连续随机变量：学习笔记（9231 Further Probability & Statistics）

欢迎来到连续随机变量 (CRVs) 的迷人世界！在你之前的统计学课程 (9709) 中，你主要关注的是离散变量（比如计数事件发生的次数）。现在，我们要深入研究那些在一定范围内可以取“任意”值的变量——例如时间、高度或温度等测量值。

本章至关重要，因为它不仅涵盖了标准分布（如正态分布），还教你如何利用微积分（积分与微分）处理自定义概率模型。如果一开始觉得有点难，别担心；我们会将微积分拆解成简单、清晰的步骤！

1. 理解连续随机变量 (CRVs)

连续随机变量 (CRV)，通常记作 \(X\)，是指可以在指定区间内取任何值的变量。
例子：电脑启动所需的精确时间（秒）。它可以是 15.00 秒，15.01 秒，或者 15.0000001 秒。

为什么 CRV 与离散变量不同
  • 对于离散变量，我们可以求 \(P(X = x)\)。
  • 对于 CRV，取到一个精确值的概率始终为零：\(P(X = a) = 0\)。
    类比：想象一根 1 米长的连续绳子。随机选中的一个点正好落在 0.5000000... 位置的概率是多少？是零，因为该点周围有无数个点。
  • 因此，我们只讨论区间上的概率，例如 \(P(a < X < b)\)。

小贴士： 因为 \(P(X=a)=0\)，所以是否包含等号不会改变概率值：
\(P(a < X < b) = P(a \leq X \leq b) = P(a < X \leq b)\)

2. 概率密度函数 (PDF)

由于我们无法为单个点指定概率，我们使用一种称为概率密度函数 (PDF) 的函数，记作 \(f(x)\)。该函数描述了变量落在某个范围内的“可能性”。

PDF \(f(x)\) 的性质

一个函数要成为有效的 PDF，必须满足两个基本准则：

  1. 非负性： 密度函数不能为负。
    $$f(x) \geq 0 \text{ 对于所有的 } x$$
  2. 总面积为一： 所有可能结果的总概率必须等于 1（即 100%）。这通过对整个定义域进行积分来求得。
    $$\int_{-\infty}^{\infty} f(x) dx = 1$$

关于分段函数的说明： 通常，CRV 使用分段函数定义，这意味着 PDF 仅在特定范围 \([a, b]\) 内存在，在该范围外 \(f(x) = 0\)。
在这种情况下，总概率规则简化为：
$$\int_{a}^{b} f(x) dx = 1$$

步骤解析：求概率 \(P(a < X < b)\)

\(X\) 落在 \(a\) 和 \(b\) 之间的概率就是 PDF 曲线在这些点之间的面积。

  1. 确定区间： 明确所需的范围 \([a, b]\)。
  2. 积分： 在该范围内对 PDF 进行定积分计算。
    $$P(a < X < b) = \int_{a}^{b} f(x) dx$$

核心要点： PDF 利用积分将概率定义为曲线下的面积。切记总面积必须精确等于 1。

3. 累积分布函数 (CDF)

累积分布函数 (CDF)，记作 \(F(x)\)，给出了随机变量 \(X\) 小于或等于某个值 \(x\) 的概率。

$$\text{定义：} F(x) = P(X \leq x)$$
PDF 与 CDF 之间的关系（微积分应用）

由于 CDF 衡量的是截至 \(x\) 的累积概率，因此它可以通过积分 PDF 得到：

$$F(x) = \int_{-\infty}^{x} f(t) dt$$

相反，如果你拥有 CDF 并需要 PDF，则求导：

$$f(x) = \frac{d}{dx} F(x)$$

记忆小技巧： 联想字母顺序：C (CDF) 在 P (PDF) 之前。积分意味着“向上”移动（幂次增加），微分意味着“向下”移动（幂次减少）。你对 PDF 积分得到 CDF，对 CDF 微分得到 PDF。

CDF \(F(x)\) 的性质

如果变量 \(X\) 的定义范围为 \([a, b]\)：

  • 下限： \(F(a) = 0\)（小于起始点的概率为零）。
  • 上限： \(F(b) = 1\)（小于终点的概率为一）。
  • 非递减： \(F(x)\) 必须始终增加或保持不变（永远不会下降）。

利用 CDF 计算概率：
如果你已有 CDF，则无需积分即可直接计算 \(P(a < X < b\)：
$$P(a < X < b) = F(b) - F(a)$$

你知道吗？ 在许多专业统计软件中，CDF 的使用远比 PDF 频繁，因为它能直接提供累积概率值，更易于解读。

4. 百分位数与位置度量

百分位数（或四分位数）是将概率分布划分为特定比例的值。

第 \(p\) 百分位数是指满足 \(X\) 小于或等于该值的概率为 \(p\) 的值 \(k\)。

$$\text{数学表示：} F(k) = p$$
关键百分位数
  • 中位数 (\(m\))： 第 50 百分位数。即 \(F(m) = 0.5\) 时的值 \(m\)。一半的数据位于其下方，另一半位于上方。
  • 下四分位数 (\(Q_1\))： 第 25 百分位数，即 \(F(Q_1) = 0.25\)。
  • 上四分位数 (\(Q_3\))： 第 75 百分位数，即 \(F(Q_3) = 0.75\)。

