快速幂快速排序抽样分布拒绝域探针数值随机化算法数字特征数学期望数据压缩数据结构数理统计数组方差旅行商问题显著性水平条件分布条件概率标号法栈概率分布概率统计概率论正态近似点估计独立性相关系数矩阵离散型分布积分简单随机样本素数环统计量网络流置信区间联合分布蒙特卡罗算法贪心算法边缘分布连续型分布链表队列随机事件随机变量随机算法随机采样高等数学

黎明

公告

欢迎来到黎明的小站。本站用于堆叠平时的技术痕迹，记录一些值得留存的想法。

关于我

标签

0-1 背包 Algorithm Backup Cloudflare R2 CSS DFS Dijkstra DNS Ford-Fulkerson GitHub Actions HTML Komari Monitor Kruskal Nginx Ops PicGo Prim P值 Restic UI Web Design 三角函数中心极限定理二分搜索二叉树二维随机变量二进制优先队列伯努利概型位运算假设检验最优装载最大流最小生成树最短路径分布函数分支限界分治法加工顺序问题动态规划区间估计区间调度协方差参数估计双指针反三角函数古典概型哈夫曼编码回溯法回溯算法图床图论堆排序增广路大数定律学习路线导数并查集归并排序快速幂快速排序抽样分布拒绝域探针数值随机化算法数字特征数学期望数据压缩数据结构数理统计数组方差旅行商问题显著性水平条件分布条件概率标号法栈概率分布概率统计概率论正态近似点估计独立性相关系数矩阵离散型分布积分简单随机样本素数环统计量网络流置信区间联合分布蒙特卡罗算法贪心算法边缘分布连续型分布链表队列随机事件随机变量随机算法随机采样高等数学

站点统计

文章

44

分类

6

标签

105

总字数

124,816

运行天数

0 天

最后活动

0 天前

3080 字

8 分钟

一维随机变量及其分布

2026-06-20 11:19:08

/

/

/

/

本文按“概念 → 分布 → 常见分布 → 函数分布 → 题型”的顺序梳理一维随机变量及其分布。这一章可以理解为：上一章研究的是“事件的概率”，这一章开始把随机结果数量化，研究一个随机变量取各种数值的概率规律。

1. 什么是随机变量#

随机变量本质上是一个函数，它把随机试验的结果映射成一个实数。

记作：

X=X(\omega)

其中 $\omega$ 是样本点， $X(\omega)$ 是对应的数值。

例如抛一枚硬币，样本空间为：

\Omega=\{\text{正面}, \text{反面}\}

可以定义随机变量：

X= \begin{cases} 1, & \text{出现正面} \\ 0, & \text{出现反面} \end{cases}

这样，原来的“正面、反面”就变成了数字 $1,0$ 。

所以：

\boxed{\text{随机变量就是把随机试验的结果用数字表示出来}}

2. 一维随机变量#

如果一个随机变量只用一个数来描述结果，就叫一维随机变量。

例如：

随机试验	随机变量
掷一个骰子	$X = \text{掷出的点数}$
抽查产品	$X = \text{次品个数}$
等公交	$X = \text{等待时间}$
测量身高	$X = \text{某人的身高}$
射击	$X = \text{命中次数}$

这里的 $X$ 都是一个数，所以是一维随机变量。

3. 随机变量的分布#

随机变量的分布描述的是：

\boxed{\text{随机变量取不同数值的概率规律}}

比如掷骰子，令：

X=\text{掷出的点数}

那么：

P(X=1)=\frac{1}{6}

P(X=2)=\frac{1}{6}

一直到：

P(X=6)=\frac{1}{6}

这就是 $X$ 的分布。

4. 分布函数#

不管随机变量是离散型还是连续型，都可以用分布函数描述。

随机变量 $X$ 的分布函数定义为：

\boxed{F(x)=P(X\le x)}

它表示随机变量 $X$ 取值不超过 $x$ 的概率。

例如：

F(3)=P(X\le 3)

