数学符号参考手册 —— 线性代数、微积分、集合、函数、概率统计速查

无论是阅读深度学习论文、复现经典算法，还是推导新的模型，数学符号都是绕不开的“第一道门槛”。然而，不同教材、不同论文的符号习惯往往各不相同，常常让人在 \mathbf{x} 和 \boldsymbol{x}、E[X] 和 \mathbb{E}[X] 之间晕头转向。

本文整理了一份面向机器学习与深度学习的数学符号速查参考，涵盖集合、函数、线性代数、微积分、概率统计等常用领域。所有符号均采用 Obsidian 兼容的 MathJax 格式（毕竟Obsidian是我最喜欢的一款笔记软件），你可以直接复制到笔记中使用，无需额外配置。无论你是初学者还是需要快速查阅的老手，希望这份手册能成为你案头常备的“符号字典”。

数和数组¶

符号	含义
\(a\)	标量 (整数或实数)
\(e\)	欧拉数，数学常数，近似值为 2.71828
\(\pi\)	圆周率，数学常数，近似值为 3.14159
\(\infty\)	无穷大符号
\(1.234 \times 10^5\)	科学记数法，表示 123,400（也可写作 1.234E05）
\(<\)	小于号，例如 \(x < 10\) 表示 \(x\) 小于 10
\(\ll\)	远小于号
\(>\)	大于号，例如 \(x > 10\) 表示 \(x\) 大于 10
\(\gg\)	远大于号
\(\boldsymbol{a}\)	向量，或者 \(\mathbf{a}\) 这种数字斜体更明显
\(\mathbf{a} \cdot \mathbf{b}\)	向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的点积；若 \(\mathbf{a}, \mathbf{b}\) 为 \(n \times 1\) 矩阵，也可写作 \(\mathbf{a}^T \mathbf{b}\)；\(\mathbf{a} \cdot \mathbf{b} = \mathbf{a}^T \mathbf{b} = \sum_i a_i b_i = a_1 b_1 + a_2 b_2 + \dots + a_n b_n\)
\(\boldsymbol{A}\)	矩阵
\(\boldsymbol{A}_{m\times n}\)	\(m \times n\) 矩阵
\(\boldsymbol{\mathsf{T}}\)	张量
\(\boldsymbol{I}_n\)	\(n\)行\(n\)列的单位矩阵
\(\boldsymbol{I}\)	维度蕴含于上下文的单位矩阵
\(\mathbf{0}\)	零矩阵
\(\boldsymbol{e}^{(i)}\)	标准基向量 \([0,\dots,0,1,0,\dots,0]\)，其中索引 \(i\) 处值为 1
\(\text{diag}(\boldsymbol{a})\)	对角方阵，其中对角元素由 \(\boldsymbol{a}\) 给定
\(x_i\), \([\mathbf{x}]_i\)	向量\(\mathbf{x}\)第\(i\)个元素
\(x_{ij}\), \([\mathbf{X}]_{ij}\)	矩阵\(\mathbf{X}\)第\(i\)行第\(j\)列的元素
\(\mathsf{a}\)	标量随机变量
\(\boldsymbol{\mathsf{a}}\)	向量随机变量
\(\boldsymbol{\mathsf{A}}\)	矩阵随机变量
\(a_i\)	向量 \(\boldsymbol{a}\) 的第 \(i\) 个元素，其中索引从 1 开始
\(a_{-i}\)	除了第 \(i\) 个元素，\(\boldsymbol{a}\) 的所有元素
\(A_{i,j}\)	矩阵 \(\boldsymbol{A}\) 的 \(i,j\) 元素
\(\boldsymbol{A}_{i, :}\)	矩阵 \(\boldsymbol{A}\) 的第 \(i\) 行
\(\boldsymbol{A}_{:, j}\)	矩阵 \(\boldsymbol{A}\) 的第 \(j\) 列
\((\boldsymbol{\mathsf{A}})_{i, j, k}\)	3维张量 \(\boldsymbol{\mathsf{A}}\) 的 \((i, j, k)\) 元素
\(\boldsymbol{\mathsf{A}}_{:, :, i}\)	3维张量的 2 维切片
\(\mathsf{a}_i\)	随机向量 \(\boldsymbol{\mathsf{a}}\) 的第 \(i\) 个元素 - \(\mathsf{a}_i\)：随机向量 \(\boldsymbol{\mathsf{a}}\) 的第 \(i\) 个元素
\(\mathbb{R}^n\)	\(n\) 维实坐标空间，写作列向量 \(\mathbf{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}\)
\(\mathbf{x}^T\)	\(n \times 1\) 矩阵（列向量）的转置，\(\mathbf{x}^T = \begin{bmatrix} x_1 & x_2 & \dots & x_n \end{bmatrix}\)
\(\\| \mathbf{x} \\|_p\)	\(L^p\) 范数（向量 \(p\)-范数），\(\\| \mathbf{x} \\|_p = ({\vert x \vert}^p + \vert x_2 \vert^p + \dots + \vert x_n \vert^p)^{1/p}\)
\(\\| \mathbf{x} \\|_{\infty}\)	\(L^{\infty}\) 范数（最大范数），即向量元素绝对值的最大值，\(\\| \mathbf{x} \\|_{\infty} = \max_i \vert x_i \vert\)
\(\\| \mathbf{x} \\|\)	向量范数，即 \(L^2\) 范数，\(\\| \mathbf{x} \\| = \\| \mathbf{x} \\|_2 = \sqrt{x_1^2 + x_2^2 + \dots + x_n^2}\)
\(\mathbf{A}^T\)	矩阵的转置，矩阵元素 \(\mathbf{A}_{i,j}\) 变为 \(\mathbf{A}^T_{j,i}\)；例如 \(\begin{bmatrix} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{bmatrix}^T = \begin{bmatrix} 1 & 3 & 5 \\ 2 & 4 & 6 \end{bmatrix}\)
\(\mathbf{I}_n\)	\(n \times n\) 单位矩阵，例如 \(\mathbf{I}_3 = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}\)
\(\mathbf{A}^{-1}\)	矩阵 \(\mathbf{A}\) 的逆矩阵，满足 \(\mathbf{A}\mathbf{A}^{-1} = \mathbf{A}^{-1}\mathbf{A} = \mathbf{I}\)
\(\operatorname{tr} \mathbf{A}\)	矩阵 \(\mathbf{A}\) 的迹（对角线元素之和），\(\operatorname{tr} \mathbf{A} = \sum_{i=1}^{n} \mathbf{A}_{i,i}\)
\(\det \mathbf{A}\)	矩阵 \(\mathbf{A}\) 的行列式
\(\operatorname{diag}(a_1, a_2, \dots, a_n)\)	对角矩阵，其对角元素为 \(a_1, a_2, \dots, a_n\)，其余元素为零
\(\boldsymbol{A}^+\)	\(\boldsymbol{A}\) 的 Moore‑Penrose 伪逆
\(\mathbf{A} \odot \mathbf{B}\)	Hadamard 乘积（逐元素矩阵乘法）\(\boldsymbol{A}\) 和 \(\boldsymbol{B}\) 的逐元素乘积（Hadamard 乘积）

