Continuous probability distributions

歡迎來到連續機率分佈的世界！

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，例如拋硬幣出現的正反面次數，或是擲骰子的點數。在本章中，我們將進入連續隨機變量 (Continuous Random Variables, CRVs) 的世界。這些變量通常用於我們需要「測量」的數值，例如巴士抵達的時間、學生的身高，或是蘋果的重量。由於測量結果可以是任何數值（例如 1.5 分鐘、1.52 分鐘，甚至是 1.5234... 分鐘），我們需要一套略有不同的工具來處理。如果剛開始覺得「數學味」很重，不用擔心，我們會一步一步為你拆解！

1. 什麼是連續隨機變量？

連續隨機變量可以在給定範圍內取任何值。與離散變量那種有明確「級數」（1, 2, 3...）的特點不同，連續變量就像一個平滑的滑梯。

機率密度函數 (PDF)
對於連續隨機變量，我們使用一個稱為 \( f(x) \) 的函數，即機率密度函數 (Probability Density Function)。這個函數描述了分佈的形狀。
重要提示：在連續分佈中，變量「恰好」等於某一個特定值的機率永遠為零 (\( P(X = c) = 0 \))。相反，我們通常關注的是 \( X \) 落入某個「範圍」內的機率。

關鍵公式：
要找出兩個數值 \( a \) 和 \( b \) 之間的機率，我們需要計算該點之間曲線下的面積 (area under the curve)，這可以透過積分來達成：
\( P(a < X \le b) = \int_{a}^{b} f(x) dx \)

有效 PDF 的規則：
1. 函數值永遠不能為負：對於所有 \( x \)，都有 \( f(x) \ge 0 \)。
2. 曲線下的總面積必須等於 1：\( \int_{-\infty}^{\infty} f(x) dx = 1 \)。

類比：想像一條長麵包。麵包的總量是 1（或 100%）。如果你想知道某一片麵包的機率，你其實是在計算該特定切片相對於整條麵包的「面積」或體積。

常見錯誤：學生常忘記對於連續隨機變量而言，\( P(X < 5) \) 與 \( P(X \le 5) \) 是完全一樣的。因為 \( X \) 恰好等於 5 的機率為零，所以是否有「等於」符號並不影響總面積！

重點總結：連續分佈中的機率，其實就是 PDF 曲線下的面積。

2. 累積分配函數 (CDF)

累積分配函數 (Cumulative Distribution Function)，記作 \( F(x) \)，告訴我們隨機變量小於或等於某個值 \( x \) 的機率。你可以把它想像成機率的「累加總和」。

如何找出 \( F(x) \)：
將 PDF 從最小值（通常是 \( -\infty \) 或 0）積分到 \( x \)：
\( F(x_0) = P(X \le x_0) = \int_{-\infty}^{x_0} f(x) dx \)

PDF 與 CDF 之間的關係：
這是在考試中非常重要的「技巧」！
1. 從 PDF 到 CDF：對 \( f(x) \) 進行積分。
2. 從 CDF 到 PDF：對 \( F(x) \) 進行微分。
\( f(x) = \frac{dF(x)}{dx} \)

快速回顧框：
- \( F(\text{最小值}) = 0 \)
- \( F(\text{最大值}) = 1 \)
- \( a \) 與 \( b \) 之間的機率：\( P(a < X < b) = F(b) - F(a) \)。

重點總結：CDF \( F(x) \) 是從圖形左側一直到點 \( x \) 的「累加面積」。

3. 平均值、變異數與期望值

就像處理離散變量一樣，我們想知道數據的「平均值」(Mean) 和「散佈程度」(Variance)。由於我們處理的是連續函數，我們使用積分來代替求和 (\( \Sigma \))。

平均值（期望值）：
\( E(X) = \mu = \int_{-\infty}^{\infty} x f(x) dx \)