意思是：

X \text{ 取值小于等于 3 的概率}

分布函数的性质#

性质一：单调不减#

如果 $x_1<x_2$ ，那么：

F(x_1)\le F(x_2)

因为 $X\le x_1$ 的范围一定包含在 $X\le x_2$ 里面。

性质二：取值范围在 0 到 1 之间#

0\le F(x)\le 1

因为它本质上是概率。

性质三：两端极限#

\lim_{x\to -\infty}F(x)=0

\lim_{x\to +\infty}F(x)=1

意思是：

当 $x$ 非常小时， $X\le x$ 几乎不可能发生；

当 $x$ 非常大时， $X\le x$ 几乎必然发生。

性质四：右连续#

分布函数总是右连续的：

F(x+0)=F(x)

这个性质考试中一般不会重点计算，但要知道。

5. 用分布函数求概率#

分布函数最重要的用法是求区间概率。

\boxed{P(a<X\le b)=F(b)-F(a)}

注意这里是 $a<X\le b$ ，左开右闭。

例如：

P(2<X\le 5)=F(5)-F(2)

还有：

P(X>b)=1-F(b)

因为：

P(X>b)=1-P(X\le b)

也就是：

P(X>b)=1-F(b)

6. 离散型随机变量#

如果随机变量只能取有限个或可列个值，就叫离散型随机变量。

例如：

掷骰子的点数；
抛硬币正面次数；
一批产品中的次品数；
某人一天收到的快递数。

这些值通常是一个一个分开的。

离散型随机变量的分布律#

若随机变量 $X$ 可能取 $x_1,x_2,\dots,x_n,\dots$ ，并且：

P(X=x_i)=p_i

那么称：

\boxed{P(X=x_i)=p_i,\quad i=1,2,\dots}

为 $X$ 的分布律。

通常写成表格：

\begin{array}{c|cccc} X & x_1 & x_2 & \cdots & x_n \\ \hline P & p_1 & p_2 & \cdots & p_n \end{array}

分布律必须满足两个条件#

第一：

p_i\ge 0

第二：

\sum_i p_i=1

也就是说，每个概率不能为负，而且所有可能取值的概率加起来必须等于 1。

离散型随机变量例题#

掷一个均匀骰子，令：

X=\text{掷出的点数}

则 $X=1,2,3,4,5,6$ ，并且：

P(X=k)=\frac{1}{6},\quad k=1,2,3,4,5,6

分布律为：

\begin{array}{c|cccccc} X & 1 & 2 & 3 & 4 & 5 & 6 \\ \hline P & \frac{1}{6} & \frac{1}{6} & \frac{1}{6} & \frac{1}{6} & \frac{1}{6} & \frac{1}{6} \end{array}

离散型随机变量的分布函数#

对于离散型随机变量：

\boxed{F(x)=P(X\le x)=\sum_{x_i\le x}p_i}

也就是把所有不超过 $x$ 的取值概率加起来。

例如掷骰子：

F(3)=P(X\le 3)

=P(X=1)+P(X=2)+P(X=3)

=\frac{1}{6}+\frac{1}{6}+\frac{1}{6}=\frac{1}{2}

7. 连续型随机变量#

如果随机变量可以在某个区间内连续取值，就叫连续型随机变量。

例如：

等车时间；
零件寿命；
身高；
温度；
误差。

这些变量不是一个一个孤立的值，而是在区间内连续变化。

概率密度函数#

对于连续型随机变量，不能像离散型那样直接列出 $P(X=x_i)$ ，因为连续型随机变量在某一个点上的概率通常为 0：

P(X=a)=0

所以连续型随机变量用概率密度函数表示，记作 $f(x)$ ，它满足：

f(x)\ge 0

并且：

\int_{-\infty}^{+\infty} f(x)\,dx=1

分布函数和密度函数的关系#

如果 $X$ 是连续型随机变量，密度函数为 $f(x)$ ，则：

\boxed{F(x)=P(X\le x)=\int_{-\infty}^{x}f(t)\,dt}

反过来，如果 $F(x)$ 可导，则：

\boxed{f(x)=F'(x)}

连续型随机变量求区间概率#

对于连续型随机变量：

\boxed{P(a<X\le b)=\int_a^b f(x)\,dx}

因为单点概率为 0，所以：

P(a<X<b)=P(a\le X\le b)=P(a<X\le b)

