一、连续型随机变量与概率密度的基本概念

1.1 什么是连续型随机变量？

连续型随机变量是指其取值可以充满某个区间的随机变量，它能在该区间内取无限多个值。与离散型随机变量不同，离散型随机变量的取值是可数的、孤立的点。

在实际生活中，有许多连续型随机变量的例子。比如，人的身高，它可以是在一个合理范围内的任意实数，像 170.53cm、182.27cm 等；某地区一天内的温度测量值，可能是 25.68℃、26.21℃ 等；汽车行驶的速度，在某一时间段内也可以取到各种连续的值。

特点：

• 单个点的概率为 0。这是因为在连续的区间中，一个点所占的比例为无穷小。例如，“身高恰好是 170cm”的概率为 0，因为身高可能是 170.000001cm、169.999999cm 等无穷多个值，精确到 170cm 这个单一值的可能性几乎为零。但需要注意的是，虽然单个点概率为 0，并不意味着这个点不可能出现，只是从概率的度量角度来说其概率为 0。

1.2 概率密度函数的定义

概率密度函数$f(x)$满足以下两个重要性质：

• 非负性：$f(x)\ge 0$。这意味着概率密度函数在定义域内的取值不能为负数，因为概率本身是非负的。从几何意义上看，概率密度函数的图像位于$x$轴上方或者与$x$轴重合。
• 规范性：积分和为 1，即${\int }_{-\infty }^{+\infty }f(x)dx=1$。这表示概率密度函数曲线与$x$轴所围成的总面积为 1，它反映了随机变量在整个定义域内取值的总概率为 1。例如，对于一个简单的概率密度函数$f(x)$，如果它在某个区间$[a,b]$上有值，其他地方为 0，那么${\int }_a^{b}f(x)dx=1$。

注意：

• 概率密度不需要连续，但必须可积（允许有间断点）。例如，在一些实际问题中，概率密度函数可能在某些点处有跳跃或间断，但只要它在整个定义域上的积分存在且满足规范性即可。从数学分析的角度来说，可积性并不要求函数连续，只要函数的不连续点是有限个或者满足一定的条件，函数就是可积的。
• 分布函数$F(x)$（即累积概率）必须连续。分布函数$F(x)=P(X\le x)$，它表示随机变量$X$取值小于等于$x$的概率。从函数的性质来看，分布函数是一个单调不减的函数，并且${\lim }_{x\to -\infty }F(x)=0$，${\lim }_{x\to +\infty }F(x)=1$。

1.3 如何用概率密度求概率？

事件$a\le X\le b$的概率为：$$P(a\le X\le b)={\int }_a^{b}f(x)dx$$。这是因为概率密度函数$f(x)$在区间$[a,b]$上的积分，就表示了随机变量$X$落在该区间内的概率。从几何角度理解，${\int }_a^{b}f(x)dx$就是概率密度函数$f(x)$在区间$[a,b]$上与$x$轴所围成的面积，这个面积的大小就代表了随机变量$X$落在该区间的概率大小。

例：设$f(x)=\{\begin{array}{ll}2x,& 0\le x\le 1\\ 0,& \text{其他}\end{array}$，求$P(0.2\le X\le 0.5)$。
解：根据上述公式，$$P={\int }_{0.2}^{0.5}2xdx=x^2{|}_{0.2}^{0.5}=0.25-0.04=0.21$$。也就是说，随机变量$X$落在区间$[0.2,0.5]$内的概率为 0.21。

辅助教程：积分计算基础

对于简单的概率密度函数求概率，我们需要用到一些基本的积分计算方法。积分是微积分中的重要概念，它可以看作是求函数曲线与坐标轴所围成的面积。

• 对于幂函数$\int x^{n}dx=\frac{1}{n+1}{x}^{n+1}+C$（$n\ne -1$），其中$C$是常数。在求定积分时，常数$C$会被消去。例如，在前面的例子${\int }_{0.2}^{0.5}2xdx$中，$2x$可以看作是$2\times x^1$，先对$x$进行积分得到$\frac{1}{2}{x}^2$，再乘以系数 2 就得到$x^2$，然后代入上下限$0.5$和$0.2$计算差值，即$x^2{|}_{0.2}^{0.5}=0.5^2-0.2^2=0.25-0.04=0.21$。
• 对于一些常见的积分，如$\int \sin xdx=-\cos x+C$，$\int \cos xdx=\sin x+C$等，在后续遇到相关的概率密度函数时也会用到。

二、常见分布及解题套路

2.1 均匀分布（等可能分布）

均匀分布表示在某个区间内，随机变量取每个值的可能性是相等的。它是一种比较简单且直观的分布类型。

密度函数：$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& \text{其他}\end{array}$$
特点：