步骤解析：求中位数

  1. 建立积分： 通过解以下方程求中位数 \(m\)：
    $$\int_{-\infty}^{m} f(x) dx = 0.5$$
  2. 或者使用 CDF： 如果你已经计算出 CDF \(F(x)\)，只需解：
    $$F(m) = 0.5$$

5. 期望（均值与方差）

期望值或均值，记作 \(E(X)\) 或 \(\mu\)，是变量的长期平均值。

X 的期望值（均值）

对于 CRV，离散变量中的求和符号被积分取代：

$$\mu = E(X) = \int_{-\infty}^{\infty} x f(x) dx$$
X 的方差

方差 \(Var(X)\) 衡量分布围绕均值的离散程度。我们使用标准公式，但用积分来计算期望：

$$Var(X) = E(X^2) - [E(X)]^2$$

其中 \(E(X^2)\) 使用以下通用公式计算：

进阶数学核心概念：函数的期望值

这是 Paper 4 的关键点。如果 \(g(X)\) 是随机变量 \(X\) 的任意函数，其期望值可以通过将积分中的 \(x\) 替换为 \(g(x)\) 来获得。

$$\mathbf{E(g(X))} = \int_{-\infty}^{\infty} \mathbf{g(x)} f(x) dx$$

例子：要计算 \(E(X^2)\)，我们设 \(g(x) = x^2\)：
$$E(X^2) = \int x^2 f(x) dx$$ 例子：如果你需要计算某种物品的预期成本，且其价格由公式 \(C = 5X + 10\) 决定，你会计算 \(E(5X + 10) = \int (5x + 10) f(x) dx\)。

避免常见错误： 在计算方差时，学生经常忘记在公式 \([E(X)]^2\) 中对 *最终* 的均值进行平方。请确保先计算 \(E(X)\)，再计算 \(E(X^2)\)，最后应用方差公式。

6. 连续随机变量的函数（进阶步骤）

在进阶数学中，你需要能够求出新变量 \(Y = g(X)\) 的分布（包括 CDF 和 PDF）。

最可靠的方法是先求 Y 的 CDF，\(F_Y(y)\)，然后对其微分得到 Y 的 PDF，\(f_Y(y)\)。

步骤解析：求 \(Y = g(X)\) 的分布
  1. 定义 Y 的 CDF： 从定义出发：
    $$F_Y(y) = P(Y \leq y)$$
  2. 代入并与 X 关联： 将 \(Y\) 替换为函数 \(g(X)\)：
    $$F_Y(y) = P(g(X) \leq y)$$
  3. 解出 X： 重新排列不等式 \(g(X) \leq y\) 以孤立 \(X\)。假设得到的不等式为 \(X \leq h(y)\)。
    （如果函数 \(g\) 是递减的，注意符号和方向！）
  4. 利用 X 的 CDF： 既然我们现在有了关于 \(X\) 的概率陈述，就使用已知的 \(X\) 的 CDF，\(F_X(x)\)：
    $$F_Y(y) = P(X \leq h(y)) = F_X(h(y))$$
  5. 求 Y 的 PDF： 利用链式法则对 \(F_Y(y)\) 关于 \(y\) 求导：
    $$f_Y(y) = \frac{d}{dy} F_Y(y)$$

简单例子：\(Y = X^3\)
假设 \(X\) 是定义在 \(x > 0\) 上的 CRV。我们要找 \(Y\) 的 PDF。

  1. $$F_Y(y) = P(Y \leq y)$$
  2. $$F_Y(y) = P(X^3 \leq y)$$
  3. 解出 X：假设 \(y>0\)，这意味着 \(X \leq y^{1/3}\)。（此处 \(h(y) = y^{1/3}\)）
  4. 使用 \(F_X\)：$$F_Y(y) = F_X(y^{1/3})$$
  5. 微分得到 \(f_Y(y)\)：利用链式法则，\(f_Y(y) = F'_X(y^{1/3}) \cdot \frac{d}{dy}(y^{1/3})\)。
    由于 \(F'_X = f_X\)，得到：
    $$f_Y(y) = f_X(y^{1/3}) \cdot \frac{1}{3} y^{-2/3}$$

最后，将 \(X\) 的具体 PDF \(f_X(x)\) 代入此结果即可得到最终答案。

核心要点： 求 \(X\) 函数的分布总是遵循同一个模式：CDF、代入、求解、微分。

本章总结：连续随机变量
  • PDF \(f(x)\)： 定义概率密度。必须满足 \(\geq 0\) 且 \(\int f(x) dx = 1\)。
  • 概率： \(P(a < X < b) = \int_a^b f(x) dx\)。
  • CDF \(F(x)\)： 累积概率：\(F(x) = \int_{-\infty}^{x} f(t) dt\)。
  • 微积分联系： \(f(x) = F'(x)\)。
  • 期望： 求函数期望值的通用公式为：
    $$E(g(X)) = \int g(x) f(x) dx$$
  • CRV 的函数： 通过将不等式 \(Y \leq y\) 回归到 \(X\) 来求 \(F_Y(y)\)，然后对 \(F_Y(y)\) 微分得到 \(f_Y(y)\)。