欢迎来到连续分布：理解概率的“流动”！

你好，未来的统计学家！本章“连续分布”标志着我们将从计数型随机变量（离散变量，例如抛硬币正面出现的次数）过渡到测量型随机变量（连续变量，例如身高、体重或时间）。

如果涉及积分的公式让你感到害怕，请不必担心。我们将一步步拆解它们。记住，积分本质上就是求曲线下的面积，而在统计学中，曲线下的面积就代表了概率。相信自己，你一定能行！

什么是连续型随机变量（CRV）？

连续型随机变量（Continuous Random Variable, CRV），记作 \(X\)，是指在一个给定的范围内可以取任何值的变量。

  • 例子： 学生完成测试所需的时间（如 50.1 分钟、50.1003 分钟等），或者是室内的温度。
  • 与离散变量的区别： 离散变量在整数值之间跳跃（如 1, 2, 3）。而连续变量则是平滑流动的。
关键概念提醒！ 单点的概率

在连续分布中，变量取某一个精确特定值的概率始终为零。

$$P(X = x) = 0$$

为什么呢？ 想象一下，试图测量一棵树的高度，精确到无限多位小数。得到“那个精确的无限小数”的概率几乎为零。正因如此，在处理连续变量时：

$$P(a \le X \le b) = P(a < X < b) = P(a \le X < b)$$

端点处是否包含（等号）并不影响结果！这通常能简化我们的计算。

第 1 部分：概率密度函数 (PDF)

任何连续分布的核心都是它的概率密度函数 (Probability Density Function, PDF)，通常记作 \(f(x)\)。

你可以把 PDF 想象成分布的“形状”或“配方”。它描述了概率是如何在可能取值的范围内“分布”的。

PDF \(f(x)\) 的关键性质

1. 函数必须是非负的

因为 \(f(x)\) 描述的是结果的可能性，函数本身绝不能为负。

$$f(x) \ge 0 \quad \text{对所有 } x \text{ 成立}$$

2. 曲线下的总面积必须等于 1

所有可能结果的总概率必须为 1（即 100%）。用微积分术语来说，这意味着在整个定义域 \(R\) 上对 PDF 进行积分，结果必须为 1。

$$\int_R f(x) \, dx = 1$$

这个性质通常用于求给定 PDF 定义中未知的常数（如 'k'）！

利用 PDF 计算概率

变量 \(X\) 落在两个值 \(a\) 和 \(b\) 之间的概率，就是 \(f(x)\) 在这些点之间曲线下的面积。

$$P(a < X < b) = \int_a^b f(x) \, dx$$

分步操作：求概率
  1. 确定积分限： 找出你需要计算概率的下限 \(a\) 和上限 \(b\)。
  2. 积分： 计算 PDF \(f(x)\) 在这些限值之间的定积分。
  3. 求解： 将限值代入积分函数，得出最终的数值结果。

快速回顾： PDF 给出了分布的“形状”。概率始终通过计算“面积”（使用积分）来获得。

第 2 部分：累积分布函数 (CDF)

虽然 PDF 告诉你某一点的密度，但累积分布函数 (Cumulative Distribution Function, CDF)，记作 \(F(x)\)，告诉你累积到该点 \(x\) 为止的概率。

CDF \(F(x)\) 的定义

CDF 是随机变量 \(X\) 取值小于或等于某个特定值 \(x\) 的概率。

$$F(x) = P(X \le x)$$

PDF 与 CDF 的关系（积分与微分）

\(f(x)\) 与 \(F(x)\) 之间的关系正是微积分基本定理的体现：

  1. 从 PDF 到 CDF：积分 $$F(x) = \int_{-\infty}^{x} f(t) \, dt$$ （注意：在实际操作中，我们从 \(f(x)\) 有定义的最小边界（比如 \(a\)）开始积到 \(x\) 为止。）
  2. 从 CDF 到 PDF：微分 $$f(x) = F'(x) = \frac{d}{dx} F(x)$$ 这是验证你计算结果的一个绝佳技巧！

CDF 的性质

  1. 起点： CDF 从 0 开始。如果最小值是 \(a\)，那么 \(F(a) = 0\)。
  2. 终点： CDF 以 1 结束。如果最大值是 \(b\)，那么 \(F(b) = 1\)。
  3. 非递减性： 随着 \(x\) 增大，\(F(x)\) 绝不会减小（累积概率只会增加或保持不变）。

利用 CDF 计算概率

如果你已经有了 CDF，那么计算概率比积分要简单得多！

$$P(a < X < b) = F(b) - F(a)$$

类比： 如果 \(F(b)\) 是袋子里直到 \(b\) 点的面粉总重量，\(F(a)\) 是直到 \(a\) 点的重量，那么 \(F(b) - F(a)\) 就是 \(a\) 和 \(b\) 之间那部分面粉的重量。

避免常见错误

计算 CDF \(F(x)\) 时，一定要记得加上积分常数 \(C\)。然而，由于我们将积分下限定义为 \(X\) 的最小值，所以我们通常能算出 \(C=0\)。