• 概率与区间长度成正比，如$P(c\le X\le d)=\frac{d-c}{b-a}$（当$a\le c\le d\le b$）。这是因为在均匀分布中，每个小区间的概率密度是恒定的，所以概率只与区间长度有关。例如，在一个长度为 10 的区间$[0,10]$上的均匀分布，长度为 2 的子区间$[3,5]$的概率就是$\frac{5-3}{10-0}=\frac{2}{10}=0.2$。
• 分布函数为线性：$F(x)=\frac{x-a}{b-a}$（当$a\le x\le b$）。当$x<a$时，$F(x)=0$；当$x>b$时，$F(x)=1$。从函数图像上看，分布函数在区间$[a,b]$上是一条直线，斜率为$\frac{1}{b-a}$。

例：公交车到站时间均匀分布在[0,10]分钟，求等待时间≤3分钟的概率。
解：这里$a=0$，$b=10$，$c=0$，$d=3$，根据公式$P=\frac{3-0}{10-0}=0.3$。即乘客等待公交车时间不超过 3 分钟的概率是 0.3。这意味着在大量的公交车到站情况中，大约有 30% 的情况等待时间是不超过 3 分钟的。

2.2 指数分布（无记忆性）

指数分布常用于描述等待时间等问题，例如设备的寿命、顾客到达的时间间隔等。它具有一个非常特殊的性质——无记忆性。

密度函数：$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x\ge 0\\ 0,& x<0\end{array}$$，其中$\lambda >0$是参数。参数$\lambda$决定了指数分布的形状和特征，$\lambda$越大，函数衰减得越快。

口算公式：
-$P(X>t)=e^{-\lambda t}$（常用于计算“寿命超过 t”的概率）。这是指数分布的一个重要性质，它体现了指数分布的无记忆性，即无论已经过去了多长时间，未来的等待时间仍然服从相同参数的指数分布。例如，对于一个电子元件，其寿命服从参数$\lambda =0.01$的指数分布，已经使用了 50 小时，那么它再使用 50 小时的概率和它一开始就使用 50 小时的概率是一样的，都可以用$P(X>50)=e^{-0.01\times 50}=e^{-0.5}$来计算。

例：灯泡寿命服从$\lambda =0.01$的指数分布，求用 100 小时后仍正常的概率。
解：根据公式$P(X>100)=e^{-0.01\times 100}=e^{-1}\approx 0.3679$。也就是说，该灯泡使用 100 小时后仍然正常工作的概率约为 0.3679。这表明在生产的大量这种灯泡中，大约有 36.79% 的灯泡可以使用超过 100 小时。

2.3 正态分布（万能分布）

正态分布是自然界和社会生活中最常见的一种分布，许多随机现象都可以近似地用正态分布来描述，例如人的身高、体重，考试成绩等。它具有非常重要的理论和实际应用价值。

2.3.1 正态分布的密度函数

$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$，其中$\mu$是均值，它表示随机变量的平均水平，决定了正态分布的中心位置；$\sigma$是标准差（$\sigma >0$），它衡量了随机变量的离散程度，$\sigma$越大，分布越分散，曲线越扁平；$\sigma$越小，分布越集中，曲线越陡峭。

正态分布的密度函数图像是一个钟形曲线，关于$x=\mu$对称，在$x=\mu$处达到最大值$\frac{1}{\sigma \sqrt{2\pi }}$。

2.3.2 标准正态分布

标准正态分布是正态分布的一种特殊情况，当$\mu =0$，$\sigma =1$时，正态分布$X\sim N(0,1)$称为标准正态分布，其密度函数记为$\phi (z)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}$，分布函数记为$\Phi (z)=P(Z\le z)={\int }_{-\infty }^z\frac{1}{\sqrt{2\pi }}{e}^{-\frac{t^2}{2}}dt$。

标准正态分布的分布函数$\Phi (z)$的值不能通过普通的积分方法直接计算得到，所以人们编制了标准正态分布表，通过查表可以得到$P(Z\le z)$的近似值。标准正态分布表的横轴是$z$的整数部分和小数点后第一位，纵轴是$z$的小数点后第二位。例如，要查$P(Z\le 1.53)$，先在横轴找到 1.5，然后在纵轴找到 0.03，对应的表格中的值就是$P(Z\le 1.53)$的近似值。

2.3.3 标准化方法

将一般的正态分布$X\sim N(\mu ,{\sigma }^2)$转化为标准正态变量$Z=\frac{X-\mu }{\sigma }\sim N(0,1)$，通过查标准正态分布表来求概率。这种标准化的方法非常重要，它将所有的正态分布问题都转化为标准正态分布问题进行求解。

