📚 学习笔记：连续型随机变量 (9709 P&S 2, 第 6.3 节)
欢迎来到概率与统计 2 (Probability and Statistics 2) 中最理论化但也最核心的课题之一！在卷 5 (P&S 1) 中，你处理的主要是离散型随机变量 (Discrete Random Variables)（例如计数数据）。现在，我们将踏入连续型随机变量 (Continuous Random Variables) 的世界，这里我们处理的是测量数据（例如时间、重量或温度）。这正是你的纯数学 (Pure Mathematics) 技巧（尤其是积分！）与统计学结合的地方。如果初看觉得棘手也不用担心——这其实就只是在求图形下方的面积而已！
1. 理解连续型随机变量 (CRVs)
连续型随机变量 (\(X\)) 是指在给定范围（或区间）内可以取任何值的变量。试着把它想象成“测量”某个量，而不是“计算”某个数。
CRV 与 DRV 的简要回顾
• 离散型随机变量 (DRV)： 取值是可数的（例如抛硬币的正反面次数、掷骰子的点数）。概率由 \(P(X = x)\) 给出。
• 连续型随机变量 (CRV)： 在一个区间内可以取任何值（例如跑 100 米所需的时间、身高）。
⚠ CRV 的关键性质：
对于任何单一的特定值 \(x\)，其概率永远为零：
\(P(X = x) = 0\)
类比：想象在数轴上投掷飞镖。击中 \(x = 5.000000\dots\) 这个精确点的机会是零。我们只能算出落入某个范围（例如 4.9 到 5.1 之间）的概率。
正因如此，在计算概率时，是否包含边界点并不重要：
\(P(a \le X \le b) = P(a < X < b) = P(a < X \le b)\)
重点总结： 对于 CRV，我们计算的是区间（面积）的概率，而非单个点的概率。
2. 概率密度函数 (PDF), \(f(x)\)
由于我们不能像离散统计那样使用概率质量函数，我们改用概率密度函数 (Probability Density Function, PDF), \(f(x)\)。此函数描述了随机变量取某个值的相对可能性。
把 PDF 想象成一座小山的轮廓。山的高度 (\(f(x)\)) 显示了数值最容易聚集的地方。
课程范围说明：在剑桥 9709 卷 6 中，概率密度函数仅定义于单一区间（可以是像 \([a, b]\) 这样的有界区间，或是像 \(x \ge 1\) 这样的无限区间）。本卷不会考核包含多个非零子区间的分段 PDF。
PDF 的性质
为了让 \(f(x)\) 成为有效的 PDF，它必须满足两个基本性质：
1. 非负性 (Non-negativity)
• 函数值必须永远大于或等于零，因为概率不可能是负数。
• \(f(x) \ge 0 \quad \text{for all } x\)
2. 总面积为 1
• 整个图形下方的总面积必须等于 1 (即 100%)，因为随机变量必然会取到某个值。
• \(\int_{-\infty}^{\infty} f(x) \, dx = 1\)
• 在实际应用中，由于 \(f(x)\) 通常是在特定的区间 \([a, b]\) 内定义的，这可以简化为：\(\int_{a}^{b} f(x) \, dx = 1\)
学习提示：这个性质通常用于求函数定义中的未知常数 \(k\)（例如 \(f(x) = kx^2\)）。
3. 计算概率（积分的威力）
连续型随机变量 \(X\) 落在两个数值 \(a\) 和 \(b\) 之间的概率，等于该两点之间 PDF 曲线下方的面积。
概率公式
\(P(a < X < b) = \int_{a}^{b} f(x) \, dx\)
计算步骤
如果你已知 \(f(x)\) 并被要求计算 \(P(a < X < b)\)：
1. 确定上下限： 找出下限 \(a\) 和上限 \(b\)。
2. 建立积分式： 写出定积分 \(\int_{a}^{b} f(x) \, dx\)。
3. 进行积分： 计算积分值（记住纯数学的积分法则）。
4. 求值： 代入上限 \(b\) 和下限 \(a\) 以得出最终概率。
