Skip to content

Statistics › 機率與分配 › 隨機變數

隨機變數 (Random Variables) ​

隨機變數把隨機過程的「結果」對應成「數字」,讓我們能計算期望值、變異數並套用分配模型。它是機率與統計之間的橋樑。

類型定義例子描述方式
離散 (discrete)可數的值(可列出,即使無限)10 次擲硬幣的正面數、read countPMF
連續 (continuous)區間內任意值身高、表現量PDF

PMF、PDF、CDF ​

函數適用給你什麼高度 = 機率?用途
PMF 機率質量函數 (probability mass function)離散P(X=x)是特定值的機率
PDF 機率密度函數 (probability density function)連續密度 f(x)否;機率 = 曲線下面積 ∫abf(x)dx看形狀、算區間機率
CDF 累積分配函數 (cumulative distribution function)兩者F(x)=P(X≤x)是(累積機率)區間機率 F(b)−F(a)、百分位數
Inverse CDF / PPF 分位數函數 (quantile function)兩者給機率 p,回傳 x 使 P(X≤x)=p—臨界值 (critical value)、百分位
  • 連續變數在任一單點的機率都是 0,所以 PDF 高度可以 > 1。
  • PMF 所有值加總 = 1;PDF 曲線下總面積 = 1。
python
import numpy as np
from scipy.stats import binom, norm

# PMF:3 次擲硬幣的正面數 ~ Binomial(3, 0.5)
binom.pmf(np.arange(4), n=3, p=0.5)   # [0.125, 0.375, 0.375, 0.125]

# CDF
binom.cdf(2, n=3, p=0.5)              # P(X ≤ 2) = 0.875
norm.cdf(1.5)                         # P(Z ≤ 1.5) = 0.9332
norm.cdf(1) - norm.cdf(-1)            # P(-1 ≤ Z ≤ 1) ≈ 0.6827

# PPF(inverse CDF):95% CI 的臨界值
norm.ppf(0.975)                       # 1.96
PMF:Binomial(3, 0.5)PDF:標準常態
PMFPDF

scipy 的分配物件都有相同介面:.pmf / .pdf、.cdf、.ppf、.sf(= 1 − cdf,右尾機率)、.rvs(抽樣)、.mean、.var。

期望值與變異數 ​

離散連續
期望值 (expected value) E(X)∑xP(X=x)∫xf(x)dx
變異數 (variance)Var(X)=E[(X−μ)2]=E(X2)−[E(X)]2同左

期望值 = 長期平均,是分配的「重心」。

性質公式條件
線性 (linearity)E(aX+b)=aE(X)+b永遠成立
和的期望值E(X+Y)=E(X)+E(Y)永遠成立(即使相依)
積的期望值E(XY)=E(X)E(Y)需獨立
縮放Var(aX+b)=a2Var(X)平移不影響變異
和的變異數Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)獨立時 Cov = 0
python
x = np.array([0, 1, 2, 3])
p = np.array([0.125, 0.375, 0.375, 0.125])

E  = (x * p).sum()                 # 1.5
Var = (x**2 * p).sum() - E**2      # 0.75

Var(X¯)=σ2/n 就是由「獨立變數的和的變異數」推得,見 抽樣分配。