例：某考试分数$X\sim N(70,10^2)$，求$P(X\le 85)$。
解：首先进行标准化，$Z=\frac{85-70}{10}=1.5$，然后查标准正态分布表可得$P(Z\le 1.5)\approx 0.9332$，即$P(X\le 85)\approx 0.9332$。这意味着在这次考试中，分数不超过 85 分的学生比例约为 0.9332。也就是说，如果有 1000 名学生参加考试，大约有$1000\times 0.9332=933.2\approx 933$名学生的分数不超过 85 分。

辅助教程：标准正态分布表的使用

标准正态分布表是一个记录了标准正态变量$Z$在不同取值下的累积概率$P(Z\le z)$的表格。它是我们计算正态分布概率的重要工具。

• 当$z\ge 0$时，直接在表中查找对应的$P(Z\le z)$的值。例如，对于$z=1.25$，先在横轴找到 1.2，再在纵轴找到 0.05，对应的表格中的值就是$P(Z\le 1.25)$的近似值。
• 当$z<0$时，利用标准正态分布的对称性$\Phi (-z)=1-\Phi (z)$来计算。例如，要求$P(Z\le -1.25)$，因为$P(Z\le -1.25)=1-P(Z\le 1.25)$，先查$P(Z\le 1.25)$的值，然后用 1 减去这个值就得到$P(Z\le -1.25)$的值。

三、密度函数与分布函数的转换

3.1 已知密度求分布函数

分布函数$F(x)=P(X\le x)={\int }_{-\infty }^{x}f(t)dt$。它表示随机变量$X$取值小于等于$x$的累积概率。从几何意义上看，分布函数$F(x)$是概率密度函数$f(t)$在区间$(-\infty ,x]$上与$t$轴所围成的面积。

例：设$f(x)=\{\begin{array}{ll}1,& 0\le x\le 1\\ 0,& \text{其他}\end{array}$，求$F(x)$。
解：

• 当$x<0$，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{x}0dt=0$。因为在$x<0$时，概率密度函数$f(t)=0$，所以积分结果为 0，即随机变量$X$取值小于 0 的概率为 0。
• 当$0\le x\le 1$，$F(x)={\int }_{-\infty }^{x}f(t)dt={\int }_{-\infty }^{0}0dt+{\int }_0^{x}1dt=0+x=x$。这里先将积分区间$(-\infty ,x]$拆分为$(-\infty ,0]$和$(0,x]$，分别计算积分再相加。
  当$x>1$时，
  $$\begin{array}{rl}F(x)& ={\int }_{-\infty }^{x}f(t)dt\\ & ={\int }_{-\infty }^{0}0dt+{\int }_0^{1}1dt+{\int }_1^{x}0dt\\ & =0+(t{|}_0^1)+0\\ & =1\end{array}$$
  这是因为在$0\le x\le 1$区间上概率密度函数积分值为$1$，当$x$大于$1$时，后面再无概率密度，所以累积概率固定为$1$，即随机变量$X$取值小于等于$x$的概率为$1$。

综上，分布函数$F(x)=\{\begin{array}{ll}0,& x<0\\ x,& 0\le x\le 1\\ 1,& x>1\end{array}$。

3.2 已知分布函数求密度函数

对分布函数求导：$f(x)=F^{\prime }(x)$。但需要注意的是，在分布函数的分段点处可能不可导，需单独处理。这是因为在分段点处函数的变化情况可能不连续或者不光滑，导数的定义可能不满足。

例：$F(x)=\{\begin{array}{ll}0,& x<0\\ x^2,& 0\le x\le 1\\ 1,& x>1\end{array}$，求$f(x)$。
解：

