【漫话机器学习系列】136.随机变量（Random Variable）
详解随机变量（Random Variable）
1. 引言
在概率论和统计学中，随机变量（Random Variable）是一个基本概念，它描述了实验结果的不确定性。简单来说，随机变量是一个数值变量，它的取值依赖于某个随机实验的结果。例如，抛掷骰子时，可能的结果是1到6中的任意一个数值，这些结果形成一个随机变量。
2. 随机变量的定义
随机变量 是一个数值型变量，它的值是由随机实验决定的。例如：
- 抛掷一枚硬币，可能的结果是“正面”或“反面”，但我们可以定义一个随机变量 X，令“正面”为1，“反面”为0，那么 X 就是一个随机变量。
- 在掷骰子的实验中，我们可以定义一个随机变量 Y，其值可以是1, 2, 3, 4, 5, 6 之一，每个数值的出现都具有一定的概率。
数学上，随机变量通常被定义为从样本空间 S 到实数集 的一个函数，即：
其中，样本空间 S 是所有可能实验结果的集合。
3. 随机变量的分类
随机变量可以分为以下两类：
3.1 离散型随机变量（Discrete Random Variable）
离散型随机变量的取值是可数的有限个或可数的无限个。常见的离散型随机变量例子：
- 掷骰子的结果 X ∈ {1,2,3,4,5,6}。
- 抛硬币得到正面记为 X = 1，反面记为 X = 0。
- 一天内商店顾客的数量（只能是整数）。
对于离散型随机变量，我们通常用概率质量函数（PMF, Probability Mass Function） 来描述其概率分布。PMF 表示随机变量每个可能取值的概率，例如：
其中 pkp_kpk 代表随机变量取值 kkk 的概率，并满足：
3.2 连续型随机变量（Continuous Random Variable）
如果一个随机变量的取值是不可数的，比如一个区间内的所有实数，则称其为连续型随机变量。常见的例子包括：
- 电子元件的寿命（可以是任意的实数，如 5.32 小时）。
- 一天内的温度（可能是 22.5°C、22.51°C 等）。
- 某次测量的长度（例如 3.14159 cm）。
对于连续型随机变量，我们使用概率密度函数（PDF, Probability Density Function） 来描述其概率分布：
其中 f(x) 是概率密度函数，满足：
由于概率密度函数的值不表示具体的概率，而是概率的密度，因此：
P(X = x) = 0, 对于任何特定点 x
这意味着在连续分布中，随机变量取一个特定值的概率为0，而取某个范围的概率才是有意义的。
4. 随机变量的分布
随机变量的分布描述了它的取值及其相应的概率，常见的随机变量分布包括：
4.1 离散分布
- 伯努利分布（Bernoulli Distribution）: 只有两个可能取值（如抛硬币）。
- 二项分布（Binomial Distribution）: 进行 nnn 次独立伯努利试验，成功次数的分布。
- 泊松分布（Poisson Distribution）: 用于建模在固定时间或空间内的随机事件发生次数（如单位时间内收到的电话数量）。
4.2 连续分布
- 均匀分布（Uniform Distribution）: 在某个区间内所有数值的概率相等。
- 正态分布（Normal Distribution）: 经典的钟形曲线分布，许多自然现象符合该分布（如人的身高、考试成绩）。
- 指数分布（Exponential Distribution）: 常用于描述事件发生的时间间隔（如设备故障时间）。
5. 期望与方差
5.1 期望（Expectation）
随机变量的期望值（Expected Value, 又称均值）表示它的长期平均值。数学定义如下：
- 离散型随机变量：
- 连续型随机变量：
5.2 方差（Variance）
方差衡量随机变量的取值与期望之间的偏离程度，计算公式为：
- 离散型：
- 连续型：
标准差是方差的平方根：
6. 结论
随机变量是统计学和概率论中的核心概念，它用于描述随机现象的数值表示。离散型随机变量用于描述有限或可数个可能值的情况，而连续型随机变量用于描述连续区间内的可能值。通过概率分布、期望 和 方差 等概念，我们可以分析随机变量的特性，为数据建模、机器学习、统计推断等领域提供理论支持。
在实际应用中，随机变量被广泛用于：
- 金融：股市价格的波动。
- 人工智能：贝叶斯推断、概率图模型。
- 工程：信号处理、可靠性分析。
- 医疗：疾病传播建模、临床试验数据分析。
理解随机变量的概念是掌握概率统计的第一步，为进一步学习概率分布、统计推断、机器学习等领域奠定了坚实的基础。