集合和图¶

符号	含义
\(\mathcal{A}\)	集合
\(\mathbb{R}\)	实数集
\(\mathbb{Z}\)	整数集
\(\mathbb{N}\)	自然数集
\(\mathbb{N}^{+}\)	排除零的自然数集
\(\mathbb{R}^n\)	\(n\)维实数向量集合
\(\mathbb{R}^{a\times b}\)	包含\(a\)行和\(b\)列的实数矩阵集合
\(\{0, 1\}\)	包含 0 和 1 的集合
\(\{0, 1, \dots, n \}\)	包含 \(0\) 和 \(n\) 之间所有整数的集合
\([a, b]\)	包含 \(a\) 和 \(b\) 的实数区间
\((a, b]\)	不包含 \(a\) 但包含 \(b\) 的实数区间
\(\in\)	“属于”符号；例如 \(x\in A\) 表示“\(x\) 是集合 \(A\) 的元素”
\(\notin\)	“不属于”符号
\(\emptyset\)	空集
\(\mathcal{A}\cup\mathcal{B}\)	集合\(\mathcal{A}\)和\(\mathcal{B}\)的并集
\(\mathcal{A}\cap\mathcal{B}\)	集合\(\mathcal{A}\)和\(\mathcal{B}\)的交集
\(\mathcal{A} \backslash \mathcal{B}\)	差集，即其元素包含于 \(\mathcal{A}\) 但不包含于 \(\mathcal{B}\)
\(A\subseteq B\)	\(A\) 是 \(B\) 的子集（即包含于 \(B\)）
\(A\Delta B\)	集合 \(A\) 与 \(B\) 的对称差
\(\mathcal{G}\)	图
\(Pa_\mathcal{G}(\mathsf{x}_i)\)	图 \(\mathcal{G}\) 中 \(\mathsf{x}_i\) 的父节点

