跳到主要内容

数学建模常用符号解释

本文档是数学建模（研究生数学建模竞赛/国赛/美赛）中常用数学符号的速查手册，与 01~06 号文档（回归分析系列）配套使用。每个算法文档第五节也包含该算法专属的「符号说明」表，本文档给出全局通用约定。

论文写作建议：符号首次出现时必须说明含义；建议在论文开头（或模型建立章节前）列一张符号表，全文统一，评委友好。

一、希腊字母（建模高频）​

符号大写读音常见含义与示例
α\alphaAalpha显著性水平（α=0.05\alpha=0.05）、学习率、截距参数
β\betaBbeta回归系数（β0,β1\beta_0, \beta_1）、第二类错误概率
γ\gammaΓ\Gammagamma折扣因子、Gamma 分布、参数
δ\deltaΔ\Deltadelta微小增量、示性参数；Δ\Delta 表示变化量（Δx=x2−x1\Delta x = x_2 - x_1）
ε\varepsilonEepsilon随机误差项（ε∼N(0,σ2)\varepsilon \sim N(0,\sigma^2)）、很小的正数
η\etaHeta学习率（梯度下降步长 η=0.01\eta=0.01）
θ\thetaΘ\Thetatheta模型参数向量（非线性回归 f(x;θ)f(x;\theta)）
λ\lambdaΛ\Lambdalambda正则化系数（岭回归 λ\lambda）、特征值、泊松分布参数
μ\muMmu总体均值（μ=0\mu=0）、期望
ν\nuNnu自由度
ξ\xiΞ\Xixi随机变量、干扰项
π\piΠ\Pipi圆周率；Π\Pi 为求积符号
ρ\rhoPrho总体相关系数（样本相关系数为 rr）
σ\sigmaΣ\Sigmasigma标准差（σ2\sigma^2 为方差）、sigmoid 函数 σ(z)\sigma(z)；Σ\Sigma 为求和符号
τ\tauTtau阈值、时滞、时间点
ϕ\phiΦ\Phiphi概率密度函数、相位角
χ\chiXchi卡方分布 χ2\chi^2（拟合优度检验）
ω\omegaΩ\Omegaomega角频率；Ω\Omega 常表示样本空间/全集
∇\nabla—nabla梯度算子（∇L\nabla L 表示损失函数的梯度）

二、常用数学符号​

符号名称含义示例
∑\sum求和累加∑i=1nxi=x1+⋯+xn\sum_{i=1}^{n} x_i = x_1 + \cdots + x_n
∏\prod求积累乘∏i=1nxi\prod_{i=1}^{n} x_i
∈\in / ∉\notin属于 / 不属于集合关系x∈Rx \in \mathbb{R}
∀\forall / ∃\exists任意 / 存在逻辑量词∀ε>0\forall \varepsilon > 0
∂\partial偏导多元函数求导∂L∂β\dfrac{\partial L}{\partial \beta}
∇\nabla梯度多变量一阶导数向量∇L(θ)\nabla L(\theta)
∫\int积分连续求和∫0Tf(t) dt\int_0^T f(t)\,dt
lim⁡\lim极限趋近lim⁡x→∞e−x=0\lim_{x \to \infty} e^{-x} = 0
min⁡\min / max⁡\max最小 / 最大目标函数min⁡β∑(yi−y^i)2\min_{\beta} \sum (y_i - \hat{y}_i)^2
arg⁡min⁡\arg\min / arg⁡max⁡\arg\max取最小/最大的自变量求最优解点β^=arg⁡min⁡βL(β)\hat{\beta} = \arg\min_{\beta} L(\beta)
== / ≈\approx / ≠\neq等于 / 约等于 / 不等于—π≈3.14\pi \approx 3.14
≤\le / ≥\ge小于等于 / 大于等于约束条件s.t. x≥0\text{s.t. } x \ge 0
∝\propto正比于成比例P∝e−λtP \propto e^{-\lambda t}
→\to / ⇒\Rightarrow趋近 / 推出极限与逻辑x→0⇒sin⁡x≈xx \to 0 \Rightarrow \sin x \approx x
∞\infty无穷极限、区间[0,+∞)[0, +\infty)
∣x∣\lvert x \rvert绝对值距离、误差大小∣ei∣\lvert e_i \rvert
∥x∥\lVert x \rVert范数向量长度（∥⋅∥1\lVert \cdot \rVert_1 一范数，∥⋅∥2\lVert \cdot \rVert_2 二范数）∥β∥22=∑βj2\lVert \beta \rVert_2^2 = \sum \beta_j^2
n!n!阶乘排列组合n!=n(n−1)⋯1n! = n(n-1)\cdots 1
CnkC_n^k / (nk)\binom{n}{k}组合数从 n 中取 k(nk)=n!k!(n−k)!\binom{n}{k} = \frac{n!}{k!(n-k)!}
⋅\cdot点乘向量内积x⋅yx \cdot y

