歡迎來到連續隨機變量的世界！
在之前的學習中，你可能已經接觸過離散隨機變量 (Discrete Random Variables)——即可以數出來的數據，例如拋十次硬幣出現的正反面次數，或是擲骰子的結果。在這章中，我們將進入數學的「平滑」領域：連續隨機變量 (Continuous Random Variables, CRVs)。
想像一下，測量水壺燒開所需的精確時間，或是學校每位學生的精確身高。這些數字不只是整數，它們可以是範圍內的任何值（例如 165.234 cm）。由於這些數值有無限多種可能，我們需要藉助微積分來幫助我們計算概率。如果剛開始覺得有點複雜也不用擔心——只要看出當中的規律，它其實就跟一般的積分和微分沒什麼兩樣！
1. 什麼是概率密度函數 (PDF)？
由於連續變量可以取無限多的數值，它落在「某個特定點」（例如正好是 1.500000... cm）的概率其實是零。因此，我們改為探討數值落在某個範圍內的概率。
我們使用概率密度函數 (Probability Density Function) 來表示，記作 \( f(x) \)。
PDF 的兩大金科玉律
任何函數要成為有效的 PDF，必須遵循以下兩條規則：
1. 不能為負：對於所有 \( x \)，皆有 \( f(x) \geq 0 \)。 (概率「密度」是不可能為負的！)
2. 總面積必須為 1：所有概率的總和必須等於 100%。用微積分的術語來說：\( \int_{-\infty}^{\infty} f(x) \, dx = 1 \)。
快速複習：如果考試題目要求你「找出常數 \( k \)」，只需將函數在給定的範圍內進行積分，設其等於 1，然後解出 \( k \) 即可。
2. 累積分佈函數 (CDF)
如果 PDF 告訴我們某個特定點的「密度」，那麼累積分佈函數 (Cumulative Distribution Function)（記作 \( F(x) \)）則告訴我們截至該點為止的「累積」概率。
比喻：如果 PDF 就像水滴入桶中的速度，那麼 CDF 就是在時間 \( x \) 時桶內水的總量。
在 PDF 與 CDF 之間轉換
這就是展現你微積分功力的時候了：
• 從 PDF 得到 CDF：積分！ \( F(x) = \int_{-\infty}^{x} f(t) \, dt \)
• 從 CDF 得到 PDF：微分！ \( f(x) = \frac{d}{dx} F(x) \)
重點提示：對於任何 CDF，\( F(x) \) 在範圍起點處總為 0，在範圍終點處總為 1。
3. 計算概率
要找出 \( X \) 落在兩個數值 \( a \) 和 \( b \) 之間的概率，你需要求出這兩點之間曲線下的面積。
\( P(a < X < b) = \int_{a}^{b} f(x) \, dx \)
或者，如果你已經有了 CDF：
\( P(a < X < b) = F(b) - F(a) \)
你知道嗎？在連續分佈中，\( P(X \leq a) \) 和 \( P(X < a) \) 是完全一樣的。因為落在特定一點的概率為零，所以是否有「等於」符號並不影響面積！
4. 期望值與方差
就像離散變量一樣，我們同樣希望找出數據的「平均值」（期望值 Mean）和「離散程度」（方差 Variance）。
期望值 (Expectation)
平均值，即 \( E(X) \)，是該分佈的重心。
\( E(X) = \int_{-\infty}^{\infty} x f(x) \, dx \)
方差 (Variance)
方差衡量數值偏離平均值的程度。
1. 首先，找出 \( E(X^2) \)：\( E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) \, dx \)
2. 然後使用公式：\( Var(X) = E(X^2) - [E(X)]^2 \)
常見錯誤：別忘了在方差公式的最後要減去平均值的平方！在考試壓力下，這是一個非常容易犯的錯誤。
5. 中位數與百分位數
中位數 (Median, \( m \)) 是指左側佔總概率 50%、右側也佔 50% 的數值。
要找出中位數，請解以下方程的 \( m \)：
\( F(m) = 0.5 \) 或 \( \int_{-\infty}^{m} f(x) \, dx = 0.5 \)
對於任何其他百分位數（例如第 75 百分位數或上四分位數），只需將 CDF 設為該小數值（例如 0.75）並解出 \( x \) 即可。
6. 隨機變量的函數
有時課程大綱會要求你找出一個依賴於 \( X \) 的「新」變量的分佈。例如，如果 \( X \) 是正方形的邊長，那麼面積 \( Y = X^2 \) 的分佈是什麼？
步驟拆解（CDF 方法）：
1. 從 Y 的 CDF 開始：寫下 \( G(y) = P(Y \leq y) \)。
2. 代入：將 \( Y \) 替換為 \( X \) 的函數。（例如 \( P(X^2 \leq y) \)）。
3. 重組：將 \( X \) 單獨留在不等式一側。（例如 \( P(X \leq \sqrt{y}) \)）。
4. 聯繫到 X：這現在就是 \( X \) 的 CDF 了，即 \( F_X(\sqrt{y}) \)。
5. 微分：一旦有了新的 CDF，對其進行微分即可得到新的 PDF，即 \( g(y) \)。
核心觀念：當進行變量變換時，務必先處理累積分佈（積分）。直接跳到 PDF 通常會導致錯誤！
總結清單
• 我的 \( f(x) \) 下的總面積等於 1 嗎？
• 要從 PDF 轉換到 CDF，我的積分正確且加上積分限了嗎？
• 在找中位數時，我有沒有設 \( F(x) = 0.5 \)？
• 計算方差時，我有沒有記得減去平均值的平方？
你一定做得到！連續隨機變量只是用微積分來描述現實中「平滑」世界的一種方式。繼續練習積分，其餘的自然會迎刃而解。