Continuous random variables

歡迎來到連續隨機變量的世界！

在你的 H2 數學旅程中，你可能已經熟悉了離散隨機變量——也就是那些可以「數」出來的數值，例如擲硬幣出現正面的次數。在 進階數學 (Further Mathematics, 9649) 中，我們將進入一個「平滑」的領域：連續隨機變量 (Continuous Random Variables, CRVs)。現在，我們不再是「數數」，而是進行「測量」。試想一下你等巴士的精確時間，或者一棵樹的精確高度；這些數值可以在一個範圍內取任何值，而不僅僅是整數！

在這些筆記結束時，你將學會如何利用微積分來找出這個連續世界中的概率、平均值和離散程度。讓我們馬上開始吧！

1. 概率密度函數 (PDF)

對於離散變量，我們使用概率質量函數；而對於 CRV，我們則使用 概率密度函數 (Probability Density Function, PDF)，通常寫作 \( f(x) \)。

關鍵點： 在連續的世界裡，變量等於 某一個特定值 的概率為零，即 \( P(X = c) = 0 \)。相反，我們是計算 \( X \) 落入某個 區間 的概率。這可以透過 曲線下的面積 來表示。

PDF 的兩大黃金法則：

1. 函數值永不為負：對於所有 \( x \)，都有 \( f(x) \ge 0 \)。
2. 曲線下的總面積必須為 1：\( \int_{-\infty}^{\infty} f(x) \, dx = 1 \)。

分段函數

有時候，PDF 會被「分割」成不同的部分，這稱為 分段函數 (piecewise function)。例如：
\( f(x) = \begin{cases} kx & 0 \le x \le 2 \\ 0 & \text{其他} \end{cases} \)
要找出 \( k \)，你只需將 \( kx \) 從 0 到 2 進行積分，並將結果設為 1 即可！

快速回顧： 若要找出概率 \( P(a \le X \le b) \)，只需計算定積分：\( \int_{a}^{b} f(x) \, dx \)。

2. 平均值、方差與期望值

正如在離散統計中一樣，我們想知道數據的「平均值」和「離散程度」。由於我們處理的是連續函數，我們使用 積分 來代替求和。

平均值 (期望值)

平均值 \( E(X) \) 或 \( \mu \) 是分佈的「平衡點」。
\( E(X) = \int_{-\infty}^{\infty} x f(x) \, dx \)

方差與標準差

方差衡量數值偏離平均值的程度。
公式： \( Var(X) = E(X^2) - [E(X)]^2 \)
要找出 \( E(X^2) \)，請使用：\( \int_{-\infty}^{\infty} x^2 f(x) \, dx \)。

函數的期望值： \( E(g(X)) \)

如果你需要找出 \( X \) 的函數的期望值（例如 \( X^3 \) 或 \( \sin(X) \)），請使用此規則：
\( E(g(X)) = \int_{-\infty}^{\infty} g(x) f(x) \, dx \)

常見錯誤提示： 一個很常見的錯誤是認為 \( E(X^2) \) 等於 \( (E(X))^2 \)。這兩者截然不同！記得務必將 \( x^2 f(x) \) 的積分分開計算。

3. 眾數與中位數

除了平均值，我們還可以找出數據的其他「中心」指標。

眾數 (Mode)

眾數 是 PDF \( f(x) \) 達到 最大值 時的 \( x \) 值。
如何找出它： 在圖像上尋找最高點。如果函數是可微分的，你可以透過令 \( f'(x) = 0 \) 並檢查該點是否為最大值來找出它。

中位數 (Median)

中位數 (我們稱之為 \( m \)) 是將面積精確地平分為兩半的值（左側為 0.5，右側為 0.5）。
如何找出它： 解方程：\( \int_{-\infty}^{m} f(x) \, dx = 0.5 \)，從而求出 \( m \)。

核心總結： 平均值是「算術平均」，眾數是「最頻繁出現的值」，而中位數則是「中間值」。在偏態分佈中，這三個值通常各不相同！

4. 累積分佈函數 (CDF)

累積分佈函數 (Cumulative Distribution Function)，寫作 \( F(x) \)，告訴我們 \( X \) 小於或等於 某個特定值 \( x \) 的概率。

\( F(x) = P(X \le x) = \int_{-\infty}^{x} f(t) \, dt \)

PDF 與 CDF 之間的聯繫

將 PDF 想像成 斜率 (梯度)，將 CDF 想像成 面積。這給我們提供了一個優美的微積分關係：
1. 從 PDF 得到 CDF： 對 PDF 進行積分。
2. 從 CDF 得到 PDF： 對 CDF 進行微分：\( f(x) = \frac{d}{dx} F(x) \)。

你知道嗎？ CDF 總是以 0 開始（在最左端），並以 1 結束（在最右端），因為總概率必須累積到 1。

5. 特殊概率模型

課程大綱中規定了兩個你必須掌握的特定連續模型。

A. 均勻分佈 (Uniform / Rectangular Distribution)

這是最簡單的模型。在特定的區間 \( [a, b] \) 內，概率是恆定的。圖形看起來像一個矩形！
PDF： \( f(x) = \frac{1}{b-a} \)，其中 \( a \le x \le b \)。
平均值： \( E(X) = \frac{a+b}{2} \) (正中間)。
方差： \( Var(X) = \frac{(b-a)^2}{12} \)。

B. 指數分佈 (Exponential Distribution)

此模型經常用於表示 事件之間的時間間隔（例如顧客進入商店的時間間隔）。它取決於速率參數 \( \lambda \)。
PDF： \( f(x) = \lambda e^{-\lambda x} \)，其中 \( x \ge 0 \)。
平均值： \( E(X) = \frac{1}{\lambda} \)。
方差： \( Var(X) = \frac{1}{\lambda^2} \)。
CDF： \( F(x) = 1 - e^{-\lambda x} \)。

類比： 想像你在等待流星出現。如果它們以恆定的平均速率隨機發生，那麼你等待的時間就遵循 指數分佈。

6. 泊松分佈與指數分佈的聯繫

這是考試中最受歡迎的主題之一！離散的「泊松分佈」與連續的「指數分佈」之間存在著直接的「婚姻關係」。

如果事件發生的 次數 在固定時間區間內遵循參數為 \( \lambda \) 的 泊松分佈...
...那麼相同事件之間的 時間間隔 就遵循參數為 \( \lambda \) 的 指數分佈。

記憶小幫手：
Poisson = People (數有多少人/次數)。
Exponential = Elapsed time (測量經過的時間)。

學生檢查清單

在開始做練習題之前，確保你能：
• 證明一個函數是有效的 PDF (積分結果 = 1)。
• 使用積分計算 \( P(a < X < b) \)。
• 使用微積分在 PDF \( f(x) \) 和 CDF \( F(x) \) 之間進行轉換。
• 為任何給定的 PDF 找出平均值、方差、眾數和中位數。
• 識別並使用 均勻分佈 和 指數分佈 的公式。
• 解釋泊松分佈和指數分佈之間是如何關聯的。

如果一開始覺得積分很困難，不要擔心！專注於為積分設定正確的上下限，剩下的部分只是應用你已經熟悉的微積分規則而已。加油！