隨機變數的基本概念
在統計學和機率論中，隨機變數是最基本的概念之一，它彌合了隨機事件與可測量的數學分析之間的鴻溝。透過隨機變量，我們可以將隨機實驗的結果（最初由事件或類別構成）「轉換」成可處理的數值：計算它們的機率、用平均值概括它們、測量它們的離散程度，甚至使用特定的分佈對其進行建模。本文將討論隨機變數的基本概念、類型以及一些關鍵概念，例如機率函數、累積分佈函數、期望值和變異數。
1. 什麼是隨機變數？
簡單來說，隨機變數是一個函數，它將樣本空間中的每個結果映射到一個實數。樣本空間是指隨機實驗所有可能結果的集合。
例如，假設我們擲一個六面骰。樣本空間為{1, 2, 3, 4, 5, 6}。我們可以將隨機變數\(X\)定義為「骰子擲出的數字」。那麼，如果骰子是公平的，則\(X\)可以取1到6之間的值，且每個值的機率相等。
另一個例子：我們拋兩枚硬幣。樣本空間為{HH, HT, TH, TT}。如果我們定義隨機變數 \(Y\) 為“正面朝上(H)的次數”，那麼：
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– TT → \(Y = 0\)
由此可見，隨機變數不必直接「反映」原始結果；它們是一種根據分析需求為隨機結果賦予數值的方法。
2. 隨機變數的類型：離散型和連續型
一般來說，隨機變數分為兩大類：
a) 離散隨機變數
離散隨機變數是指其值可以逐一計數（可計數）的隨機變量，通常以整數或一組單獨的特定值的形式表示。
康托：
– 家庭中的孩子數量（0、1、2、3…）
1分鐘內通過收費站的車輛數
– 10件受檢產品中缺陷品的數量
對於離散隨機變量，每個值的機率可以直接以機率質量函數的形式表示。
b) 連續隨機變數
連續型隨機變數是指可以在實數軸（不可數）上的連續區間內取值的隨機變量，例如 0 到 1 之間的所有值，或所有正實數值。
康托：
人的身高
顧客在櫃檯的等待時間
某一時刻的氣溫
對於連續隨機變量，在任何給定點的機率基本上為零。因此，機率是在一個數值範圍（例如，10 到 12 分鐘之間）內，利用機率密度函數計算得出的。
3. 機率函數：機率質量函數 (PMF) 和機率密度函數 (PDF)。
下一個重要的概念是機率是如何「附加」到隨機變數的值上的。
a) 機率質量函數 (PMF)
對於離散隨機變數 \(X\)，其機率質量函數 (PMF) 定義為：
\[
p(x) = P(X = x)
\]
提供以下條件：
1. 對所有 \(x\)，都有 \(p(x) \ge 0\)
2. \(\sum_x p(x) = 1\)
簡單例子：公平的骰子
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]
b) 機率密度函數 (PDF)
對於連續隨機變數 \(X\)，我們使用機率密度函數 \(f(x)\)，使得其在區間 \([a,b]\) 上的機率為：
\[
P(a \le X \le b) = \int_a^bf(x)\,dx
\]
提供以下條件：
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)
值得強調的是：對於連續型隨機變量，對於任一個 x 值，都有 P(X=x)=0。討論取值範圍時，機率總是有意義的。
4. 累積分佈函數（CDF）
無論離散型或連續型隨機變量，都可以用累積分佈函數（CDF）來描述，其定義如下：
\[
F(x) = P(X \le x)
\]
累積分佈函數具有以下幾個重要特性：
– \(F(x)\) 的值總是介於 0 和 1 之間。
– \(F(x)\) 不遞減（非遞減）
– \(\lim_{x\to -\infty}F(x)=0\) 和 \(\lim_{x\to\infty}F(x)=1\)
對於離散變量，累積分佈函數呈現「階梯狀」（在某些點上升）。對於連續變量，累積分佈函數通常是光滑的，並且是機率密度函數的積分：
\[
F(x)=\int_{-\infty}^{x} f(t)\,dt
\]
5. 集中趨勢的測量：期望值（期望）
一旦我們知道了機率分佈，我們通常希望用一個代表隨機變數「長期平均值」的單一數字來概括它。這就是期望值或期望值。
a) 離散變數期望
如果 \(X\) 是離散的：
\[
E[X] = \sum_x x\,p(x)
\]
b) 連續變數的期望
如果 \(X\) 是連續的：
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]
期望值並不總是與「最常出現的值」（眾數）相同，也不總是真正可能出現的值，但它對於決策、預測和風險分析非常有用。
應用範例：在商業中，預期可以用來計算策略的預期平均利潤，同時考慮各種情況及其機率。
6. 離散程度的量測：變異數和標準差
兩個隨機變數可能具有相同的期望值，但不確定性程度不同。因此，我們需要離散程度的測量，即變異數和標準差。
\(X\) 的變異數定義為：
\[
Var(X)=E[(XE[X])^2]
\]
標準差是變異數的平方根：
\[
\sigma = \sqrt{Var(X)}
\]
常用的實用公式：
\[
Var(X) = E[X^2] – (E[X])^2
\]
變異數越大，\(X\) 值與平均值的偏差就越大，這表示不確定性越高。
7. 常用機率分佈
實際上，許多隨機變數都遵循一定的分佈模式。一些常見的分佈包括：
– 伯努利方程式：只有兩種結果（成功/失敗），例如真-假，生-死。
– 二項分佈：n 次伯努利試驗中成功的次數，例如 20 人中畢業的學生人數。
– 泊松分佈：在時間/空間間隔內發生的事件數量，例如每分鐘的來電數量。
– 均勻連續：區間內的所有數值出現的機率均等。
– 常態（高斯）：許多自然和社會現像都接近這種分佈，例如身高或測量誤差。
選擇合適的分佈有助於提高建模和分析的準確性。
8. 為什麼隨機變數很重要？
隨機變數是以下各項的基礎：
推論統計學：基於樣本估計總體參數
假設檢定：判斷一個論斷是否有資料支持
機器學習：不確定性建模和預測機率
風險管理：衡量損失和極端情況發生的可能性
工程與科學：訊號處理、系統可靠度、排隊論
有了隨機變量，我們就可以用數學語言系統地討論不確定性。
結論
隨機變數是機率論的核心概念，它將隨機實驗的結果映射到數值上。隨機變數可以是離散的，也可以是連續的，它們分別透過機率質量函數（PMF）或機率密度函數（PDF）來表示機率。此外，累積分佈函數（CDF）提供了一種觀察機率累積的常用方法。為了概括一個分佈，期望值被用作集中趨勢的測量，而變異數/標準差則被用作離散程度的測量。理解這些基本概念將有助於學習更高級的主題，例如機率分佈、統計估計、迴歸分析、風險建模和現代資料分析。
如果您願意，我還可以添加一些例題及其討論（離散型和連續型），以便更容易理解隨機變數的概念。