微积分¶

符号	含义
\(\frac{dy}{dx}\)	\(y\)关于\(x\)的导数，\(\frac{dy}{dy}\)是莱布尼茨记号，\(f'(x)\)是拉格朗日记号， \(d\)，中文读作“滴”
\(\frac{\partial y}{\partial x}\)	\(y\)关于\(x\)的偏导数
\(\nabla_{\mathbf{x}} y\)	\(y\)关于\(\mathbf{x}\)的梯度
\(\nabla_{\boldsymbol{X}} y\)	\(y\) 关于 \(\boldsymbol{X}\) 的矩阵导数
\(\nabla_{\boldsymbol{\mathsf{X}}} y\)	\(y\) 关于 \(\boldsymbol{\mathsf{X}}\) 求导后的张量
\(\frac{\partial f}{\partial \boldsymbol{x}}\)	\(f: \mathbb{R}^n \rightarrow \mathbb{R}^m\) 的雅可比矩阵 \(\boldsymbol{J} \in \mathbb{R}^{m\times n}\)
\(\nabla_{\boldsymbol{x}}^2 f(\boldsymbol{x})\) 或 \(\boldsymbol{H}(f)(\boldsymbol{x})\)	\(f\) 在点 \(\boldsymbol{x}\) 处的海森矩阵
\(\int f(x) dx\)	\(f\) 的不定积分（\(F\) 的导数，其中 \(f:\mathbb{R}\to\mathbb{R}\)）
\(\int_a^b f(x) dx\)	\(f\) 在区间 \([a,b]\) 上的定积分（\(f:\mathbb{R}\to\mathbb{R}\)）
\(\int f(\boldsymbol{x}) d\boldsymbol{x}\)	\(\boldsymbol{x}\) 整个域上的定积分
\(\int_\mathcal{S} f(\boldsymbol{x}) d\boldsymbol{x}\)	集合 \(\mathcal{S}\) 上关于 \(\boldsymbol{x}\) 的定积分
\(\frac{\partial E}{\partial w_{j,k}}\)的数学含义是	保持其他所有权重（比如 \(w_{1,1}, w_{1,2}\) 等）一动不动，只看 \(w_{j,k}\) 这个权重发生微小变化时，误差 \(E\) 变了多少。\(\partial\)是偏微分符号，中文读作“偏”。
\(\lim_{x \to a} f(x)\)	当 \(x\) 趋近于 \(a\) 时 \(f(x)\) 的极限
\(\lim_{x \to a^-} f(x)\)	当 \(x\) 从左侧趋近于 \(a\) 时 \(f(x)\) 的极限
\(\lim_{x \to a^+} f(x)\)	当 \(x\) 从右侧趋近于 \(a\) 时 \(f(x)\) 的极限
\(\frac{df}{dx}\)	\(f\) 的导数
\(\frac{d^n f}{dx^n}\)	\(f\) 的 \(n\) 阶导数
\(\frac{\partial f}{\partial x}\)	函数 \(f(x,y,\ldots)\) 关于标量变量 \(x\) 的偏导数
\(\nabla f\)	函数 \(f:\mathbb{R}^n \to \mathbb{R}\) 的梯度，\(\nabla f(x_1, x_2, \ldots, x_n) = \begin{bmatrix} \frac{\partial f}{\partial x_1} \\ \frac{\partial f}{\partial x_2} \\ \vdots \\ \frac{\partial f}{\partial x_n} \end{bmatrix}\)
\(\Delta f\)	函数 \(f:\mathbb{R}^n \to \mathbb{R}\) 的拉普拉斯算子，\(\Delta f = \sum_{i=1}^{n} \frac{\partial^2 f}{\partial x_i^2}\)
\(\mathbf{H} f\)	函数 \(f:\mathbb{R}^n \to \mathbb{R}\) 的海森矩阵，\(\mathbf{H} f = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2 \partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial^2 f}{\partial x_n \partial x_1} & \frac{\partial^2 f}{\partial x_n \partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}\)
\(\frac{\partial f_j}{\partial x_i}\)	分量函数 \(f_j\) 关于变量 \(x_i\) 的偏导数，其中 \(\mathbf{f}: \mathbb{R}^n \to \mathbb{R}^m\)
\(\mathbf{D} \mathbf{f}\)	函数 \(\mathbf{f}\) 的雅可比矩阵，\(\mathbf{D} \mathbf{f} = \begin{bmatrix} \frac{\partial f_1}{\partial x_1} & \cdots & \frac{\partial f_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial f_m}{\partial x_1} & \cdots & \frac{\partial f_m}{\partial x_n} \end{bmatrix}\)

