Continuous random variables (CRVs)

歡迎來到連續隨機變數的世界！

在之前的學習中，你可能已經接觸過離散隨機變數 (Discrete Random Variables)——即那些可以數得出來的數值，比如拋硬幣出現的正反面次數，或是擲骰子的結果。在這一章，我們將進入連續隨機變數 (Continuous Random Variables, 簡稱 CRV) 的領域。這些變數處理的是在一定範圍內可以取任何數值的數據，例如燒開一壺水所需的時間、樹木的高度，或是蘋果的精確重量。

如果起初覺得這些概念有些抽象，別擔心！你可以把它想像成從「樓梯」（你只能站在特定的階梯上）過渡到「平滑的斜坡」（你可以在任何高度站立）。我們會運用一些微積分來求取機率，但我們會一步步帶你拆解。

1. 機率密度函數 (Probability Density Function, pdf)

對於連續隨機變數，我們使用一個稱為機率密度函數 (pdf) 的函數，記作 \(f(x)\)。這個函數描述了分佈的形狀。

黃金法則：要讓 \(f(x)\) 成為一個有效的 pdf，必須同時滿足兩點：
1. 函數值永不為負：對於所有的 \(x\)，\(f(x) \geq 0\)。
2. 曲線下的總面積必須等於 1。數學上即：\(\int_{-\infty}^{\infty} f(x) dx = 1\)。

比喻：雨量計

想像一個形狀特殊的雨量計，它總共能容納的總水量正好是 1 公升。雨量計在任何一點的高度就像是 \(f(x)\)。若要找出特定區域有多少「機率水」，你只需計算該區域的面積即可。

重點複習：
- 離散：機率是特定點上的數值。
- 連續：機率是曲線下的面積。
- 關鍵事實：連續隨機變數等於精確某一點的機率為零！\(P(X = 5) = 0\)。我們只測量區間，例如 \(P(4.9 < X < 5.1)\)。

2. 在區間內求機率

若要找出觀測值介於 \(a\) 和 \(b\) 之間的機率，我們使用積分 (integration) 來計算該區間內曲線下的面積。

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

逐步操作：

1. 確認你感興趣的範圍 \([a, b]\)。
2. 建立函數 \(f(x)\) 在這些上下限之間的積分。
3. 進行積分並求解！

常見錯誤：遺漏了積分限。務必檢查函數定義的範圍。如果函數定義在 \(0 < x < 4\)，而題目問的是 \(P(x > 3)\)，你的積分範圍應該是從 3 到 4，而不是 3 到無限大！

3. 平均數的度量：期望值與中位數

就像處理離散數據一樣，我們需要找到連續隨機變數的「中心」。

期望值 (Mean / Expected Value)

期望值 (Mean)，即 \(E(X)\)，代表機率分佈的「平衡點」。其公式為：
\(E(X) = \int x f(x) dx\)

（提示：在積分之前，只需將你的函數乘以 \(x\) 即可！）

中位數與四分位數

中位數 (Median, \(m\)) 是指左側佔總面積 50%、右側也佔 50% 的數值。要找到它，請解以下方程式中的 \(m\)：
\(\int_{-\infty}^{m} f(x) dx = 0.5\)

同理：
- 對於下四分位數 (Lower Quartile, \(Q_1\))，面積為 0.25。
- 對於上四分位數 (Upper Quartile, \(Q_3\))，面積為 0.75。

你知道嗎？中位數是「公平切割」點。如果 pdf 是一個蛋糕，中位數就是你切割的位置，讓兩個人剛好分到同樣多的蛋糕！

4. 離散度的度量：變異數與標準差

為了觀察數據的分散程度，我們計算變異數 (Variance) 和標準差 (Standard Deviation)。

變異數公式

\(Var(X) = E(X^2) - [E(X)]^2\)

為了求出 \(E(X^2)\)，我們使用與期望值類似的積分，但將 \(x\) 替換為 \(x^2\)：
\(E(X^2) = \int x^2 f(x) dx\)

記憶口訣：「平方的期望值減去期望值的平方」。

標準差

標準差 (Standard Deviation) 就是變異數的平方根：\(\sigma = \sqrt{Var(X)}\)。

關鍵步驟：
1. 利用 \(\int x f(x) dx\) 求出 \(E(X)\)。
2. 利用 \(\int x^2 f(x) dx\) 求出 \(E(X^2)\)。
3. 將結果代入變異數公式。

5. 函數的期望值：\(E(g(X))\)

有時候，我們感興趣的不僅是 \(X\)，而是 \(X\) 的某個函數，例如 \(X^3\) 或 \(1/X\)。課程要求你處理諸如 \(5X^3\)、\(18X^{-3}\) 或 \(6X^{-1}\) 這類函數。

規則很簡單：將期望值公式中的 \(x\) 替換為你的新函數 \(g(x)\)：
\(E(g(X)) = \int g(x) f(x) dx\)

範例：若要計算 \(E(18X^{-3})\)，你需要計算 \(\int (18x^{-3}) f(x) dx\)。

6. 線性變換

如果我們改變數據的刻度該怎麼辦？例如，將攝氏溫度 \(X\) 轉換為新的刻度 \(aX + b\)。我們可以使用這些好用的「捷徑」規則：

對於期望值： \(E(aX + b) = aE(X) + b\)
（平均數的平移與伸縮正如你所預期。）

對於變異數： \(Var(aX + b) = a^2 Var(X)\)
（加上 \(b\) 不會改變分散程度；而縮放因子 \(a\) 會使變異數增加 \(a^2\) 倍，因為變異數是「平方」單位。）

快速複習框：
若 \(E(X) = 10\) 且 \(Var(X) = 4\)：
- \(E(2X + 5) = 2(10) + 5 = 25\)
- \(Var(2X + 5) = 2^2 \times 4 = 16\)

7. 獨立隨機變數

如果你有兩個隨機變數 \(X\) 和 \(Y\)，且它們是獨立的（意味著一個變數的結果不會影響另一個），你可以輕鬆地結合它們的期望值與變異數。

期望值的和： \(E(X + Y) = E(X) + E(Y)\)
變異數的和： \(Var(X + Y) = Var(X) + Var(Y)\)

重要提示：這個變異數規則僅在變數獨立時成立！此外，即使你是進行減法計算（即求 \(Var(X - Y)\)），你依然要將變異數相加，因為當你結合兩個變數時，不確定性（分散程度）總是會增加！

總結表：關鍵公式

總機率： \(\int f(x) dx = 1\)
期望值 \(E(X)\)： \(\int x f(x) dx\)
\(E(X^2)\)： \(\int x^2 f(x) dx\)
變異數 \(Var(X)\)： \(E(X^2) - [E(X)]^2\)
中位數 \(m\)： 解 \(\int_{-\infty}^{m} f(x) dx = 0.5\)

最後小撇步：如果可以的話，試著畫出函數圖形！這有助於你視覺化面積，並檢查你計算出的平均數或中位數在圖表上看起來是否「合理」。