欢迎来到连续随机变量的世界！
在之前的学习中，你可能接触过离散随机变量 (Discrete Random Variables)——即那些可以数出来的数值，例如掷硬币出现正面的次数，或是班级人数。但如果我们测量身高、时间或重量呢？这些数值并不会“跳跃”地从一个整数变到另一个整数，而是沿着连续的标尺平滑变化。这就是连续随机变量 (Continuous Random Variables)的世界。
在本章中，我们将重点探讨全球最重要的连续分布：正态分布 (Normal Distribution)。掌握它就像拿到了一把“万能钥匙”，能助你打开统计学中许多难题的大门！
1. 离散与连续：有什么区别？
在深入数学运算之前，我们先确保自己理解什么是“连续”变量。
- 离散随机变量： 具有特定、独立的数值。例如：计算一场足球比赛的入球数（你不可能入 2.45 球）。
- 连续随机变量： 在一定范围内可以取任何数值。它们通常是测量结果。例如：你跑 100 米所需的时间（可能是 12 秒，12.1 秒，甚至 12.1045 秒）。
你知道吗？ 因为连续变量有无限多个可能的数值，所以该变量“刚好”等于某个特定数值（例如身高刚好是 1.750000... 米）的概率其实是零！因此，我们计算概率时，总是寻找数值落在某个范围 (Range)内的概率。
2. 正态分布：“钟形曲线”
正态分布是一种特殊的连续随机变量。它用于模拟那些集中在平均值附近的现象，例如考试成绩或树叶的长度。
主要特征：
- 对称性： 左侧是右侧的镜像。
- 钟形： 大部分数据集中在中间，向两端递减。
- 平均值 (\(\mu\))： 这是曲线的中心点。
- 方差 (\(\sigma^2\))： 它告诉我们钟形曲线有多“分散”。
我们将其记为：\(X \sim N(\mu, \sigma^2)\)
例子：如果学生平均身高为 160cm，方差为 25，我们写成 \(X \sim N(160, 25)\)。注意：这里的标准差 (\(\sigma\)) 是 \(\sqrt{25} = 5\)。
小贴士： 务必检查题目给出的是方差 (\(\sigma^2\))还是标准差 (\(\sigma\))。在公式 \(X \sim N(\mu, \sigma^2)\) 中，第二个数字永远是方差！
3. 标准化：使用 Z 分数
每一条正态曲线都不一样（有的细高，有的扁宽）。为了求概率，我们需要将它们统一对比到一种“标准”版本，即标准正态分布 (Standard Normal Distribution)，它的平均值为 0，方差为 1。
我们透过以下 Z 分数 (Z-score) 公式来实现：
\(Z = \frac{X - \mu}{\sigma}\)
比喻： 把 Z 分数想象成“万能翻译机”。就像你将不同的货币（美元、欧元、比索）兑换成黄金来比较价值一样，我们将不同的正态变量转换为 Z 分数来进行比较。
标准化步骤：
- 获取你的数值 (\(X\))。
- 减去平均值 (\(\mu\))。
- 除以标准差 (\(\sigma\))。
刚开始觉得困难别担心！ 只要记住：Z 分数告诉你该数值距离平均值有几个“标准差”。
4. 使用表格查找概率
一旦你有了 Z 分数，就可以使用正态分布表 (Normal Distribution Table)来查找概率。表格会告诉你 Z 分数左侧的面积，我们称之为 \(\Phi(z)\)。
常见情况：
- 求 \(P(Z < a)\)： 直接在表中查 \(a\)。
- 求 \(P(Z > a)\)： 利用对称性！总面积为 1，所以 \(P(Z > a) = 1 - \Phi(a)\)。
- 求 \(P(a < Z < b)\)： 找到 \(b\) 左侧的面积，减去 \(a\) 左侧的面积。公式：\(\Phi(b) - \Phi(a)\)。
记忆口诀： 如果你需要右侧的面积，必须用 1 减去该数值（Right = Remove from 1）。
5. 逆向问题：求 \(\mu\) 或 \(\sigma\)
有时题目会给你概率（面积），然后问你 \(X\)、平均值或标准差是多少。这就像“逆向操作”。
步骤流程：
- 画一个钟形曲线草图，并标示出已知的面积。
- 由内向外查表，找到与该概率对应的 Z 分数。
- 将 Z、\(\mu\)、\(\sigma\) 代入公式 \(Z = \frac{X - \mu}{\sigma}\)。
- 解出缺少的变量。
常见错误： 如果面积在平均值的左侧（小于 50%），你的 Z 分数必须是负数。表格通常只列出正的 Z 分数，所以你需要灵活运用对称性！
6. 二项分布的正态近似
有时我们会遇到二项分布 (Binomial Distribution)（例如抛硬币 1,000 次），但进行精确计算太难了。如果样本量足够大，二项分布就会看起来像一条正态曲线！
什么时候可以使用？
仅在以下情况可以使用正态近似：
- \(np > 5\)
- \(n(1-p) > 5\)（也写作 \(nq > 5\)）
如何计算：
- 计算平均值：\(\mu = np\)。
- 计算方差：\(\sigma^2 = np(1-p)\)。
- 使用连续性修正 (Continuity Correction)（见下文）。
- 标准化并按惯常方法求概率。
7. 连续性修正：“0.5 法则”
当我们从离散变量（柱状图）转向连续变量（平滑曲线）时，必须考虑数字之间的间隙。这就是连续性修正。
将每个离散数字想象成一个“区块”，向两侧各延伸 0.5。例如，数字 10 实际上占据了从 9.5 到 10.5 的空间。
如何调整：
- 若求 \(P(X \le 10)\)，你需要包含 10 这个区块，所以用 10.5。
- 若求 \(P(X < 10)\)，你不包含 10，所以止于 9.5。
- 若求 \(P(X \ge 10)\)，你从区块的开头开始，即 9.5。
- 若求 \(P(X > 10)\)，你从区块之后开始，即 10.5。
重点总结： 务必画一条数线！如果你想包含该数字，就把边界向外延伸 0.5；如果你想排除它，就把边界向内退回 0.5。
复习清单
在参加考试前，请确保你能做到：
- 识别离散与连续变量的区别。
- 标准化任何数值，使用 \(Z = \frac{X - \mu}{\sigma}\)。
- 正确查阅正态分布表（包括负 Z 分数的情况）。
- 逆向计算，从概率求出变量值。
- 检查条件（\(np > 5\) 和 \(nq > 5\)）以判断是否能进行正态近似。
- 准确应用 0.5 的连续性修正。
你一定能做到！ 统计学不过是一连串逻辑步骤的堆叠。一步一个脚印，多画图，答案自然会浮现。