它们都等于：

\int_a^b f(x)\,dx

这是连续型随机变量和离散型随机变量的重要区别。

8. 离散型和连续型的核心区别#

类型	概率怎么给	单点概率	求区间概率
离散型	分布律 $P(X=x_i)=p_i$	可能大于 0	概率相加
连续型	密度函数 $f(x)$	通常等于 0	积分求面积

简单记：

\boxed{\text{离散型靠“加”，连续型靠“积分”}}

9. 常见离散型分布#

9.1 两点分布#

如果随机变量 $X$ 只取 $0$ 和 $1$ ，并且：

P(X=1)=p

P(X=0)=1-p

则称 $X$ 服从两点分布，也叫 0-1 分布。

记作：

X\sim B(1,p)

例如一次射击：

X= \begin{cases} 1, & \text{命中} \\ 0, & \text{未命中} \end{cases}

若命中率是 $p$ ，则：

P(X=1)=p

P(X=0)=1-p

9.2 二项分布#

如果进行 $n$ 次独立重复试验，每次成功概率为 $p$ ，令：

X=\text{成功次数}

则：

X\sim B(n,p)

它的分布律为：

\boxed{P(X=k)=C_n^k p^k(1-p)^{n-k},\quad k=0,1,2,\dots,n}

二项分布就是前面提到的伯努利概型对应的随机变量分布。

例如某人命中率为 $0.8$ ，独立射击 $5$ 次，令：

X=\text{命中次数}

则：

X\sim B(5,0.8)

恰好命中 $3$ 次：

P(X=3)=C_5^3(0.8)^3(0.2)^2

9.3 泊松分布#

如果随机变量 $X$ 表示某段时间、某个区域内某事件发生的次数，并且平均发生次数为 $\lambda$ ，则常用泊松分布。

记作：

X\sim P(\lambda)

分布律为：

\boxed{P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\quad k=0,1,2,\dots}

例如：

某路口一分钟内通过的车辆数；
某商店一天内到店顾客数；
某机器一小时内故障次数；
某页书中的印刷错误数。

其中 $\lambda$ 表示平均发生次数。

10. 常见连续型分布#

10.1 均匀分布#

如果随机变量 $X$ 在区间 $[a,b]$ 上每个位置“机会均等”，则称 $X$ 服从均匀分布。

记作：

X\sim U(a,b)

其密度函数中的常数公式：

f(x)=\frac{1}{b-a}

来自于均匀分布的定义。

如果 $X\sim U(a,b)$ ，意思是说： $X$ 在区间 $[a,b]$ 上每一小段出现的可能性都一样。

所以它的概率密度函数 $f(x)$ 应该是一个常数，设为：

f(x)=c,\quad a\le x\le b

因为概率密度函数有一个基本要求：

\int_{-\infty}^{+\infty} f(x)\,dx=1

而 $X$ 只在 $[a,b]$ 上取值，在其他区域概率密度为 0，所以有：

\int_a^b c\,dx=1

计算积分可得：

c(b-a)=1 \implies c=\frac{1}{b-a}

因此，均匀分布的密度函数为：

f(x)= \begin{cases} \dfrac{1}{b-a}, & a\le x\le b \\ 0, & \text{其他} \end{cases}

例如随机等待时间在 $0$ 到 $10$ 分钟之间均匀分布：

X\sim U(0,10)

则：

P(2<X<5)=\frac{5-2}{10-0}=\frac{3}{10}

10.2 指数分布#

如果随机变量 $X$ 表示“等待时间”或“寿命”，常用指数分布。

记作：

X\sim E(\lambda)