一定要检查： 如果 \(X\) 定义在 \(x \ge a\) 上，那么设定 \(F(a) = 0\) 可以帮你求出 \(C\)。

快速回顾框

PDF (\(f(x)\))： 描述密度。使用积分求概率。

CDF (\(F(x)\))： 描述累积概率。使用减法 (\(F(b) - F(a)\)) 求概率。

第 3 部分：期望、方差与中位数

期望（均值）

期望或均值，记作 \(E(X)\) 或 \(\mu\)，是随机变量的长期平均值。它是分布的“平衡点”。

就像离散变量中我们计算 \(\sum x P(X=x)\) 一样，这里我们将求和替换为积分，并将概率 \(P(X=x)\) 替换为密度函数 \(f(x)\)。

$$E(X) = \mu = \int x f(x) \, dx$$

函数的期望

如果你需要求 \(X\) 的某个函数 \(g(X)\) 的期望：

$$E(g(X)) = \int g(x) f(x) \, dx$$

最重要的情况是通过设定 \(g(x) = x^2\) 来求 \(E(X^2)\)：

$$E(X^2) = \int x^2 f(x) \, dx$$

方差

方差，\(\text{Var}(X)\)，衡量分布在均值附近的散布或离散程度。

其公式与离散变量完全相同：

$$\text{Var}(X) = E(X^2) - [E(X)]^2$$

标准差为 \(\sigma = \sqrt{\text{Var}(X)}\)。

中位数 (m)

中位数 \(m\) 是将分布平分为两半的数值。一半的概率质量在它之下，另一半在它之上。

因此，中位数 \(m\) 满足：

$$P(X \le m) = 0.5$$

你可以通过解以下任一方程来找到中位数：

$$\int_{-\infty}^{m} f(x) \, dx = 0.5 \quad \text{或} \quad F(m) = 0.5$$

提示：如果你已经算出了 \(F(x)\)，使用 CDF 方法 \(F(m) = 0.5\) 几乎总是更简单。

第 4 部分：连续均匀分布（矩形分布）

连续均匀分布是最简单的连续分布。它假设随机变量在定义的区间内取任何值的可能性相等，但在区间外不存在。

我们将其记作：$$X \sim U(a, b)$$ 其中 \(a\) 是最小值，\(b\) 是最大值。

\(U(a, b)\) 的 PDF

因为概率是“均匀”（平摊）分布的，PDF 看上去像一个矩形。

矩形的高度 \(f(x)\) 必须保证总面积为 1。宽度为 \((b-a)\)。

$$f(x) = \frac{1}{\text{宽度}} = \frac{1}{b-a} \quad \text{对于 } a \le x \le b$$ $$f(x) = 0 \quad \text{其他情况}$$

在均匀分布中计算概率

对于均匀分布，计算概率不需要积分！因为形状是矩形，概率仅仅是：

$$P(x_1 < X < x_2) = \text{高} \times \text{宽}$$ $$P(x_1 < X < x_2) = \left(\frac{1}{b-a}\right) \times (x_2 - x_1)$$

\(U(a, b)\) 的 CDF

CDF 是 \(a\) 和 \(b\) 之间的一条递增直线。

  • 对于 \(x < a\)，\(F(x) = 0\)
  • 对于 \(a \le x \le b\)，$$F(x) = \frac{x-a}{b-a}$$
  • 对于 \(x > b\)，\(F(x) = 1\)

均值与方差的快速公式

识别出均匀分布的一大优势在于，你可以直接使用这些快捷公式，而不必进行复杂的 \(xf(x)\) 和 \(x^2f(x)\) 积分运算。

均值（期望）

均值就是区间的中心点。

$$E(X) = \mu = \frac{a+b}{2}$$

方差

$$\text{Var}(X) = \frac{(b-a)^2}{12}$$

记忆技巧： 方差公式中包含 12，是因为 12 是同时能被 3 和 4 整除的最小整数，而 3 和 4 在计算均匀分布的 \(E(X)\) 和 \(E(X^2)\) 时会出现在积分过程中。记住这个迷人的数字 12 就行了！

最终复习与要点总结

连续分布习题检查清单

  1. 识别函数： 是通用 PDF（需要积分）还是均匀分布（可以使用面积法/快捷公式）？
  2. 总面积检查： 务必确认 \(\int f(x) \, dx = 1\)。如果定义中有常数 (k)，先把它找出来！
  3. 概率： 若使用 PDF，则对 \(f(x)\) 积分。若使用 CDF，则相减 \(F(b) - F(a)\)。
  4. 均值/方差： 记住使用公式 \(E(X) = \int x f(x) \, dx\)，然后使用 \(\text{Var}(X) = E(X^2) - [E(X)]^2\)。

你知道吗？ 你之后可能学习的正态分布也是一种连续分布。它大概是统计学中最著名的曲线！它的 PDF 非常复杂，这就是为什么我们依靠统计表或计算器来求其概率，而不是直接积分。

继续练习你的积分技巧！ 在统计学 2 中，数学往往只是应用微积分。概念是逻辑性的，而执行力需要通过练习来提升。你正在掌握代数、微积分与现实世界统计学之间复杂的联系。做得好！


*** 学习笔记结束 ***