連續隨機變數簡介
歡迎來到這個章節！在之前的學習中，你已經接觸過離散隨機變數——也就是那些可以數得出來的東西，例如擲硬幣出現的正反面次數，或是班上學生的人數。現在，我們將進入連續隨機變數 (Continuous Random Variables, CRVs) 的世界。這類變數可以在某個範圍內取任何數值，例如時間、身高或體重。與其用一連串的機率列表，我們改用一條「平滑曲線」來描述它們。如果一開始覺得有點抽象，別擔心；我們將會運用微積分來解開這些數據背後的規律！
1. 機率密度函數 (pdf)
機率密度函數 (Probability Density Function)，寫作 \(f(x)\)，是用來描述連續分佈形狀的函數。你可以把它想像成一座「機率小山」。某一點的「山」越高，該處的機率就越「密集」。
pdf 的兩大黃金法則
要成為有效的 pdf，函數必須遵循以下兩項規則：
1. 非負值： 圖形絕不能低於 x 軸。數學表達式為：對於所有 \(x\)，\(f(x) \ge 0\)。
2. 總面積為 1： 曲線下方的總面積必須精確等於 1。這是「所有機率總和為 1」在連續情況下的版本。
\(\int_{-\infty}^{\infty} f(x) \, dx = 1\)
小撇步： 大多數考試題目給你的函數只會在兩個數值之間（例如 0 到 5）是非零的。你只需要在那兩個特定的極限範圍內進行積分即可！
你知道嗎？ 對於一個連續變數，變數值恰好等於某個特定數值（例如 \(P(X = 2.5)\)）的機率其實是 零！我們只能測量變數落入某個範圍內的機率。
重點摘要： CRV 的機率由曲線下的面積來表示。沒有面積 = 沒有機率！
2. 計算機率
既然機率就是面積，我們可以使用積分來找出 \(X\) 落入 \(a\) 和 \(b\) 之間數值的機率。
公式： \(P(a < X < b) = \int_{a}^{b} f(x) \, dx\)
計算機率的步驟：
1. 找出函數 \(f(x)\) 以及你感興趣的範圍。
2. 設定積分，將下限放在積分符號下方，上限放在上方。
3. 對函數進行積分。
4. 代入數值並計算出最終面積。
範例：如果一個變數的 pdf 為 \(f(x) = \frac{1}{8}x\)，範圍在 \(0 \le x \le 4\)，要計算 \(P(1 < X < 3)\)，你只需計算 \(\int_{1}^{3} \frac{1}{8}x \, dx\)。
3. 期望值 (平均值) 與變異數
就像離散數據一樣，我們會想知道數據的「平均」值以及數據有多「分散」。
期望值 \(E(X)\)
期望值（或稱平均值，\(\mu\)）是分佈的平衡點。
公式： \(E(X) = \int_{-\infty}^{\infty} x f(x) \, dx\)
變異數 \(Var(X)\)
變異數是用來衡量分散程度的。計算時通常先算出 \(E(X^2)\) 會比較容易。
步驟 1： 找出 \(E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) \, dx\)
步驟 2： 使用變異數公式：\(Var(X) = E(X^2) - [E(X)]^2\)
記憶小幫手： 對於變異數，請記住：「平方的平均值減去平均值的平方」。
4. 眾數、中位數與百分位數
有時候，我們想找出數據小山中的特定「臨界點」。
眾數
眾數就是使 pdf \(f(x)\) 達到最大值的 \(x\) 值。你可以透過觀察圖形，或是使用微分找出駐點（如果是曲線的話）來求得。
中位數與百分位數
中位數 (\(m\)) 是左側面積恰好為 0.5 的那個數值。
解出 \(m\)： \(\int_{-\infty}^{m} f(x) \, dx = 0.5\)
若要求第 90 百分位數，只需將積分結果設為 0.9 而非 0.5 即可。
重點摘要： 中位數將總面積平分為兩個各佔 0.5 的區域。