密度函数为：

f(x)= \begin{cases} \lambda e^{-\lambda x}, & x>0 \\ 0, & x\le 0 \end{cases}

分布函数为：

F(x)= \begin{cases} 1-e^{-\lambda x}, & x>0 \\ 0, & x\le 0 \end{cases}

所以：

P(X>x)=1-F(x)=e^{-\lambda x}

指数分布常见于：

设备寿命；
等车时间；
服务系统中的等待时间。

10.3 正态分布#

正态分布是最重要的连续型分布之一。

若：

X\sim N(\mu,\sigma^2)

则密度函数为：

f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}

其中 $\mu$ 控制中心位置， $\sigma$ 控制曲线离散程度。正态分布曲线呈钟形，关于 $x=\mu$ 对称。

常见例子：

身高；
测量误差；
考试成绩；
零件尺寸误差。

特别地，当 $\mu=0$ 且 $\sigma^2=1$ 时，称为标准正态分布：

X\sim N(0,1)

通常记作：

Z\sim N(0,1)

标准正态分布的计算与标准化#

在实际做题中，我们经常遇到一般的正态分布，此时需要用到标准化法。其核心思想是：将一般正态分布 $X\sim N(\mu,\sigma^2)$ 转化为标准正态分布 $Z\sim N(0,1)$ ，再利用标准正态分布的分布函数 $\Phi(x)$ 进行计算。

标准化公式#

若 $X\sim N(\mu,\sigma^2)$ ，则：

Z = \frac{X-\mu}{\sigma} \sim N(0,1)

典型简例#

设随机变量 $X\sim N(2,\sigma^2)$ ，且 $P(2<X<4)=0.3$ ，求 $P(X<0)$ 。

用文字描述就是：已知 $X$ 服从均值为 $2$ 、方差为 $\sigma^2$ 的正态分布，并且 $X$ 落在区间 $(2,4)$ 内的概率是 $0.3$ ，求 $X$ 小于 $0$ 的概率。

【解析】

第一步：标准化已知条件，求 $\Phi\left(\dfrac{2}{\sigma}\right)$

因为 $\mu=2$ ，我们对已知概率进行标准化转换：

\begin{aligned} P(2<X<4) &= P\left(\frac{2-2}{\sigma} < \frac{X-2}{\sigma} < \frac{4-2}{\sigma}\right) \\ &= P\left(0 < Z < \frac{2}{\sigma}\right) \end{aligned}

利用标准正态分布函数 $\Phi(x)$ 表示：

P\left(0 < Z < \frac{2}{\sigma}\right) = \Phi\left(\frac{2}{\sigma}\right) - \Phi(0)

因为标准正态分布在原点处的分布函数值 $\Phi(0)=0.5$ ，所以：

0.3 = \Phi\left(\frac{2}{\sigma}\right) - 0.5 \implies \Phi\left(\frac{2}{\sigma}\right) = 0.8

第二步：标准化待求概率，求 $P(X<0)$

同样地，对 $P(X<0)$ 进行标准化转换：

\begin{aligned} P(X<0) &= P\left(\frac{X-2}{\sigma} < \frac{0-2}{\sigma}\right) \\ &= P\left(Z < -\frac{2}{\sigma}\right) \end{aligned}

写成标准正态分布函数的形式：

P(X<0) = \Phi\left(-\frac{2}{\sigma}\right)

利用标准正态分布的对称性质 $\Phi(-x) = 1 - \Phi(x)$ ，可得：

\Phi\left(-\frac{2}{\sigma}\right) = 1 - \Phi\left(\frac{2}{\sigma}\right)

将第一步求得的结果 $\Phi\left(\dfrac{2}{\sigma}\right) = 0.8$ 代入上式：

P(X<0) = 1 - 0.8 = 0.2

所以，最终答案为：

\boxed{0.2}

这个方法可以总结为：

\boxed{\text{先标准化，再用标准正态分布函数 } \Phi(x) \text{ 计算}}

11. 随机变量函数的分布#

有时题目不是直接问 $X$ 的分布，而是问：

Y=g(X)

