基本知识和原理：
在概率论中，称ω（为方便，python示例代码写作w）为基本事件或样本。例如在抛硬币实验中，称ω1为“正面朝上”，称ω2为“背面朝上”，则可以表示为如下python代码：
w1 = "正面朝上"
w2 = "背面朝上"称Ω为样本空间（为方便，python示例代码写作Omega），则可有如下python表述：
Omega = (w1, w2) # 样本空间所谓空间，就是一堆样本的集合。这里python的元祖定义稍微跟数学上的空间定义有些偏差（例如python的元祖是可以通过下标进行映射的，而数学上的空间就没有此过程，定义仅仅是包含样本的关系，具体下标和映射没有定义），但大体意思相同。
称A为事件。注意事件跟样本的区别，事件可以是“正面朝上”、“背面朝上”，也可以是样本的组合，例如“正面朝上与背面朝上同时发生”
A1 = (w1)
A2 = (w2)
A3 = (w1, w2) # “正面朝上与背面朝上同时发生”
A4 = () # “正面与背面都不朝上”称F为事件的全体
F = (A1, A2, A3, A4) # 事件的全体称P(A)为事件的概率：
def P(A):
if A == A1 or A == A2:
return 0.5
else:
return 0三元组(Ω,F,P)构成概率空间
probability_space = (Omega, F, P) # 概率空间有这个元祖后就能去查这个元祖里面的数据，导出任何想要的事件、样本的概率结果。可以简单的理解为“有数据”了。
随机变量ξ（为方便，python中写作xi，发音：英 /ksaɪ; gzaɪ; saɪ; zaɪ/）
import random
xi = random.random()我们看到很多教材有这样的表述：
此时的ξ已经经过映射，把0~0.5的范围映射成了0，而0.5~1的范围映射成了1：
import random
xi = random.random()
if 0<= xi < 0.5:
xi = 0
else:
xi = 1当作协方差运算的时候，选定某个随机变量后的
与
之间的位置关系是确定的。不确定的只是
。假设是不确定的，也是不确定的，两者没有关联，那当然不存在任何相关的关系（例如每次随机抽取，取到3，而可能取到5也可能取到-5）。所以实际上说某两个随机变量呈现正相关或者负相关，是有这样的程序内涵在里边的，如下python代码：
import random
xi = random.random()
def X1(xi_in):
x1_list = [1, 2, 3, 4, 5, 6, 7, 8]
return x1_list[xi_in]
def X2(xi_in):
x2_list = [10, 20, 30, 40, 50, 60, 70, 80]
return x2_list[xi_in]
print X1(xi), X2(xi)从程序中我们可以看到，每次取X1和X2的时候，都是输入同样的随机数xi，只要xi一样，那么从X1或X2函数中的list中取的序号就一样，相同序号的数如果有正相关，那么这两个随机变量就是正相关关系。