單元 S2：統計學 2 – 連續隨機變量
你好，統計學家！連續分佈入門
歡迎來到 S2 最核心的章節之一：連續隨機變量 (Continuous Random Variables, CRV)。如果看到涉及積分的公式讓你感到畏懼，別擔心——這一章其實就是讓你運用微積分技巧（積分與微分）來解決概率問題！我們現在將超越簡單的計數（離散變量），轉而測量如時間、高度和溫度等數值。
為什麼這很重要？ 現實世界中的現象通常不會整齊地落在可數的區間內。如果你測量一顆電池的壽命，它可以是 100.5 小時、100.51 小時或 100.5103 小時。CRV 能幫助我們準確地為這些情況建立模型。
1. 理解連續隨機變量 (CRVs)
什麼是連續變量？
一個隨機變量（我們稱為 \(X\)）如果是連續的，代表它可以在指定的範圍（區間）內取任何值。與離散變量不同（離散變量中 \(X\) 只能取 0, 1, 2, 3...），CRV 在任意兩點之間可以取無限多個值。
例子： 顧客在隊伍中的等待時間 \(T\)。\(T\) 可以是 2 分鐘、2.3 分鐘、2.3001 分鐘等。
關鍵區別：單點概率
這是一個學生經常混淆的關鍵概念：
由於存在無限多個可能的值，連續變量取任何精確特定值的概率始終為零。
$$P(X = x) = 0$$
類比： 試想你要射中一條長線上的一個點。射中那個極其微小、沒有寬度的點的機會是零。
這對計算意味著什麼：
$$P(a < X < b) = P(a \leq X \leq b) = P(a < X \leq b)$$
端點是否包含在內並不重要，因為 \(P(X=a)=0\) 且 \(P(X=b)=0\)。
重點總結： CRV 處理的是區間，而概率是透過測量曲線下的面積來求得的，而不是將個別點相加。
2. 概率密度函數 (PDF), \(f(x)\)
由於我們無法為單個點指定概率，我們使用一個函數 \(f(x)\) 來描述概率如何在可能值的範圍內分佈。這就是概率密度函數 (Probability Density Function, PDF)。
有效 PDF 的屬性
對於任何函數 \(f(x)\)，要成為隨機變量 \(X\) 的有效 PDF，必須符合：
- 非負性： 在其範圍內，函數對於任何 \(x\) 的值都不得為負。（概率不可能是負的！）
$$f(x) \geq 0 \text{ 對所有 } x$$ - 總面積為一： 整個曲線下的總面積必須等於 1（代表所有可能結果的 100%）。
$$\int_{-\infty}^{\infty} f(x) dx = 1$$ 注意：由於大多數 PDF 只定義在特定區間，例如 \([a, b]\)，這通常簡化為： $$\int_{a}^{b} f(x) dx = 1$$
使用 PDF 計算概率
變量 \(X\) 落在 \(a\) 和 \(b\) 之間的概率，就是 PDF 曲線在這些限制之間的面積。
$$P(a < X < b) = \int_{a}^{b} f(x) dx$$
逐步範例：求常數 'k'
假設 PDF 定義為 \(f(x) = kx\)，其中 \(0 \leq x \leq 2\)，其餘為 0。
- 應用總面積規則： 定義範圍內的積分必須等於 1。
- $$\int_{0}^{2} kx \ dx = 1$$
- 積分： $$ \left[ \frac{kx^2}{2} \right]_{0}^{2} = 1 $$
- 代入上下限： $$ \left( \frac{k(2)^2}{2} \right) - \left( \frac{k(0)^2}{2} \right) = 1 $$ $$ 2k - 0 = 1 $$
- 解出 k： $$ k = \frac{1}{2} $$
你知道嗎？ 概率密度的概念正是我們使用積分的原因。積分就是專為測量曲線下方的面積而設計的數學工具！
常見錯誤： 忘記檢查積分限。務必使用該 PDF 定義的特定範圍來進行計算。
重點總結： PDF \(f(x)\) 告訴我們分佈的形狀。概率即面積，透過積分計算得出。
3. 累積分布函數 (CDF), \(F(x)\)
累積分布函數 (Cumulative Distribution Function, CDF), \(F(x)\)，給出隨機變量 \(X\) 小於或等於特定值 \(x\) 的概率。
$$F(x) = P(X \leq x)$$
從 PDF 計算 CDF
要找到 \(F(x)\)，你需要從最小值積分到點 \(x\)。我們使用 \(t\) 作為積分變量，以避免與上限 \(x\) 混淆。
$$F(x) = \int_{\text{最小值}}^{x} f(t) dt$$
重要要求：分段定義 \(F(x)\)
CDF 必須對所有實數定義，因此它通常需要三個部分：
- $$F(x) = 0 \text{ 當 } x < \text{下界}$$
- $$F(x) = \int f(t) dt \text{ 當 } \text{下界} \leq x \leq \text{上界}$$
- $$F(x) = 1 \text{ 當 } x > \text{上界}$$
使用 CDF 尋找概率
如果你已有 CDF，計算區間概率會快得多，通常可以避免進一步的積分：
$$P(a < X < b) = F(b) - F(a)$$
