歡迎來到連續隨機變量的世界！
在之前的學習中，你可能接觸過離散隨機變量 (Discrete Random Variables)——即那些可以數出來的數值，例如擲硬幣出現正面次數，或是班級人數。但如果我們測量身高、時間或重量呢？這些數值並不會「跳躍」地從一個整數變到另一個整數，而是沿著連續的標尺平滑變化。這就是連續隨機變量 (Continuous Random Variables)的世界。
在本章中，我們將重點探討全球最重要的連續分佈：正態分佈 (Normal Distribution)。掌握它就像拿到了一把「萬能鑰匙」，能助你打開統計學中許多難題的大門！
1. 離散與連續：有什麼區別？
在深入數學運算之前，我們先確保自己理解什麼是「連續」變量。
- 離散隨機變量： 具有特定、獨立的數值。例如：計算一場足球比賽的入球數（你不可能入 2.45 球）。
- 連續隨機變量： 在一定範圍內可以取任何數值。它們通常是測量結果。例如：你跑 100 米所需的時間（可能是 12 秒，12.1 秒，甚至 12.1045 秒）。
你知道嗎？ 因為連續變量有無限多個可能的數值，所以該變量「剛好」等於某個特定數值（例如身高剛好是 1.750000... 米）的機率其實是零！因此，我們計算機率時，總是尋找數值落在某個範圍 (Range)內的機率。
2. 正態分佈：「鐘形曲線」
正態分佈是一種特殊的連續隨機變量。它用於模擬那些集中在平均值附近的現象，例如考試成績或樹葉的長度。
主要特徵：
- 對稱性： 左側是右側的鏡像。
- 鐘形： 大部分數據集中在中間，向兩端遞減。
- 平均值 (\(\mu\))： 這是曲線的中心點。
- 變異數 (\(\sigma^2\))： 它告訴我們鐘形曲線有多「分散」。
我們將其記為：\(X \sim N(\mu, \sigma^2)\)
例子：如果學生平均身高為 160cm，變異數為 25，我們寫成 \(X \sim N(160, 25)\)。注意：這裡的標準差 (\(\sigma\)) 是 \(\sqrt{25} = 5\)。
小貼士： 務必檢查題目給出的是變異數 (\(\sigma^2\))還是標準差 (\(\sigma\))。在公式 \(X \sim N(\mu, \sigma^2)\) 中，第二個數字永遠是變異數！
3. 標準化：使用 Z 分數
每一條正態曲線都不一樣（有的細高，有的扁寬）。為了求機率，我們需要將它們統一對比到一種「標準」版本，即標準正態分佈 (Standard Normal Distribution)，它的平均值為 0，變異數為 1。
我們透過以下 Z 分數 (Z-score) 公式來實現：
\(Z = \frac{X - \mu}{\sigma}\)
比喻： 把 Z 分數想像成「萬能翻譯機」。就像你將不同的貨幣（美元、歐元、披索）兌換成黃金來比較價值一樣，我們將不同的正態變量轉換為 Z 分數來進行比較。
標準化步驟：
- 獲取你的數值 (\(X\))。
- 減去平均值 (\(\mu\))。
- 除以標準差 (\(\sigma\))。
剛開始覺得困難別擔心！ 只要記住：Z 分數告訴你該數值距離平均值有幾個「標準差」。
4. 使用表格查找機率
一旦你有了 Z 分數，就可以使用正態分佈表 (Normal Distribution Table)來查找機率。表格會告訴你 Z 分數左側的面積，我們稱之為 \(\Phi(z)\)。
常見情況：
- 求 \(P(Z < a)\)： 直接在表中查 \(a\)。
- 求 \(P(Z > a)\)： 利用對稱性！總面積為 1，所以 \(P(Z > a) = 1 - \Phi(a)\)。
- 求 \(P(a < Z < b)\)： 找到 \(b\) 左側的面積，減去 \(a\) 左側的面積。公式：\(\Phi(b) - \Phi(a)\)。
記憶口訣： 如果你需要右側的面積，必須用 1 減去該數值（Right = Remove from 1）。
5. 逆向問題：求 \(\mu\) 或 \(\sigma\)
有時題目會給你機率（面積），然後問你 \(X\)、平均值或標準差是多少。這就像「逆向操作」。
步驟流程：
- 畫一個鐘形曲線草圖，並標示出已知的面積。
- 由內向外查表，找到與該機率對應的 Z 分數。
- 將 Z、\(\mu\)、\(\sigma\) 代入公式 \(Z = \frac{X - \mu}{\sigma}\)。
- 解出缺少的變量。
常見錯誤： 如果面積在平均值的左側（小於 50%），你的 Z 分數必須是負數。表格通常只列出正的 Z 分數，所以你需要靈活運用對稱性！
6. 二項分佈的正態近似
有時我們會遇到二項分佈 (Binomial Distribution)（例如拋硬幣 1,000 次），但進行精確計算太難了。如果樣本量足夠大，二項分佈就會看起來像一條正態曲線！
什麼時候可以使用？
僅在以下情況可以使用正態近似：
- \(np > 5\)
- \(n(1-p) > 5\)（也寫作 \(nq > 5\)）
如何計算：
- 計算平均值：\(\mu = np\)。
- 計算變異數：\(\sigma^2 = np(1-p)\)。
- 使用連續性修正 (Continuity Correction)（見下文）。
- 標準化並按慣常方法求機率。
7. 連續性修正：「0.5 法則」
當我們從離散變量（長條圖）轉向連續變量（平滑曲線）時，必須考慮數字之間的間隙。這就是連續性修正。
將每個離散數字想像成一個「區塊」，向兩側各延伸 0.5。例如，數字 10 實際上佔據了從 9.5 到 10.5 的空間。
如何調整：
- 若求 \(P(X \le 10)\)，你需要包含 10 這個區塊，所以用 10.5。
- 若求 \(P(X < 10)\)，你不包含 10，所以止於 9.5。
- 若求 \(P(X \ge 10)\)，你從區塊的開頭開始，即 9.5。
- 若求 \(P(X > 10)\)，你從區塊之後開始，即 10.5。
重點總結： 務必畫一條數線！如果你想包含該數字，就把邊界向外延伸 0.5；如果你想排除它，就把邊界向內退回 0.5。
複習清單
在參加考試前，請確保你能做到：
- 識別離散與連續變量的區別。
- 標準化任何數值，使用 \(Z = \frac{X - \mu}{\sigma}\)。
- 正確查閱正態分佈表（包括負 Z 分數的情況）。
- 逆向計算，從機率求出變量值。
- 檢查條件（\(np > 5\) 和 \(nq > 5\)）以判斷是否能進行正態近似。
- 準確應用 0.5 的連續性修正。
你一定能做到！ 統計學不過是一連串邏輯步驟的堆疊。一步一個腳印，多畫圖，答案自然會浮現。