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。

🎯 这 20% 能解决哪些问题

你遇到的困惑本质原因马上能改的动作
平均延迟好看,用户却纷纷反馈慢只看均值不看方差与尾部同时报 P50/P90/P99 与标准差;重尾分布用分位数不用均值
排期总是低估把独立事件期望直接相加记 Var(∑X)=∑Var(X)(独立时):十个 3±2 天的任务加起来不是 30±0 天
接口调用次数、每分钟报错量不知如何建模计数型且事件稀疏独立用泊松 P(λ);均值=方差=λ,λ 就是单位时间平均发生次数
排队等待时间、故障间隔估计不准默认了正态,实际是有偏长尾事件间隔用指数分布(无记忆),总时长取均值后靠中心极限定理转正态
转换数据后统计量变了混淆了线性变换对 E/Var 的影响记住 E(aX+b)=aE(X)+b、Var(aX+b)=a²Var(X):平移不改方差,缩放平方改方差
标准化到底做了什么把 X 映到 Z=(X-μ)/σ ~ N(0,1)先减均值再除标准差,让不同量纲特征可比,后续距离计算才有意义

📊 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

🎓 实战场景(TIL)

场景现象用随机变量的哪一点
容量规划按均值 QPS 扩容,高峰仍崩流量计数近似泊松:P(X > λ + k√λ),安全水位按 λ + 3σ 而非 λ 算
重试与退避固定间隔重试把下游打死指数分布无记忆性 ⇒ 失败不降低下次成功概率,必须加随机抖动与指数退避
A/B 转化率转化率波动大,看不出差异伯努利变量方差 p(1-p),样本量 n ∝ p(1-p)/δ²,同等绝对差下 p 越接近 0.5 越费样本
特征工程模型对大数值特征过敏平方损失对应正态假设;重尾特征先取 log 再用 z-score,否则标准化无意义
损失函数选型分类任务用了 MSE 收敛慢伯努利似然推出交叉熵,正态似然推出 MSE;选损失就是选分布假设

📋 一页速查

要什么记这一行
分布函数F(x) = P(X ≤ x),单调不减、右连续、F(-∞)=0、F(+∞)=1
密度与概率连续型单点概率为 0,P(a≤X≤b) = ∫ₐᵇ f(x)dx = F(b)-F(a)
离散三兄弟伯努利 p, p(1-p);二项 np, np(1-p);泊松 λ, λ
几何分布首次成功所需次数:E = 1/p,Var = (1-p)/p²(重试次数预估就靠它)
连续三兄弟均匀 (a+b)/2;正态 N(μ,σ²);指数 1/λ, 1/λ²
68-95-99.7±1σ 68.3%、±2σ 95.4%、±3σ 99.7%(异常检测常用 3σ)
期望与方差E(aX+b)=aE(X)+b;Var(aX+b)=a²Var(X);Var(X)=E(X²)-[E(X)]²
无记忆性P(X>s+t | X>s) = P(X>t),只有几何/指数有
分布选择直觉计数→泊松;间隔→指数;极端值→广义极值;比率→Beta

🔗 相关链接


📚 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