反向過程：從 CDF 求 PDF
由於 CDF 是 PDF 的積分，PDF 必然是 CDF 的導數！
$$f(x) = \frac{d}{dx} F(x) = F'(x)$$
技巧： 記住積分（求 CDF）和微分（求 PDF）是互逆運算，就像在純數中一樣。
重點總結： CDF 是概率的滾動總和。它總是從 0 開始，並以 1 結束。
4. 位置測量（眾數、中位數、平均數）
這些指標告訴我們分佈集中在哪裡或在哪裡達到峰值。
4.1 眾數 (Mode)
眾數是概率密度函數 \(f(x)\) 達到最大值時的 \(x\) 值（曲線的峰值）。
- 如果 \(f(x)\) 是一個簡單函數（如二次或三次函數），你可以通過令一階導數為零來找到眾數：\(f'(x) = 0\)，並確認它是範圍內的最大值。
- 如果 \(f(x)\) 是分段函數，你必須檢查邊界處以及函數範圍內 \(f(x)\) 的最大值。
4.2 中位數 (Median, \(m\))
中位數 \(m\) 是將分佈精確平分為二的值。50% 的概率位於 \(m\) 以下，50% 位於 \(m\) 以上。
我們通過求解以下其中一個方程來找到中位數 \(m\)：
- 使用 CDF：$$F(m) = 0.5$$
- 使用 PDF：$$\int_{\text{下界}}^{m} f(x) dx = 0.5$$
別擔心！ 如果你已經計算出 CDF，使用它通常會更快。
4.3 平均數（期望值, \(E[X]\)）
平均數或期望值 (\(E[X]\) 或 \(\mu\)) 是分佈的「質量中心」。它是所有可能值的加權平均值，權重即為密度 \(f(x)\)。
平均數的公式為：
$$E[X] = \mu = \int_{-\infty}^{\infty} x f(x) dx$$
函數的期望值
如果你需要求某函數 \(g(X)\)（如 \(X^2\) 或 \(3X+5\)）的期望值，通用公式是：
$$E[g(X)] = \int_{-\infty}^{\infty} g(x) f(x) dx$$
記憶小撇步 (對於 E[X])： 記住，對於離散變量，\(E[X] = \sum x P(X=x)\)。對於連續變量，求和符號 (\(\sum\)) 變成了積分符號 (\(\int\))，而 \(P(X=x)\) 變成了 \(f(x) dx\)。你只需將 \(x\) 放入積分中，與 \(f(x)\) 並列即可。
重點總結： 位置指標可通過導數（眾數）、令 CDF 等於 0.5（中位數）或積分 \(x f(x)\)（平均數）求得。
5. 離散程度測量（方差與標準差）
這些指標告訴我們分佈圍繞平均數的分散程度。
5.1 方差 (\(\text{Var}[X]\))
方差是觀察值與平均數之差的平方的平均值。計算方差通常分為兩步：
- 求 \(E[X]\)（平均數，\(\mu\)）。
- 求 \(E[X^2]\)。
第一步：計算 \(E[X^2]\)
使用 \(g(x) = x^2\) 的通用期望值公式：
$$E[X^2] = \int_{-\infty}^{\infty} x^2 f(x) dx$$
第二步：應用公式
我們使用方差的計算公式（這比積分 \((x-\mu)^2 f(x)\) 要簡單得多）：
$$\text{Var}[X] = E[X^2] - (E[X])^2$$
或
$$\text{Var}[X] = \left( \int x^2 f(x) dx \right) - \mu^2$$
5.2 標準差 (\(\sigma\))
標準差僅僅是方差的平方根。它更受偏愛，因為它的單位與 \(X\) 及平均數 \(\mu\) 相同。
$$\sigma = \sqrt{\text{Var}[X]}$$
快速回顧：求方差的步驟
- 通過積分 \(x f(x)\) 計算 \(\mu = E[X]\)。
- 通過積分 \(x^2 f(x)\) 計算 \(E[X^2]\)。
- 計算 \(\text{Var}[X] = E[X^2] - (E[X])^2\)。
重要提示： 中間數值請勿四捨五入！將 \(E[X]\) 和 \(E[X^2]\) 的分數或精確小數值保留到最後一步，以確保方差最終答案的準確性。
重點總結： 離散程度由方差衡量，這需要使用密度函數求出 \(E[X]\) 和 \(E[X^2]\)。
6. 關鍵技能總結（微積分工具箱）
連續隨機變量完全依賴於在統計框架內應用微積分技巧。請確保你熟悉以下運算：
| 目標 | 數學運算 | 微積分聯繫 |
|---|---|---|
| 求概率 \(P(a < X < b)\) | PDF 下的面積 | 積分 \(\int_{a}^{b} f(x) dx\) |
| 求 CDF \(F(x)\) | 累積面積 | 積分 \(\int_{\text{下界}}^{x} f(t) dt\) |
| 求 PDF \(f(x)\) | CDF 的變化率 | 微分 \(F'(x)\) |
| 求平均數 \(E[X]\) | 加權積分 | 積分 \(\int x f(x) dx\) |
| 求眾數 | 密度峰值 | 微分 \(f'(x) = 0\) |
繼續練習你的積分技巧，尤其是涉及多項式的（這在本單元的 PDF 中非常常見！）。你一定做得到的！