概率与统计¶

符号	含义
\(P(\mathsf{a})\)	离散变量上的概率分布
\(p(\mathsf{a})\)	连续变量（或变量类型未指定时）上的概率分布
\(z \sim P\)	随机变量\(z\)具有概率分布\(P\)
\(P(X \mid Y)\)	\(X\mid Y\)的条件概率
\({E}_{x} [f(x)]\)	函数\(f\)对\(x\)的数学期望。\(\mathbb{E}_{\mathsf{x}\sim P} [ f(x) ]\) 或 \(\mathbb{E} f(x)\)：\(f(x)\) 关于 \(P(\mathsf{x})\) 的期望
\(X \perp Y\)	随机变量\(X\)和\(Y\)是独立的
\(X \perp Y \mid Z\)	随机变量\(X\)和\(Y\)在给定随机变量\(Z\)的条件下是独立的
\(\mathrm{Var}(X)\)	随机变量\(X\)的方差。\(\mathrm{Var}(f(x))\)：\(f(x)\) 在分布 \(P(\mathsf{x})\) 下的方差
\(\sigma_X\)	随机变量\(X\)的标准差
\(\mathrm{Cov}(X, Y)\)	随机变量\(X\)和\(Y\)的协方差。\(\mathrm{Cov}(f(x),g(x))\)：\(f(x)\) 和 \(g(x)\) 在分布 \(P(\mathsf{x})\) 下的协方差
\(\rho(X, Y)\)	随机变量\(X\)和\(Y\)的相关性
\(H(X)\)	随机变量\(X\)的香农熵
\(D_{\mathrm{KL}}(P\\|Q)\)	\(P\)和\(Q\)的KL散度
\(\mathcal{N} ( \boldsymbol{x} ; \boldsymbol{\mu} , \boldsymbol{\Sigma})\)	均值为 \(\boldsymbol{\mu}\)、协方差为 \(\boldsymbol{\Sigma}\)，\(\boldsymbol{x}\) 上的高斯分布
\(P(A \cap B)\)	事件 \(A\) 和 \(B\) 同时发生的概率
\(P(A \cup B)\)	事件 \(A\) 或 \(B\) 发生的概率
\(P(A \vert B)\)	在 \(B\) 发生的条件下 \(A\) 发生的条件概率
\(E(X), \mu_X\)	随机变量 \(X\) 的期望值（均值）
\(E(X) = \sum_{i=1}^{\infty} p_i x_i\)	离散随机变量 \(X\)（取值为 \(x_1,x_2,\ldots\)，概率为 \(p_1,p_2,\ldots\)）的期望
\(E(X) = \int_{-\infty}^{\infty} x f(x) dx\)	连续随机变量（概率密度函数为 \(f(x)\)）的期望
\(\bar{X}\)	数值数据 \(X_1,\ldots,X_n\) 的样本均值，\(\bar{X} = \frac{1}{n}\sum_{i=1}^{n} X_i\)
\(\operatorname{var}(X), \sigma_X^2\)	随机变量 \(X\) 的方差，\(\operatorname{var}(X) = E[(X-\mu_X)^2] = E(X^2) - [E(X)]^2\)
\(s_X^2\)	数值数据 \(X_1,\ldots,X_n\) 的样本方差，\(s_X^2 = \frac{1}{n}\sum_{i=1}^{n} (X_i - \bar{X})^2\)