三、上下标与"帽子"记号（最重要约定）​

记号名称含义示例
xˉ\bar{x}上横线（bar）样本均值xˉ=1n∑i=1nxi\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i
y^\hat{y}帽子（hat）预测值/估计值y^i=β^0+β^1xi\hat{y}_i = \hat{\beta}_0 + \hat{\beta}_1 x_i
β^\hat{\beta}帽子（hat）参数估计值（未知真值 β\beta 的估计）β^=(X⊤X)−1X⊤y\hat{\beta} = (X^\top X)^{-1} X^\top y
x~\tilde{x}波浪线（tilde）中位数/变换后的量x~\tilde{x} 为中位数
x∗x^{*}星号最优解、标准化后的量β∗\beta^{*} 为标准化系数
x(k)x^{(k)}圆括号上标第 k 次迭代值θ(k+1)=θ(k)−η∇L\theta^{(k+1)} = \theta^{(k)} - \eta \nabla L
xix_i下标 i第 i 个样本xix_i 为第 i 个观测
xijx_{ij}双下标第 i 个样本的第 j 个特征X=(xij)n×pX = (x_{ij})_{n \times p}
X⊤X^{\top}上标 T矩阵转置X⊤XX^{\top}X 为信息矩阵
X−1X^{-1}上标 -1矩阵求逆(X⊤X)−1(X^{\top}X)^{-1}
β0\beta_0下标 0截距项（常数项）y=β0+β1xy = \beta_0 + \beta_1 x
y(i)y_{(i)}次序统计量排序后第 i 个QQ 图中的分位数

核心区分：真值（β,y\beta, y）vs 估计值（β^,y^\hat{\beta}, \hat{y}）vs 均值（yˉ\bar{y}）vs 观测值（yiy_i）。论文中混用是大忌。

四、统计符号​

符号名称含义公式
μ\mu总体均值全体数据的平均μ=E[X]\mu = E[X]
xˉ\bar{x}样本均值抽样数据的平均xˉ=1n∑xi\bar{x} = \frac{1}{n}\sum x_i
σ2\sigma^2 / s2s^2总体/样本方差数据离散程度s2=1n−1∑(xi−xˉ)2s^2 = \frac{1}{n-1}\sum (x_i - \bar{x})^2
σ\sigma / ss总体/样本标准差方差开方，与数据同量纲—
E[X]E[X]期望随机变量的均值E[X]=∑xP(x)E[X] = \sum x P(x)
Var(X)\text{Var}(X)方差E[(X−E[X])2]E[(X-E[X])^2]—
Cov(X,Y)\text{Cov}(X,Y)协方差两变量共同变动程度Cov(X,Y)=E[(X−μX)(Y−μY)]\text{Cov}(X,Y) = E[(X-\mu_X)(Y-\mu_Y)]
N(μ,σ2)N(\mu, \sigma^2)正态分布均值 μ\mu、方差 σ2\sigma^2ε∼N(0,σ2)\varepsilon \sim N(0, \sigma^2)
U(a,b)U(a,b)均匀分布[a,b] 上等概率—
P(A)P(A)概率事件 A 发生概率P(y=1∣x)P(y=1 \mid x)
pp 值p-value拒绝原假设的最小显著性水平p<0.05p < 0.05 显著
α\alpha显著性水平检验阈值，通常 0.05 / 0.01—
1−α1-\alpha置信水平置信区间的把握95% 置信区间
rr / ρ\rho样本/总体相关系数线性相关强度（-1~1）Pearson 相关系数
R2R^2决定系数拟合优度（0~1）见 01 号文档
df\text{df}自由度独立信息量一元回归残差 df = n−2
SE标准误估计量标准差SE(β^1)SE(\hat{\beta}_1)
CI置信区间参数真值的区间估计β^1±tα/2⋅SE\hat{\beta}_1 \pm t_{\alpha/2} \cdot SE
H0H_0 / H1H_1原/备择假设假设检验的两方H0:β1=0H_0: \beta_1 = 0

