欢迎来到单变量随机变量！

你好！如果你正在准备 Exam P，你应该已经意识到概率绝不仅仅是抛硬币或掷骰子那么简单。在精算科学的世界里，我们需要一套方法将现实世界中的不确定性转化为数学模型以便进行分析。这正是随机变量（Random Variables）的用途！请将本章视为你大厦的地基——只要掌握了这些变量的运作方式，Exam P 中其他所有内容都会迎刃而解。如果刚开始觉得有些抽象，请不用担心；我们会一步一步为你拆解。

1. 什么是随机变量 (RV)？

简单来说，随机变量是一个将随机试验的结果赋予数值的规则。我们不再说“结果是正面”，而是说 \(X = 1\)。我们不再说“保险索赔金额很大”，而是说 \(X = \$50,000\)。

\n\n

对于 Exam P，你需要掌握两类主要的随机变量：

\n

1. 离散型随机变量（Discrete Random Variables）： 这些代表“可数”的对象。你可以把它们想象成梯级。例如：一年内发生的车祸次数（0, 1, 2...）或考试及格的人数。
\n2. 连续型随机变量（Continuous Random Variables）： 这些代表“可测量”的对象。它们可以在一个范围内取任何值。你可以把它们想象成平滑的滑梯。例如：发生索赔前的精确时间，或索赔的确切金额（例如：$1,250.42）。

快速复习：

• 离散型 = 计数 (0, 1, 2...)
• 连续型 = 测量 (任何数值，如 1.572...)

2. 概率质量函数 (PMF) - 针对离散型变量

对于离散型变量，我们使用概率质量函数 (PMF)，通常写作 \(p(x)\) 或 \(P(X = x)\)。它告诉我们变量等于某个特定数值的确切概率。

PMF 的两大黄金法则：
1. 每个单独的概率必须介于 0 到 1 之间： \(0 \le P(X = x) \le 1\)。
2. 所有概率的总和必须恰好等于 1： \(\sum P(X = x) = 1\)。

范例：如果一个变量 X 可以是 1、2 或 3，且 \(P(X=1) = 0.2\)，\(P(X=2) = 0.5\)，那么 \(P(X=3)\) 必须是 0.3，因为它们的总和必须为 1。

3. 概率密度函数 (PDF) - 针对连续型变量

这是事情变得比较“数学化”的地方。对于连续型变量，变量取某个精确数值（例如刚好 1.00000... 秒）的概率实际上为 0。相反，我们关注的是区间内的密度（density）。

概率密度函数 (PDF) 表示为 \(f(x)\)。要找出 \(X\) 落在 \(a\) 和 \(b\) 之间的概率，我们需要计算该区间在曲线下的面积，这通常通过积分来实现：

\(P(a \le X \le b) = \int_{a}^{b} f(x) dx\)

PDF 的两大黄金法则：
1. 函数值永远不能为负： \(f(x) \ge 0\)。
2. 整个曲线下的总面积必须等于 1： \(\int_{-\infty}^{\infty} f(x) dx = 1\)。

常见错误警示！

在离散型的 PMF 中，\(P(X=x)\) 就是概率。但在连续型的 PDF 中，\(f(x)\) **不是**概率，它是一个高度（密度）。只要曲线下的总面积保持为 1，\(f(x)\) 的值是可以大于 1 的！

4. 累积分配函数 (CDF)

累积分配函数 (CDF)，写作 \(F(x)\)，就像是概率的“累计总和”。它告诉你随机变量小于或等于某个特定值的概率。

定义： \(F(x) = P(X \le x)\)

为什么 CDF 这么有用？
它让我们无需每次都重新进行积分，就能计算出变量落在某个范围内的概率：
\(P(a < X \le b) = F(b) - F(a)\)

记忆小贴士：CDF 中的“C”

你可以把 CDF 想成 Collecting（收集）或 Cumulating（累积）。它收集了从图表左侧一直到点 \(x\) 的所有概率。

任何 CDF 的关键属性：

• 它总是从 0 开始（在最左侧： \(F(-\infty) = 0\)）。
• 它总是结束于 1（在最右侧： \(F(\infty) = 1\)）。
• 它永远不会下降；它是非递减的。当你向右移动时，你会“收集”更多的概率。

你知道吗？ 在保险领域，CDF 被用于计算索赔金额低于特定免赔额（deductible）的概率！

5. 连接 PDF 与 CDF

如果你喜欢微积分，你会喜欢这部分。PDF 和 CDF 是同一件事的两个面向。你可以通过积分**和**微分**在两者之间转换。

1. 从 PDF 获得 CDF： 对 PDF 从最小值积分到 \(x\)。
\(F(x) = \int_{-\infty}^{x} f(t) dt\)

2. 从 CDF 获得 PDF： 对 CDF 求导。
\(f(x) = \frac{d}{dx} F(x)\)

步骤教学：从 PDF 求 CDF

假设给定 \(f(x) = 2x\)，且 \(0 < x < 1\)。
1. 建立积分式： \(\int_{0}^{x} 2t dt\)。
2. 积分： \([t^2]\) 从 \(0\) 到 \(x\)。
3. 计算： \(x^2 - 0^2 = x^2\)。
4. 完整定义 CDF：
\(F(x) = 0\)，当 \(x < 0\) 时
\(F(x) = x^2\)，当 \(0 \le x \le 1\) 时
\(F(x) = 1\)，当 \(x > 1\) 时

6. 总结与最后建议

重点摘要：
• PMF/PDF 提供的是“点”或“密度”视角。
• CDF 提供的是“累积到该点”的视角。
• 对于离散型变量，使用加总 (\(\Sigma\))。
• 对于连续型变量，使用积分 (\(\int\))。
• 务必检查你的总概率（总和或积分）是否等于 1。如果不等于，你很可能在计算上出错了。

别忘了： 在连续型分布中，\(P(X < x)\) 与 \(P(X \le x)\) 是一样的，因为变量等于精确 \(x\) 的概率为零。但这对于离散型变量并不适用，所以处理离散问题时，请务必留意题目使用的是 "<" 还是 "\(\le\)"！

你做得很好！这些概念是你解决 Exam P 中几乎所有问题的工具。请多练习在 PDF 和 CDF 之间进行转换，直到这变成你的直觉为止。