的分布。这叫做随机变量函数的分布。

离散型情况#

如果 $X$ 是离散型随机变量，可以直接代入。

例如：

\begin{array}{c|ccc} X & -1 & 0 & 2 \\ \hline P & 0.2 & 0.3 & 0.5 \end{array}

令：

Y=X^2

则：

$X=-1 \Rightarrow Y=1$
$X=0 \Rightarrow Y=0$
$X=2 \Rightarrow Y=4$

所以：

\begin{array}{c|ccc} Y & 0 & 1 & 4 \\ \hline P & 0.3 & 0.2 & 0.5 \end{array}

如果不同的 $X$ 对应同一个 $Y$ ，要把概率合并。

连续型情况#

连续型随机变量函数的分布，常用分布函数法：

先写：

F_Y(y)=P(Y\le y)

再把 $Y=g(X)$ 代进去，转化成关于 $X$ 的不等式。

例如：

Y=2X+1

则：

\begin{aligned} F_Y(y)&=P(Y\le y) \\ &=P(2X+1\le y) \\ &=P\left(X\le \frac{y-1}{2}\right) \\ &=F_X\left(\frac{y-1}{2}\right) \end{aligned}

这类题的核心是：

\boxed{\text{先写分布函数，再化成 } X \text{ 的不等式}}

再来看一个经典的例题。

【例题】

设随机变量 $X$ 在区间 $(0,2)$ 上服从均匀分布，

Y=X^3

求：

(1) $Y$ 的分布函数 $F_Y(y)$ ；

(2) $Y$ 的密度函数 $f_Y(y)$ 。

【解析】

因为：

X\sim U(0,2)

所以 $X$ 的密度函数为：

f_X(x)= \begin{cases} \dfrac{1}{2}, & 0<x<2 \\ 0, & \text{其他} \end{cases}

又因为：

Y=X^3

当 $X\in(0,2)$ 时，有 $Y\in(0,8)$ 。

所以要求 $F_Y(y)$ ，需要分三段讨论：

第一段： $y<0$ #

因为 $Y=X^3>0$ ，所以：

P(Y\le y)=0

因此：

F_Y(y)=0,\quad y<0

第二段： $0\le y<8$ #

F_Y(y)=P(Y\le y)

因为 $Y=X^3$ ，所以：

F_Y(y)=P(X^3\le y)

两边开三次方：

F_Y(y)=P(X\le \sqrt[3]{y})

由于 $X$ 在 $(0,2)$ 上均匀分布，所以概率等于区间长度之比：

P(0<X\le \sqrt[3]{y}) = \frac{\sqrt[3]{y}-0}{2-0}

所以：

F_Y(y)=\frac{\sqrt[3]{y}}{2},\quad 0\le y<8

第三段： $y\ge 8$ #

因为 $Y$ 最大到 $8$ ，所以当 $y\ge 8$ 时， $Y\le y$ 是必然事件：

P(Y\le y)=1

因此：

F_Y(y)=1,\quad y\ge 8

综上所述， $Y$ 的分布函数是：

F_Y(y)= \begin{cases} 0, & y<0 \\[4pt] \dfrac{\sqrt[3]{y}}{2}, & 0\le y<8 \\[4pt] 1, & y\ge 8 \end{cases}

接下来求密度函数。连续型随机变量的密度函数是分布函数的导数：

f_Y(y)=F_Y'(y)

对中间这一段求导：

F_Y(y)=\frac{1}{2}y^{1/3}

可得：

f_Y(y)=\frac{1}{2}\cdot \frac{1}{3}y^{-2/3}

即：

f_Y(y)=\frac{1}{6y^{2/3}},\quad 0<y<8

其他地方密度为 0。

所以， $Y$ 的密度函数为：

f_Y(y)= \begin{cases} \dfrac{1}{6y^{2/3}}, & 0<y<8 \\[4pt] 0, & \text{其他} \end{cases}

这题的关键就是：

\boxed{\text{先求 } F_Y(y)=P(Y\le y)\text{，再对 } F_Y(y)\text{ 求导得到 } f_Y(y)}

12. 本章常考题型#

题型一：由分布律求概率#

给你：

\begin{array}{c|cccc} X & 0 & 1 & 2 & 3 \\ \hline P & 0.1 & 0.2 & 0.3 & 0.4 \end{array}