變異數：
\( Var(X) = \sigma^2 = E(X^2) - [E(X)]^2 \)
其中 \( E(X^2) = \int_{-\infty}^{\infty} x^2 f(x) dx \)。

函數 \( g(X) \) 的期望值：
如果你需要計算類似 \( X^3 \) 或 \( 2X + 5 \) 的期望值，請使用：
\( E(g(X)) = \int_{-\infty}^{\infty} g(x) f(x) dx \)

你知道嗎？平均值在本質上是機率分佈的「重心」。如果你用紙板剪出 PDF 的形狀，平均值就是它能在你手指上完美平衡的位置！

重點總結：要計算平均值，請積分 \( x \times f(x) \)。計算變異數時，先求出 \( E(X^2) \)，然後減去平均值的平方。

4. 眾數、中位數與四分位數

這些統計量幫助我們從不同角度理解數據的「位置」。

1. 眾數 (Mode)：
眾數是 \( f(x) \) 達到最大值時的 \( x \) 值。
步驟：
- 對 PDF 微分：\( f'(x) \)。
- 令其為零：\( f'(x) = 0 \)。
- 解出 \( x \)（並檢查該點在範圍內是否為極大值）。

2. 中位數 (Median, \( m \))：
中位數是「中間點」。正好有 50% 的面積在左側，50% 在右側。
求法：求解 \( F(m) = 0.5 \)。

3. 百分位數與四分位數：
- 下四分位數 (\( Q_1 \))：求解 \( F(Q_1) = 0.25 \)。
- 上四分位數 (\( Q_3 \))：求解 \( F(Q_3) = 0.75 \)。
- 第 \( n \) 百分位數：求解 \( F(x) = \frac{n}{100} \)。

重點總結：眾數 = 最高峰。中位數 = 面積為 0.5 的位置。四分位數 = 面積為 0.25 和 0.75 的位置。

5. 偏度 (Skewness)

偏度告訴我們分佈的「尾部」是否被拉向某一側。

- 正偏 (Positive Skew)：尾部在右側。通常，\( \text{平均值} > \text{中位數} > \text{眾數} \)。
- 負偏 (Negative Skew)：尾部在左側。通常，\( \text{平均值} < \text{中位數} < \text{眾數} \)。
- 零偏 (Zero Skew)：分佈完美對稱。\( \text{平均值} = \text{中位數} = \text{眾數} \)。

記憶小撇步：尾巴在哪裡，偏度就在哪裡。如果尾巴指向正數（右側），就是正偏；如果指向負數（左側），就是負偏。

重點總結：在考試中，務必透過比較平均值和中位數來證明分佈的偏度。

6. 連續均勻分佈 (Continuous Uniform Distribution)

這是最簡單的連續分佈。範圍 \( [a, b] \) 內的每一個值出現的機率都相同。PDF 看起來像一個平坦的矩形。

\( X \sim U(a, b) \) 的關鍵屬性：
- PDF：對於 \( a \le x \le b \)，\( f(x) = \frac{1}{b-a} \)。
- CDF：\( F(x) = \frac{x-a}{b-a} \)（這只是該範圍內所佔的比例）。
- 平均值：\( E(X) = \frac{a+b}{2} \)（正好是範圍的中點）。
- 變異數：\( Var(X) = \frac{(b-a)^2}{12} \)。

現實例子：一個四捨五入到最近秒數的「公平」電子碼錶。捨入誤差將在 -0.5 到 +0.5 秒之間均勻分佈。

快速回顧框：
對於均勻分佈：
- PDF 的高度總是 \( 1 / \text{寬度} \)。
- 變異數公式中的數字 12 是一個數學常數——千萬別忘了！

重點總結：當特定範圍內的每一個結果都具有相同的「密度」或發生機率時，就會使用均勻分佈。

如果這些公式讓你感到吃力，請別擔心！多練習繪製 PDF 和 CDF 的草圖；一旦你能視覺化這些面積，積分就會變得合乎邏輯多了。你一定沒問題的！