五、线性代数记号（回归/优化建模必用）​

记号含义说明
xx（小写粗体或带箭头）列向量x=(x1,x2,…,xp)⊤x = (x_1, x_2, \dots, x_p)^\top
XX（大写）设计矩阵nn 行（样本）× pp 列（特征）
X∈Rn×pX \in \mathbb{R}^{n \times p}矩阵维数n 个样本、p 个特征
yy响应向量y=(y1,…,yn)⊤y = (y_1, \dots, y_n)^\top
β\beta系数向量β=(β0,β1,… )⊤\beta = (\beta_0, \beta_1, \dots)^\top
ε\varepsilon误差向量y=Xβ+εy = X\beta + \varepsilon
II单位矩阵对角线为 1
X⊤XX^\top X信息矩阵正规方程核心
∥β∥1\lVert \beta \rVert_1L1 范数∑∣βj∣\sum \lvert \beta_j \rvert，Lasso 惩罚
∥β∥22\lVert \beta \rVert_2^2L2 范数平方∑βj2\sum \beta_j^2，岭回归惩罚

六、机器学习/建模通用符号​

符号含义约定
xx自变量/特征/解释变量输入
yy因变量/响应变量/标签输出（回归为连续值，分类为 0/1 等）
y^\hat{y}模型预测值y^=f(x;θ)\hat{y} = f(x; \theta)
eie_i 或 εi\varepsilon_i残差/误差ei=yi−y^ie_i = y_i - \hat{y}_i（残差用观测数据可算，误差是理论量）
f(⋅)f(\cdot)模型函数映射关系
θ\theta / ww / β\beta模型参数待估参数向量
L(θ)L(\theta)损失函数越小越好；如 L=∑(yi−y^i)2L = \sum (y_i - \hat{y}_i)^2
λ\lambda正则化系数惩罚强度，越大收缩越强
η\eta学习率梯度下降步长
nn样本量数据行数
pp特征数自变量个数
kk折数/类别数k 折交叉验证、k 个类别
tt时间变量时序问题
TT周期/终止时刻预测期长度
min⁡/max⁡\min / \max目标函数方向如 min⁡∑ei2\min \sum e_i^2
s.t.\text{s.t.}约束条件（subject to）线性规划：max⁡z=c⊤x s.t. Ax≤b,x≥0\max z = c^\top x \ \text{s.t. } Ax \le b, x \ge 0

七、常用函数记号​

符号含义备注
ln⁡x\ln x自然对数（以 e 为底）数学论文标准写法
log⁡x\log x对数（底未说明时常为 10 或 2）建模中建议统一用 ln⁡\ln
exe^x / exp⁡(x)\exp(x)指数函数指数增长/衰减模型
σ(z)\sigma(z)sigmoid 函数σ(z)=11+e−z\sigma(z) = \dfrac{1}{1+e^{-z}}，Logistic 回归核心
sgn(x)\text{sgn}(x)符号函数x>0 为 1，x<0 为 −1
I(⋅)I(\cdot)指示函数条件成立为 1，否则 0
⌊x⌋\lfloor x \rfloor / ⌈x⌉\lceil x \rceil向下/向上取整整数规划中常用
∣x∣\lvert x \rvert绝对值距离、误差