需避免的常见错误： 在计算概率时，请确保你的积分限 \((a, b)\) 落在 \(f(x)\) 的定义域内。如果变量只存在于 0 到 5 之间，积分到 10 是没有意义的！
重点总结： 概率是通过对 PDF 在所需区间进行积分（即求面积）来找到的。
4. 求位置和离散程度的指标
与离散变量一样，我们需要均值和方差来理解分布的中心和离散程度。
A. 均值（期望值）, \(E(X)\)
均值 \(\mu\) 是 \(X\) 的期望值。
该公式将离散变量中的求和 \(\sum x P(X=x)\) 替换为积分：
\(E(X) = \mu = \int_{-\infty}^{\infty} x f(x) \, dx\)
如果函数仅在 \(a\) 到 \(b\) 之间定义：
\(E(X) = \int_{a}^{b} x f(x) \, dx\)
记忆辅助：要求均值，你需要积分 x 乘以该函数 (\(x \cdot f(x)\))。
B. 方差, \(\operatorname{Var}(X)\)
方差衡量数据围绕均值的离散程度。标准公式同样适用：
\(\operatorname{Var}(X) = E(X^2) - [E(X)]^2\)
首先，你必须通过积分计算 \(E(X^2)\)：
\(E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) \, dx\)
然后，将此值与之前算出的均值 \(E(X)\) 代入方差公式即可。
重点总结： 均值和方差的计算分别需要对 \(x f(x)\) 和 \(x^2 f(x)\) 进行积分。积分完成后，请善用你的计算器进行繁重的算术运算！
5. 求中位数与百分位数
中位数和百分位数用来定位分布中的特定点，通常需要解一个包含积分的方程。
A. 中位数, \(m\)
中位数 (\(m\)) 是将分布平分的值。一半的概率质量位于其下方，另一半位于其上方。
因此，要找到中位数 \(m\)，你需要解以下方程：
\(\int_{\text{start}}^{m} f(x) \, dx = 0.5\)
例如：如果函数定义在 0 到 4 之间，你要找出 \(m\)，使得 \(\int_{0}^{m} f(x) \, dx = 0.5\)。
B. 百分位数
\(p^{\text{th}}\) 百分位数 (\(k\)) 是指一个值，使得有 \(p\%\) 的分布位于其下方。
要找出代表 \(p^{\text{th}}\) 百分位数的值 \(k\)（例如第 90 百分位数，即 \(p=90\)），你需要解：
\(\int_{\text{start}}^{k} f(x) \, dx = \frac{p}{100}\)
你知道吗？中位数其实就是第 50 百分位数！
☞ 例子：求第 90 百分位数
如果 \(X\) 定义在 \(x > 0\)，而你需要求第 90 百分位数 \(k\)：
\(P(X < k) = 0.9\)
你建立积分式：\(\int_{0}^{k} f(x) \, dx = 0.9\)。接着进行积分，代入 \(k\) 和 0，最后解出关于 \(k\) 的方程。
重点总结： 中位数与百分位数涉及将面积积分设为所需的概率（中位数为 0.5），并解出积分上限。
6. 公式快速回顾 (MF19 参考)
以下是你必须掌握的 CRV 关键公式，详见你的公式手册 (MF19, 概率与统计部分)：
连续型随机变量
期望值（均值）：
\(E(X) = \int x f(x) \, dx\)
方差：
\(\operatorname{Var}(X) = \int x^2 f(x) \, dx - \{E(X)\}^2\)
请记住，任何 PDF \(f(x)\) 的绝对要求是总面积必须为 1：
\(\int f(x) \, dx = 1\)
这个课题的成功很大程度上依赖于准确的积分以及解方程的能力。设置积分限时一定要细心！
最后的鼓励： 你已经在纯数学中掌握了积分。这一章只是教你如何在概率的背景下，运用积分的知识以及了解其背后的原因。继续练习你的积分计算吧！