概率论卷积公式怎么用-概率论卷积公式应用

卷积公式实际上是概率论里那套最“接地气”的工具，它讲的是两个随机变量在一起跳舞时，形成新动作的概率是如何算出来的。别整那些学术腔调的“定义”、“性质”了，咱们就把它当成两人碰头，互相一推一拉，看 resultant（合力）落在哪的概率。 想象一下，第一个随机变量 $X$ 是个赌博者，他下注的收益是 $x$，概率分布就是某个函数 $f(x)$；第二个变量 $Y$ 是个运气好的人，他的收益是 $y$，分布是 $g(y)$。你们俩碰在一起，新变量 $Z$ 代表的是“总收益”。
要是 $X$ 赢了 100，$Y$ 只赚了 10，那 $Z$ 就是 110。但概率公式里不是直接相加，而是得看看这两个动作组合后，总共有多少种可能，每种可能能出现的次数（要么说概率权重）。
这就好比两个人跳某段舞，要是 A 跳左边的动作 3 次，B 跳右边的动作 2 次，总共就是 6 种组合，每种组合的概率就是左边概率乘右边概率。 卷积公式的核心功能，就是把这种“两两组合”的总概率算出来，然后除以总组合数，拿到合在一起后的分布。公式长得像个大大的括号，$f g = int_{-infty}^{infty} f(x)g(y)dy$。
这里的 $f(x)$ 是把 $x$ 轴上的概率质量倒过来，$g(y)$ 是 $y$ 轴上的概率质量倒过来，它们在数轴上交叉重叠，所有被覆盖的区域就是 $Z$ 轴上可能出现的所有数值，覆盖的面积大小就是联合概率的总和。 举个最好办的例子，假设 $X$ 代表你买的彩票号码，只有 1 到 6 这六格，每格中奖概率是 $1/6$，故此 $f(x) = 1/6$。假设 $Y$ 是另一张彩票，也是六格，同样 $g(y) = 1/6$。目前求 $Z = X + Y$ 的平均值，要么说是 $Z$ 的分布。你能够画个 12 个格子（0 到 11）的直方图。
比如 $Z=2$ 时，只有 $X=1$ 和 $Y=1$ 能凑成 2，概率是 $(1/6) times (1/6) = 1/36$。
同理 $Z=3$ 的时候有四种组合：$1+2, 2+1, 1+1+1$ 不对，是 $1+2$ 和 $2+1$ 这种，什么的，这里逻辑要有点绕。 更直观的是用梯形法则要么好办的图。$X$ 在 1,2,3,4,5,6 上概率一样，$Y$ 也一样。$Z$ 的取值范围从 2 到 12。当 $Z=2$ 时，只有 $1+1$，概率 $(1/6)^2$。当 $Z=3$ 时，有 $1+2$ 和 $2+1$ 两种情况，概率就是 $2 times (1/6)^2$。当 $Z=4$ 时，有 $1+3, 2+2, 3+1$，一共三种情况，概率乘以 3。
这个规律一直往后推：$Z$ 越大，能够组成它的 $(x,y)$ 对数就越多，右边的概率密度就越大，形成一个越来越宽的分布。 实际上这个公式背后的物理意义就是“概率的乘法原理”在空间上的堆叠。
要是你把两个离散分布画在数轴上，它们的重叠局部是哪位，哪位就在哪儿累积起来。
要是是连续变量，这个积分就是求和的极限。 在实际操作中，这个公式时常用来求均值、方差，要么更复杂的参数估摸。
比如在机器学习中，当我们有两个特征，一个服从正态分布，另一个服从泊松分布，用卷积就能算出它们的特征和服从啥新的分布类型，这对理解模型鲁棒性特别有用。
有时候还会用到离散卷积，就是在有限范围内做卷积，这跟离散信号处理里的滤波器混频原理是一模一样的。 要注意的是，卷积最费事的就是不能直接查表，得自己算那个积分要么求和。
特别是当分布挺复杂的时候，有时候得用近似方式，比如高斯 - 高斯卷积，假设两个分布都是正态的，直接套用参数相加就行了。但要是是双峰分布，要么那些怪的分布，就没那么好办了，可能需求数值积分要么 Monte Carlo 模拟。 最终总结一下，卷积公式就是随机变量相加的“账本”，它把所有可能的组合概率累加，再除以总份数，就能拿到新变量的分布。
不用死记硬背那些符号，把它当成两个人合舞，看概率如何分布在舞台上，你就明白了。