欢迎来到连续随机变量的世界！
在之前的学习中，你可能已经接触过离散随机变量 (Discrete Random Variables)——即可以数出来的数据，例如抛十次硬币出现的正反面次数，或是掷骰子的结果。在这章中，我们将进入数学的“平滑”领域：连续随机变量 (Continuous Random Variables, CRVs)。
想象一下，测量水壶烧开所需的精确时间，或是学校每位学生的精确身高。这些数字不只是整数，它们可以是范围内的任何值（例如 165.234 cm）。由于这些数值有无限多种可能，我们需要借助微积分来帮助我们计算概率。如果刚开始觉得有点复杂也不用担心——只要看出当中的规律，它其实就跟一般的积分和微分没什么两样！
1. 什么是概率密度函数 (PDF)？
由于连续变量可以取无限多的数值，它落在“某个特定点”（例如正好是 1.500000... cm）的概率其实是零。因此，我们改为探讨数值落在某个范围内的概率。
我们使用概率密度函数 (Probability Density Function) 来表示，记作 \( f(x) \)。
PDF 的两大金科玉律
任何函数要成为有效的 PDF，必须遵循以下两条规则：
1. 不能为负：对于所有 \( x \)，皆有 \( f(x) \geq 0 \)。 (概率“密度”是不可能为负的！)
2. 总面积必须为 1：所有概率的总和必须等于 100%。用微积分的术语来说：\( \int_{-\infty}^{\infty} f(x) \, dx = 1 \)。
快速复习：如果考试题目要求你“找出常数 \( k \)”，只需将函数在给定的范围内进行积分，设其等于 1，然后解出 \( k \) 即可。
2. 累积分布函数 (CDF)
如果 PDF 告诉我们某个特定点的“密度”，那么累积分布函数 (Cumulative Distribution Function)（记作 \( F(x) \)）则告诉我们截至该点为止的“累计”概率。
比喻：如果 PDF 就像水滴入桶中的速度，那么 CDF 就是在时间 \( x \) 时桶内水的总量。
在 PDF 与 CDF 之间转换
这就是展现你微积分功力的时候了：
• 从 PDF 得到 CDF：积分！ \( F(x) = \int_{-\infty}^{x} f(t) \, dt \)
• 从 CDF 得到 PDF：微分！ \( f(x) = \frac{d}{dx} F(x) \)
重点提示：对于任何 CDF，\( F(x) \) 在范围起点处总为 0，在范围终点处总为 1。
3. 计算概率
要找出 \( X \) 落在两个数值 \( a \) 和 \( b \) 之间的概率，你需要求出这两点之间曲线下的面积。
\( P(a < X < b) = \int_{a}^{b} f(x) \, dx \)
或者，如果你已经有了 CDF：
\( P(a < X < b) = F(b) - F(a) \)
你知道吗？在连续分布中，\( P(X \leq a) \) 和 \( P(X < a) \) 是完全一样的。因为落在特定一点的概率为零，所以是否有“等于”符号并不影响面积！
4. 期望值与方差
就像离散变量一样，我们同样希望找出数据的“平均值”（期望值 Mean）和“离散程度”（方差 Variance）。
期望值 (Expectation)
平均值，即 \( E(X) \)，是该分布的重心。
\( E(X) = \int_{-\infty}^{\infty} x f(x) \, dx \)
方差 (Variance)
方差衡量数值偏离平均值的程度。
1. 首先，找出 \( E(X^2) \)：\( E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) \, dx \)
2. 然后使用公式：\( Var(X) = E(X^2) - [E(X)]^2 \)
常见错误：别忘了在方差公式的最后要减去平均值的平方！在考试压力下，这是一个非常容易犯的错误。
5. 中位数与百分位数
中位数 (Median, \( m \)) 是指左侧占总概率 50%、右侧也占 50% 的数值。
要找出中位数，请解以下方程的 \( m \)：
\( F(m) = 0.5 \) 或 \( \int_{-\infty}^{m} f(x) \, dx = 0.5 \)
对于任何其他百分位数（例如第 75 百分位数或上四分位数），只需将 CDF 设为该小数值（例如 0.75）并解出 \( x \) 即可。
6. 随机变量的函数
有时课程大纲会要求你找出一个依赖于 \( X \) 的“新”变量的分布。例如，如果 \( X \) 是正方形的边长，那么面积 \( Y = X^2 \) 的分布是什么？
步骤拆解（CDF 方法）：
1. 从 Y 的 CDF 开始：写下 \( G(y) = P(Y \leq y) \)。
2. 代入：将 \( Y \) 替换为 \( X \) 的函数。（例如 \( P(X^2 \leq y) \)）。
3. 重组：将 \( X \) 单独留在不等式一侧。（例如 \( P(X \leq \sqrt{y}) \)）。
4. 联系到 X：这现在就是 \( X \) 的 CDF 了，即 \( F_X(\sqrt{y}) \)。
5. 微分：一旦有了新的 CDF，对其进行微分即可得到新的 PDF，即 \( g(y) \)。
核心观念：当进行变量变换时，务必先处理累积分布（积分）。直接跳到 PDF 通常会导致错误！
总结清单
• 我的 \( f(x) \) 下的总面积等于 1 吗？
• 要从 PDF 转换到 CDF，我的积分正确且加上积分限了吗？
• 在找中位数时，我有没有设 \( F(x) = 0.5 \)？
• 计算方差时，我有没有记得减去平均值的平方？
你一定做得到！连续随机变量只是用微积分来描述现实中“平滑”世界的一种方式。继续练习积分，其余的自然会迎刃而解。