機率密度函數（Probability Density Function，簡稱 PDF）是現代機率論中用來描述連續型隨機變數（如身高、體重、時間、溫度等）機率分佈的核心工具。
與離散型隨機變數可以直接列出「某個點的機率是多少」不同，連續型隨機變數的特點是：它在任何「特定孤立點」上的機率都等於 0。 因此，我們必須用「區間積分」的概念來定義機率，而 PDF 就是這個積分底下的那條「曲線」。
- 直觀理解：什麼是「機率密度」？
我們可以用物理學中的「物質密度」來做完美類比：
- 質點（離散）：想像一條線上掛著幾顆有重量的彈珠。每顆彈珠都有明確的重量（如 2 克的彈珠）。這就像離散型隨機變數，某個點有明確的機率（如 (P(X=3) = 0.5)）。
- 鋼條（連續）：想像一根長度 1 公尺、總重 100 克的鋼條。如果你問「剛好在 0.5 公尺這一個『點』上的重量是多少？」答案是 0 克（因為一個點沒有厚度、沒有體積）。但如果你問「從 0.4 到 0.6 公尺這一段的重量是多少？」你就可以透過密度函數進行積分，算出這段的重量。
在機率論中，PDF（通常記為 (f(x))）就是這根鋼條在各個位置的「密度」。它本身不是機率，但它在某個區間圍出來的面積，就是隨機變數落在該區間的機率。
- PDF 的三大核心數學性質
一個函數 f(x) 要能成為合格的機率密度函數，必須嚴格滿足以下三個條件：
- 非負性（Non-negativity）
$f(x)\ge 0\quad \text{對於所有 }x$- 機率密度可以大於 1（例如在很窄的區間內密度極高），但絕對不能是負數。
- 總面積為 1（Total Area is 1）
$\int _{-\infty }^{\infty }f(x)\,dx=1$- 隨機變數落在整個實數軸上的機率必然是 100%，也就是曲線下方的總面積必須等於 1。
- 區間機率等於面積（Probability as Area）
隨機變數 X 落在區間 [a, b] 之間的機率，等於 f(x) 在該區間的定積分：
$P(a\le X\le b)=\int _{a}^{b}f(x)\,dx$
⚠️ 關鍵觀念澄清：
因為 P(X=a) = $\int_{a}^{a} f(x)dx$ = 0，所以在連續型分佈中，區間端點有沒有包含「等號」對機率完全沒有影響：
$P(a \le X \le b) = P(a < X < b) = P(a \le X < b) = P(a < X \le b)$
- 常見的 PDF 圖形與範例
🟦 1. 均勻分佈（Uniform Distribution）
- 特徵：在一個區間 [a, b] 內，所有點出現的機率密度完全相同。
- PDF 公式：
$f(x)=\frac{1}{b-a}\quad (a\le x\le b)$ - 幾何形狀：一個標準的長方形。長方形的高是 $\frac{1}{b-a}$ ，底是 b-a，所以總面積（底 $\times$ 高）剛好是 1。
🔔 2. 常態分佈（Normal Distribution / 高斯分佈）
- 特徵：自然界中最常見的分佈（如人類身高、考試成績）。數據大量集中在平均值附近，兩邊對稱遞減。
- PDF 公式（著名的鐘形曲線方程式）：
$f(x)=\frac{1}{\sigma \sqrt{2\pi }}e^{-\frac{1}{2}\left(\frac{x-\mu }{\sigma }\right)^{2}}$ - 幾何形狀：一條完美的對稱鐘形曲線。無論這個公式看起來多複雜，它在 $-\infty$ 到 $\infty$ 的積分值經過嚴格計算，必定等於 1。
沒有留言:
張貼留言