求：

P(X\ge 2)

直接加：

\begin{aligned} P(X\ge 2)&=P(X=2)+P(X=3) \\ &=0.3+0.4 \\ &=0.7 \end{aligned}

题型二：由分布律求分布函数#

如果：

\begin{array}{c|ccc} X & 1 & 2 & 4 \\ \hline P & 0.2 & 0.5 & 0.3 \end{array}

则：

F(x)=P(X\le x)

所以：

F(x)= \begin{cases} 0, & x<1 \\ 0.2, & 1\le x<2 \\ 0.7, & 2\le x<4 \\ 1, & x\ge 4 \end{cases}

离散型随机变量的分布函数是阶梯函数。

题型三：由密度函数求常数#

如果：

f(x)= \begin{cases} cx, & 0<x<2 \\ 0, & \text{其他} \end{cases}

求 $c$ 。

因为密度函数总面积为 1：

\int_{-\infty}^{+\infty}f(x)\,dx=1

所以：

\begin{aligned} \int_0^2 cx\,dx&=1 \\ c\cdot \frac{x^2}{2}\bigg|_0^2&=1 \\ 2c&=1 \\ c&=\frac{1}{2} \end{aligned}

题型四：由密度函数求概率#

仍设：

f(x)= \begin{cases} \frac{1}{2} x, & 0<x<2 \\ 0, & \text{其他} \end{cases}

求：

P(1<X<2)

则：

\begin{aligned} P(1<X<2)&=\int_1^2 \frac{1}{2} x\,dx \\ &=\frac{1}{2}\cdot \frac{x^2}{2}\bigg|_1^2 \\ &=\frac{1}{4}(4-1) \\ &=\frac{3}{4} \end{aligned}

题型五：由密度函数求分布函数#

已知：

f(x)= \begin{cases} 2x, & 0<x<1 \\ 0, & \text{其他} \end{cases}

求 $F(x)$ 。

分段讨论：

当 $x\le 0$ 时：

F(x)=0

当 $0<x<1$ 时：

F(x)=\int_0^x 2t\,dt=x^2

当 $x\ge 1$ 时：

F(x)=1

所以：

F(x)= \begin{cases} 0, & x\le 0 \\ x^2, & 0<x<1 \\ 1, & x\ge 1 \end{cases}

13. 易错点总结#

易错点一：随机变量不是变量，而是函数#

随机变量 $X$ 是从样本空间到实数的映射。不过初学时可以先把它理解成“随机取值的数”。

易错点二：分布函数永远是 $P(X\le x)$ #

不是 $P(X=x)$ ，而是 $P(X\le x)$ ，这个一定要分清。

易错点三：离散型有单点概率，连续型单点概率为 0#

离散型 $P(X=a)$ 可能大于 0。

连续型 $P(X=a)=0$ 。

所以连续型中：

P(a<X<b)=P(a\le X\le b)

端点有没有等号不影响结果。

易错点四：密度函数值不是概率#

对于连续型随机变量， $f(2)$ 不是 $P(X=2)$ 。密度函数下面的面积才是概率：

P(a<X<b)=\int_a^b f(x)\,dx

易错点五：分布函数是累积概率#

分布函数 $F(x)$ 表示从左边一直累积到 $x$ 的概率，所以它一定不会下降。

14. 本章公式总结#

内容	公式
分布函数	$F(x)=P(X\le x)$
区间概率	$P(a<X\le b)=F(b)-F(a)$
右尾概率	$P(X>x)=1-F(x)$
离散型分布律	$P(X=x_i)=p_i$
离散型分布函数	$F(x)=\sum_{x_i\le x}p_i$
连续型分布函数	$F(x)=\int_{-\infty}^x f(t)\,dt$
连续型区间概率	$P(a<X<b)=\int_a^b f(x)\,dx$
密度函数求总概率	$\int_{-\infty}^{+\infty}f(x)\,dx=1$
密度与分布函数关系	$f(x)=F'(x)$