函数和运算符¶

符号	含义
\(f: \mathcal{A} \rightarrow \mathcal{B}\)	定义域为 \(\mathcal{A}\)、值域为 \(\mathcal{B}\) 的函数 \(f\)
\(f \circ g(x)\)	函数 \(f\) 和 \(g\) 的复合，另一个写法是 \(f[g(x)]\)
\(f(\boldsymbol{x} ; \boldsymbol{\theta})\)	由 \(\boldsymbol{\theta}\) 参数化，关于 \(\boldsymbol{x}\) 的函数（有时简写为 \(f(\boldsymbol{x})\)）
\(f(x)\)	函数
\(f^{-1}(x)\)	函数 \(f\) 的反函数，使得若 \(f(y)=x\)，则 \(f^{-1}(x)=y\)
\(\log(x)\)	自然对数
\(\exp(x)\)	指数函数
\(\lvert x \rvert\)	\(x\) 的绝对值；例如 \(\lvert -2 \rvert = 2\)
\(\log_b\)	以 \(b\) 为底的对数
\(\sigma(x)\)	Logistic sigmoid，\(\displaystyle \frac{1} {1 + \exp(-x)}\)
\(\zeta(x)\)	Softplus，\(\log(1 + \exp(x))\)
\(\\| \boldsymbol{x} \\|_p\)	\(\boldsymbol{x}\) 的 \(L^p\) 范数
\(\\| \boldsymbol{x} \\|\)	\(\boldsymbol{x}\) 的 \(L^2\) 范数
\(x^+\)	\(x\) 的正数部分，即 \(\max(0,x)\)
\(\mathbf{1}_{\text{condition}}\)	指示函数。如果条件为真则为 1，否则为 0
\(\mathbf{(\cdot)}^\top\)	向量或矩阵的转置
\(\mathbf{X}^{-1}\)	矩阵的逆
\(\odot\)	按元素相乘
\([\cdot, \cdot]\)	连结
\(\lvert \mathcal{X} \rvert\)	集合的基数（元素个数）
\(\langle \mathbf{x}, \mathbf{y} \rangle\)	向量\(\mathbf{x}\)和\(\mathbf{y}\)的点积
\(\sum\)	连加
\(\prod\)	连乘，读作“派”（对应希腊字母 Π 的英文名称)
\(\stackrel{\mathrm{def}}{=}\)	定义
\(\mapsto\)	自变量到因变量的映射
\(n!\)	\(n\) 的阶乘，其中 \(0! = 1\)，且当 \(n>0\) 时 \(n! = n(n-1)(n-2)\cdots 2\cdot 1\)
\(\binom{n}{k}\)	二项式系数（“\(n\) 选 \(k\)”），\(\binom{n}{k} = \frac{n!}{k!(n-k)!}\)（\(0 \le k \le n\)
\(\arg \max f(x)\)	使 \(f(x)\) 取得最大值的 \(x\) 值
\(\arg \min f(x)\)	使 \(f(x)\) 取得最小值的 \(x\) 值
\(\sum_{i=1}^{n} x_i\)	索引变量 \(x_i\) 的求和，定义为 \(\sum_{i=1}^{n} x_i = x_1 + x_2 + \dots + x_n\)
\(\prod_{i=1}^{n} x_i\)	索引变量 \(x_i\) 的求积，定义为 \(\prod_{i=1}^{n} x_i = x_1 \cdot x_2 \cdot \ldots \cdot x_n\)

数据集和分布¶

符号	含义
\(p_{\text{data}}\)	数据生成分布
\(\hat{p}_{\text{train}}\)	由训练集定义的经验分布
\(\mathcal{X}\)	训练样本的集合
\(\boldsymbol{x}^{(i)}\)	数据集的第 \(i\) 个样本（输入）
\(y^{(i)}\) 或 \(\boldsymbol{y}^{(i)}\)	监督学习中与 \(\boldsymbol{x}^{(i)}\) 关联的目标
\(\boldsymbol{X}\)	\(m \times n\) 的矩阵，其中行 \(\boldsymbol{X}_{i,:}\) 为输入样本 \(\boldsymbol{x}^{(i)}\) - \(\boldsymbol{X}\)：\(m \times n\) 的矩阵，其中行 \(\boldsymbol{X}_{i,:}\) 为输入样本 \(\boldsymbol{x}^{(i)}\)

