1樓：月半亮
個人的一點點小的思考，肯定會有很多不完備的地方：離散和連續，好比物理學上的粒子和波動類似，離散是在乙個時空節點的單一的可辨認的變數，而連續則是一串離散變數的flow，好比赫拉克利特的萬物皆流，比如三角函式，拋物線，對數函式，拋物線，連續的一條拋物線，就是連續，但是，我們對於某乙個位置，從x軸或y軸，去通過連續的拋物線去測量其對應的值，大家都做過這麼乙個簡單的數學題，但是，這裡有乙個問題，那就取值的問題（代數），因為我們從乙個連續的拋物線去選取x軸上的x=1，這個賦值的過程，本身可能就是有問題的，因為x=100和x=0.1，本身都是賦值過程，本身這樣去擷取離散變數值得過程，很可能就是乙個「測不准」的擷取方式，但是，從大樣本的離散資料去演繹連續過程的時候，又能從這個級別看到更廣闊的拋物線，所以，測不准，不確定性，這裡有乙個很微妙的自然現象在裡面，那就是越是精確的時候，越是模糊，越是模糊的時候，又有精確的成分在裡面。
歸結一句話：不知道
2樓：UNCUS
有啊， 既不連續也不離散型。
先拋乙個硬幣，如果是反面，隨機變數取0；
如果是正面，就讓隨機變數根據乙個正態分佈（或者你最喜歡的連續隨機變數）取值。
這樣這個隨機變數就既不連續也不離散
3樓：
除了離散型隨機變數，連續型隨機變數，以及他們對應的測度的convex combination構成的測度對應的隨機變數外，存在其他型別的隨機變數。
簡單的說，所謂離散型隨機變數（連續型隨機變數）指的是，該隨機變數對應的測度是absolutely continuous with respect to counting measure（Lebesgue measure）的。測度集中在Cantor集的測度，不 absolutely continuous with respect to counting measure和Lebesgue measure。
嚴格的說，我們有隨機變數,則我們可以定義乙個上的測度,即對於任意:
上的Lebesgue measure記做,上的counting measure記做。滿足連續性隨機變數定義的條件是可以寫作，離散型隨機變數可以寫作
注意：對應的必要條件分別是和。
既不是連續型，也不是離散型的隨機變數
給定定義在上的Cantor集，我們定義乙個分布函式
這個分布不是離散的，因為所有可數無窮集合的測度是零，但可數無窮集合的counting測度是無窮。
這個分布不是連續的，因為Cantor集合的測度是1，但Lebesgue測度是0。
注意：這裡我們用到了隨機變數和分布函式可以相互轉化和分布函式確定測度的知識，見：
怎樣通俗地理解分布函式？ - 長澤雅美的回答
連續型隨機變數隨機變數取某一具體值的概率是絕對意義上的0嗎？
hwd 以下為第二次補充 設有連續型隨機變數 在 2，3 的概率為1，且均勻分布。x 2.1的概率為0，但並非不可能發生 x 3.1的概率也為0，且絕對不可能發生。對比可知，兩者在發生與否上截然不同。人為引入 可能性 這一概念，可能性 0 為不可能發生 可能性 0 為可能發生。那麼是什麼原因造成這種...
既不離散也不連續的隨機變數存在嗎？
每半年改一次 直到條件概率或者條件期望出現之前，概率論可以說就是一種特別的測度論。具體到這個問題，任何乙個 取實數值的 隨機變數的分布都可以被它的CDF 累積分布函式 唯一刻畫，也就是只要對任意 都定義了 那麼 的分布就唯一確定了。反過來，定義了CDF，服從這個CDF的隨機變數可以用均勻分布容易的構...
隨機變數x和另乙個隨機變數y x的關係是什麼？
Ellery Holmes X Y 0變為常數，失去隨機性 是的，Y已經由X表示了，所以Y的隨機性由X的隨機性完全決定了，Y與X取值恒等 隨機變數是乙個對映，為了用我們熟悉的函式表示式來研究抽象的樣本空間概率是概率空間上的集合函式，隨機變數是樣本空間上的函式，所以概率通過表示為隨機變數的函式而間接表...