5. 累積分布函數 (cdf)
累積分布函數 (Cumulative Distribution Function)，寫作 \(F(x)\)，告訴你變數小於或等於某個數值 \(x\) 的機率。
公式： \(F(x) = P(X \le x) = \int_{-\infty}^{x} f(t) \, dt\)
兩者的關聯橋樑
這是你考試中至關重要的概念：
• 從 pdf 到 cdf：積分 (Integrate)。
• 從 cdf 到 pdf：微分 (Differentiate) (\(f(x) = F'(x)\))。
常見錯誤提醒： 在進行積分求 cdf 時，千萬別忘了積分常數 (\(+ c\))！你可以利用累積機率在範圍起點必須為 0、終點必須為 1 的特性來求出 \(c\)。
6. 特殊連續模型
課程大綱中強調了幾個你需要熟悉的關鍵連續模型。
連續均勻（矩形）分佈
這指的是範圍 \([a, b]\) 內的每個數值發生的機率皆相等。圖形是一個平坦的矩形。
關鍵公式（通常會提供在公式手冊中）：
\(E(X) = \frac{a+b}{2}\)
\(Var(X) = \frac{1}{12}(b-a)^2\)
常態分佈
在本單元中，我們將 A Level 的知識擴展到常態變數的線性組合。如果 \(X\) 和 \(Y\) 是獨立的常態變數，那麼它們的任何組合（例如 \(X + Y\) 或 \(2X - 3Y\)）也同樣是常態分佈。
• 平均值： \(E(aX + bY) = aE(X) + bE(Y)\)
• 變異數： \(Var(aX + bY) = a^2Var(X) + b^2Var(Y)\)（注意：合併獨立變數時，變異數永遠是相加的，即使變數本身是相減的！）
評估常態性：常態機率圖
常態機率圖 (Normal probability plot) 是一種圖形方法，用來評估一組數據是否合理地可以用常態分佈來建模。
• 如果數據來自常態母體，繪製出的點將大致落在同一條直線上。
• 系統性的彎曲（例如 S 形或明顯的曲線）表示數據偏離常態分佈，顯示出偏態或厚尾等特徵。
7. 中央極限定理 (CLT)
中央極限定理 (Central Limit Theorem) 是統計學中最強大的結果之一。它讓我們即使在母體並非呈常態分佈的情況下，仍能將常態分佈應用於樣本平均值。
定理敘述： 若從任何具有平均值 \(\mu\) 及有限變異數 \(\sigma^2\) 的母體分佈中抽取大小為 \(n\) 的隨機樣本，當 \(n\) 變得足夠大時（通常為 \(n \ge 30\)），樣本平均值 \(\bar{X}\) 的分佈將近似於常態分佈：
近似於 \(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\)。
• 如果母體本身已經是常態分佈，則對於任何樣本大小 \(n\)，\(\bar{X}\) 都會嚴格呈常態分佈。
• 如果母體並非常態分佈，CLT 能確保隨著 \(n\) 的增大，\(\bar{X}\) 會逐漸趨近於常態分佈。
複習速查表：
- pdf \(f(x)\)：代表「高度」（積分可得面積/機率）。
- cdf \(F(x)\)：代表面積的「累計總額」。
- 常態機率圖：直線表示良好的常態分佈擬合。
- CLT：當 \(n\) 很大時，樣本平均值 \(\bar{X} \approx N(\mu, \sigma^2/n)\)。
總結：融會貫通
當處理連續隨機變數問題時，請務必問自己：「我現在看的是 pdf (形狀) 還是 cdf (目前的累計值)？」使用積分來求取機率、平均值和中位數；使用微分來找出眾數，或是從 cdf 反推回 pdf。處理樣本數據時，使用常態機率圖來評估常態模型是否合適；而在分析大樣本的樣本平均值分佈時，則調用中央極限定理。保持積分極限清晰，並記住總面積必須永遠等於 1。你可以做到的！