Quartz 4

随机变量

5 min read

随机变量

核心观点：随机变量是将随机事件结果映射到实数的函数，是概率论从定性到定量的关键桥梁。

📊 随机变量基本概念

定义

概念定义例子
随机变量样本空间到实数的映射 X: Ω → ℝ投掷骰子的结果
离散型取值有限或可列掷骰子、抛硬币
连续型取值不可列身高、温度

分布函数

graph TB
    subgraph 分布函数
        A1["定义<br/>F(x) = P(X ≤ x)"]
        A2["性质1<br/>单调不减"]
        A3["性质2<br/>F(-∞)=0, F(+∞)=1"]
        A4["性质3<br/>右连续"]
    end    
    A1 --> A2 & A3 & A4
    
    style A1 fill:#ffebee

📈 离散型随机变量

常见分布

分布概率函数均值方差
伯努利(0-1)P(X=1)=ppp(1-p)
二项 B(n,p)C(n,k)pᵏ(1-p)ⁿ⁻ᵏnpnp(1-p)
泊松 P(λ)λᵏe⁻λ/k!λλ
几何(1-p)ᵏ⁻¹p1/p(1-p)/p²
负二项C(r+k-1,k)(1-p)ᵏpʳr/pr(1-p)/p²

泊松分布详解

graph TB
    subgraph 泊松分布
        A1["定义<br/>P(X=k) = λᵏe⁻λ/k!"]
        A2["参数λ<br/>单位时间发生次数"]
        A3["性质<br/>E(X)=Var(X)=λ"]
        A4["近似<br/>n大p小→泊松"]
    end    
    A1 --> A2 & A3 & A4
    
    style A1 fill:#ffebee

📊 连续型随机变量

概率密度函数

概念定义性质
密度函数P(a≤X≤b) = ∫ₐᵇf(x)dxf(x)≥0, ∫f(x)dx=1
分布函数F(x) = ∫₋∞ˣf(t)dtF’(x)=f(x)

常见分布

graph TB
    subgraph 连续分布
        A1["均匀分布<br/>U(a,b)"]
        A2["正态分布<br/>N(μ,σ²)"]
        A3["指数分布<br/>Exp(λ)"]
        A4["伽马分布<br/>Γ(α,β)"]
        A5["β分布<br/>Beta(a,b)"]
    end    
    A1 & A2 & A3 & A4 & A5
    
    style A1 fill:#ffebee

正态分布详解

性质内容意义
密度函数f(x) = (1/√(2πσ²))e^(-(x-μ)²/(2σ²))钟形曲线
标准化Z = (X-μ)/σ ~ N(0,1)统一处理
68-95-99.7法则μ±kσ包含的面积经验法则

指数分布详解

指数分布性质：
- 无记忆性：P(X>s+t|X>s) = P(X>t)
- 密度函数：f(x) = λe^(-λx), x≥0
- 均值：E(X) = 1/λ
- 方差：Var(X) = 1/λ²

📐 数字特征

期望

类型公式性质
离散型E(X) = ∑xᵢpᵢ线性性
连续型E(X) = ∫xf(x)dx线性性

方差

概念公式意义
方差Var(X) = E[(X-μ)²]离散程度
标准差σ = √Var(X)与X同单位
方差性质：
Var(X) = E(X²) - [E(X)]²
Var(aX+b) = a²Var(X)

协方差与相关系数

概念公式意义
协方差Cov(X,Y) = E[(X-μₓ)(Y-μᵧ)]线性相关方向
相关系数ρ = Cov(X,Y)/(σₓσᵧ)标准化协方差

🤖 机器学习应用

数据建模

graph TB
    subgraph 分布假设
        A1["朴素贝叶斯<br/>特征独立分布"]
        A2["线性回归<br/>误差正态分布"]
        A3["EM算法<br/>混合高斯分布"]
        A4["生成模型<br/>p(x,y)=p(x|y)p(y)"]
    end    
    A1 & A2 & A3 & A4
    
    style A1 fill:#ffebee

损失函数与分布

损失函数对应分布应用
0-1损失伯努利分类
平方损失正态回归
交叉熵伯努利/多项分类

🎯 核心结论

随机变量核心概念

  1. 随机变量：随机结果的数值化
  2. 分布函数：完整描述随机变量
  3. 数字特征：期望、方差、协方差
  4. 常见分布：正态、泊松、指数
  5. 机器学习：建模假设与损失函数

学习路径

随机变量学习四步骤：
1. 基本概念：随机变量、分布函数
2. 离散分布：伯努利、二项、泊松
3. 连续分布：正态、指数、伽马
4. 数字特征：期望、方差、协方差

📚 参考文献

  1. 《概率论与数理统计》- 浙江大学
  2. 《概率论基础教程》- Sheldon Ross
  3. 《统计学习方法》- 李航
  4. 《概率统计》- 陈希孺
  5. 《Pattern Recognition and Machine Learning》- Bishop
  6. 《All of Statistics》- Larry Wasserman
  7. 《概率论》- 汪仁官
  8. 《随机过程》- 方兆本

Graph View

Backlinks