隨機變量（random variable）
/ RAN-dum VAIR-ee-uh-bul /
隨機變量是一個取值尚未敲定的數，因為它取決於偶然。在你擲骰子之前，「擲出的點數」就是一個隨機變量——你知道它會落在1到6之間，卻不知道究竟是哪一個。骰子一停，這個隨機變量便取定了一個確切的值。所以它與其說是單獨一個數，不如說是「這個不確定的過程將吐出哪個數」的一個佔位符。
給不確定性起個名字，意義在於你隨後就能拿它做數學了：問它平均下來傾向於取什麼值、它上下蹦跳得有多厲害、每種結果又有多大可能。隨機變量分兩類。離散型取的是一個個分立、可數的值，比如擲骰子的點數，或你明天會收到幾封郵件。連續型則可以取某個範圍內的任意值，比如一個人確切的身高，或正午的氣溫。
機器學習裡到處都是隨機變量，因為它要學習的那個世界本就充滿不確定。一張還沒見過的圖片的標籤、語言模型接下來會生成的那個詞、感測器讀數裡的雜訊——統統被建模成隨機變量。這樣去處理各種量，能讓模型不只給出一個猜測，還給出一份信心程度，也讓我們能乾淨俐落地推理誤差、風險與意外。一句有用的提醒：把某樣東西叫作隨機變量，並不意味著它在某種宇宙意義上真的「隨機」——只是說，鑑於我們已知的東西，我們選擇把它當作不確定來建模罷了。
設 X 是擲一次骰子的結果。X 是一個離散隨機變量，可以等於 1、2、3、4、5 或 6，每個的機率都是 1/6。再設 Y 是你所在城市明天的最高氣溫——一個連續隨機變量，它可能是 18.3°C、18.34°C，或附近任何一個值。給 X 和 Y 起了名字，我們才能去算它們的平均與離散程度。
X（擲骰）是離散的；Y（氣溫）是連續的——兩者都是「一個尚未敲定的數」的佔位符。
隨機變量不是一個貼了標籤的固定數——它是「所有可能取值，連同它們各自的機率」打成的一整捆。這串機率列出來，就是它的機率分布，也就是下一個該學的概念。