八、常用评估指标缩写速查​

缩写全称含义取值范围方向
MSEMean Squared Error均方误差[0,+∞)[0, +\infty)越小越好
RMSERoot Mean Squared Error均方根误差（与 y 同量纲）[0,+∞)[0, +\infty)越小越好
MAEMean Absolute Error平均绝对误差（对离群点不敏感）[0,+∞)[0, +\infty)越小越好
MAPEMean Absolute Percentage Error平均绝对百分比误差[0,+∞)[0, +\infty)越小越好
SSESum of Squared Errors残差平方和[0,+∞)[0, +\infty)越小越好
R2R^2R-squared决定系数(−∞,1](-\infty, 1]越接近 1 越好
Adj-R2R^2Adjusted R-squared调整决定系数（惩罚变量数）同 R2R^2越接近 1 越好
AIC / BIC赤池/贝叶斯信息准则模型选择（惩罚复杂度）越小越好越小越好
VIFVariance Inflation Factor方差膨胀因子（>10 共线性严重）[1,+∞)[1, +\infty)越接近 1 越好
TP/FP/TN/FN混淆矩阵四格分类预测正误统计计数—
AccAccuracy准确率（不平衡数据会失真）[0,1][0,1]越大越好
P / RPrecision / Recall精确率 / 召回率[0,1][0,1]越大越好
F1F1-scoreP 与 R 的调和平均[0,1][0,1]越大越好
AUCArea Under ROC CurveROC 曲线下面积[0.5,1][0.5,1]越大越好
CVCross Validation交叉验证（如 5 折 CV）—泛化评估手段
GCVGeneralized CV广义交叉验证（岭回归选 λ）越小越好越小越好

九、数集与逻辑符号​

符号含义符号含义
R\mathbb{R}实数集N\mathbb{N}自然数集
Z\mathbb{Z}整数集Q\mathbb{Q}有理数集
∅\emptyset空集∈\in属于
⊂\subset / ⊆\subseteq子集∪\cup / ∩\cap并集 / 交集
∀\forall任意∃\exists存在
¬\neg非∧\wedge / ∨\vee且 / 或
⇒\Rightarrow / ⇔\Leftrightarrow推出 / 等价——

十、导数与优化符号​

符号含义示例
f′(x)f'(x)一阶导数斜率
f′′(x)f''(x)二阶导数凹凸性
dydx\dfrac{dy}{dx}一元导数变化率
∂L∂θ\dfrac{\partial L}{\partial \theta}偏导数多元函数对某一变量求导
∇L(θ)\nabla L(\theta)梯度向量各偏导组成的向量，指向上升最快方向
梯度下降迭代沿负梯度方向更新θ(k+1)=θ(k)−η∇L(θ(k))\theta^{(k+1)} = \theta^{(k)} - \eta \nabla L(\theta^{(k)})

十一、论文写作中的符号使用规范​

  1. 统一性：同一符号全文只代表一个量；不同量用不同符号。
  2. 首次出现必说明：如"设 yy 为预测销量（万辆），x1x_1 为广告投入（万元）……"。
  3. 区分真值与估计值：参数真值 β\beta、估计值 β^\hat{\beta}、均值 βˉ\bar{\beta} 不可混用。
  4. 下标约定清晰：ii 表示第 ii 个样本，jj 表示第 jj 个特征，全文一致。
  5. 建议在论文开篇列符号表（模板如下）：

符号说明

符号含义单位
nn样本数量个
pp特征（自变量）个数个
yiy_i第 ii 个样本的响应变量—
xijx_{ij}第 ii 个样本第 jj 个特征—
βj\beta_j第 jj 个回归系数—
β^j\hat{\beta}_jβj\beta_j 的估计值—
εi\varepsilon_i随机误差项，εi∼N(0,σ2)\varepsilon_i \sim N(0, \sigma^2)—
R2R^2决定系数无量纲
RMSE均方根误差与 yy 同量纲
λ\lambda正则化系数无量纲
α\alpha显著性水平无量纲

十二、快速记忆口诀​

  • 帽子  ^\hat{\ } 是估计，横线  ˉ\bar{\ } 是均值，真值不带帽；
  • 希腊字母：β\beta 回归系数、ε\varepsilon 误差、μ/σ\mu/\sigma 均值方差、λ\lambda 正则、η\eta 学习率、θ\theta 参数；
  • 大小写分工：Σ\Sigma 求和、σ\sigma 标准差；Π\Pi 求积、π\pi 圆周率；
  • 指标方向：R²、AUC、F1 越大越好；MSE、RMSE、MAE、AIC、BIC、VIF、p 值越小越好。