近似¶

符号	含义
\(\approx\)	近似相等，例如 \(e \approx 2.71828\) 是欧拉数的近似值
\(f(x) \sim g(x)\)	表示两个函数的比值趋近于 1：\(\lim_{x \to 0} \frac{f(x)}{g(x)} = 1\)（当 \(x\) 很小时），或 \(\lim_{x \to \infty} \frac{f(x)}{g(x)} = 1\)（当 \(x\) 很大时）
\(f(x) \propto g(x)\)	函数 \(f(x)\) 与 \(g(x)\) 成正比
\(T(n) \in O(n^2)\)	大 O 记号，表示算法的时间复杂度渐近上界为 \(n^2\)（即算法具有 \(n^2\) 量级的时间复杂度）

逻辑¶

符号	含义
\(A \Rightarrow B\)	蕴含运算符；例如 “若 \(A\) 则 \(B\)”（或 “\(B\) 仅当 \(A\)”）
\(A \Leftrightarrow B\)	等价运算符（当且仅当）；例如 “\(A\) 当且仅当 \(B\)”，即 “若 \(A\) 则 \(B\) 且若 \(B\) 则 \(A\)”
\(A \wedge B\)	逻辑合取（与）；例如 “\(A\) 且 \(B\)”
\(A \vee B\)	逻辑（包含）析取（或）；例如 “\(A\) 或 \(B\)”
\(\neg A\)	逻辑非（否定）；例如 “非 \(A\)”
\(\forall x \in \mathbb{R}, x > 1\)	全称量词（“对所有”）；例如 “对所有实数 \(x\)，\(x > 1\)”
\(\exists x \in A, f(x)\)	存在量词（“存在”）；例如 “集合 \(A\) 中存在某个元素使谓词 \(f(x)\) 成立”

常用希腊字母的读音¶

大写	小写	国际音标注音	英文	中文注音
Α	α	/'æ,lfə/	alpha	阿尔法
Β	β	/'bi,tə/或/'beɪtə/	beta	贝塔
Γ	γ	/'gæ,mə/	gamma	伽马
Δ	δ	/'deltə/	delta	德尔塔
Ε	ε	/'epsɪlɒn/	epsilon	艾普斯龙
Ζ	ζ	/'zi,tə/	zeta	泽塔
Η	η	/'i,tə/	eta	艾塔
Θ	θ	/'θi,tə/	theta	西塔
Ι	ι	/'aɪəʊtə/	iota	约塔
Κ	κ	/'kæ,pə/	kappa	卡帕
∧	λ	/'læ,mdə/	lambda	兰姆达
Μ	μ	/mju,/	mu	缪
Ν	ν	/nju,/	nu	纽
Ξ	ξ	希腊/ksi/ 或英美/ˈzaɪ/或/ˈsaɪ/	xi	克西
Ο	ο	/əuˈmaikrən/ 或/ˈɑmɪˌkrɑn/	omicron	奥密克戎
∏	π	/paɪ/	pi	派
Ρ	ρ	/rəʊ/	rho	柔
∑	σ	/'sɪɡmə/	sigma	斯格马
Τ	τ	/tɔ,/或/taʊ/	tau	套
Υ	υ	/ˈipsɪlon/或 /ˈʌpsɪlɒn/	upsilon	宇普斯龙
Φ	φ	/faɪ/	phi	法爱
Χ	χ	/kaɪ/	chi	器
Ψ	ψ	/psaɪ/	psi	普西
Ω	ω	/'əʊmɪɡə/ 或/oʊ'meɡə/	omega	欧米伽
Δ	δ	/'deltə/	delta	德尔塔
Π	π	/paɪ/	pi	派
Μ	μ	/mju,/	mu	缪
Σ	σ	/'sɪɡmə/	sigma	斯格马