• 当$0<x<1$时，$F(x)=x^2$，根据求导公式$(x^n{)}^{\prime }=n{x}^{n-1}$，可得$f(x)=F^{\prime }(x)=(x^2{)}^{\prime }=2x$。这是因为在这个区间内分布函数是一个简单的幂函数，直接使用求导公式进行求导。
• 当$x<0$时，$F(x)=0$，常数的导数为$0$，所以$f(x)=F^{\prime }(x)=0$。因为常数函数的变化率为$0$，所以其导数为$0$。
• 当$x>1$时，$F(x)=1$，同样常数的导数为$0$，所以$f(x)=F^{\prime }(x)=0$。
• 在$x=0$处，需要根据导数的定义来判断：
  左导数$F_{-}^{\prime }(0)={\lim }_{x\to 0^{-}}\frac{F(x)-F(0)}{x-0}={\lim }_{x\to 0^{-}}\frac{0-0}{x}=0$；
  右导数$F_{+}^{\prime }(0)={\lim }_{x\to 0^{+}}\frac{F(x)-F(0)}{x-0}={\lim }_{x\to 0^{+}}\frac{x^2-0}{x}={\lim }_{x\to 0^{+}}x=0$。
  左导数等于右导数，所以$f(0)=0$。这里通过分别计算左导数和右导数，根据导数存在的条件（左导数等于右导数）来确定在$x=0$处的导数。
• 在$x=1$处：
  左导数$F_{-}^{\prime }(1)={\lim }_{x\to 1^{-}}\frac{F(x)-F(1)}{x-1}={\lim }_{x\to 1^{-}}\frac{x^2-1}{x-1}={\lim }_{x\to 1^{-}}(x+1)=2$；
  右导数$F_{+}^{\prime }(1)={\lim }_{x\to 1^{+}}\frac{F(x)-F(1)}{x-1}={\lim }_{x\to 1^{+}}\frac{1-1}{x-1}=0$。
  左导数不等于右导数，$F(x)$在$x=1$处不可导，但在概率密度函数的定义中，对于这种单个点的情况，不影响通过积分计算概率等性质，我们通常按照使函数在积分意义下合理的方式来定义，这里可写成$f(x)=\{\begin{array}{ll}2x,& 0\le x\le 1\\ 0,& \text{其他}\end{array}$。

四、图像法解决复杂问题

在处理连续型随机变量相关的复杂概率问题时，图像法是一种极为有效的工具，它能够将抽象的数学概念和复杂的计算转化为直观的几何图形关系，帮助我们更清晰地理解问题本质，准确找到解题思路。

4.1 如何用图像法求$Y$的分布？

当我们面对已知$X$的概率分布，要求$Y=g(X)$的分布函数这种情况时，图像法能让解题过程一目了然。

步骤如下：

1. 首先，根据$Y=g(X)$的关系式，将$Y$的取值范围不等式转化为$X$的取值范围不等式。例如，若$Y=|X|$，当我们求$Y\le y$的概率，即$F_Y(y)=P(Y\le y)$时，根据绝对值的性质，可转化为$-y\le X\le y$。这一步是关键的连接点，它建立起了$X$和$Y$在取值范围上的对应关系，使得我们后续能够利用已知的$X$的信息进行计算。
2. 接着，画出$X$的概率密度函数$f(x)$的图像。通过图像，我们能够直观地看到$X$的概率分布情况，进而确定与$Y$相关的积分区间。比如，若$X$服从均匀分布$U(a,b)$，其概率密度函数$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& \text{其他}\end{array}$，图像呈现为在区间$[a,b]$上高度为$\frac{1}{b-a}$的矩形。当考虑$Y=|X|$且求$F_Y(y)$时：
   • 若$y<0$，从图像上一眼就能看出$X$不可能满足$-y\le X\le y$，所以$F_Y(y)=0$。
   • 当$0\le y\le b-a$（这里假设$b>a\ge 0$，方便说明），此时积分区间$[-y,y]$与$f(x)$有值的区间$[a,b]$部分重叠，通过图像可以清晰地确定积分上下限，计算$F_Y(y)=P(-y\le X\le y)={\int }_{-y}^{y}f(x)dx$。例如，若$X\sim U(0,2)$，即$f(x)=\{\begin{array}{ll}\frac{1}{2},& 0\le x\le 2\\ 0,& \text{其他}\end{array}$，当$0\le y\le 2$时，$F_Y(y)={\int }_{-y}^y\frac{1}{2}dx=\frac{1}{2}x{|}_{-y}^y=y$。
   • 当$y>b-a$，积分区间$[-y,y]$完全覆盖了$f(x)$有值的区间$[a,b]$，此时$F_Y(y)={\int }_{-y}^{y}f(x)dx={\int }_a^b\frac{1}{2}dx=1$。

通过这样逐步结合图像分析，我们能够准确无误地求出$Y$的分布函数$F_Y(y)$，避免了复杂的抽象推理，让解题过程变得可视化、简单化。

4.2 万能套路：复杂区间的转化

在面对更为复杂的函数变换，如$Y=h(X)$，求$Y$的概率密度函数时，图像法同样能助我们一臂之力，关键在于巧妙地进行区间转化与图形对应。

以$X\sim U(0,1)$，求$Y=3X+2$的密度为例：

1. 先求$Y$的分布函数$F_Y(y)$，根据$Y=3X+2$，将$F_Y(y)=P(Y\le y)$转化为$P(3X+2\le y)$，进一步得到$P(X\le \frac{y-2}{3})$。这一步的转化依据是简单的代数运算，目的是将关于$Y$的不等式转化为关于$X$的不等式，以便利用已知的$X$的分布信息。
2. 此时，我们画出$X$的概率密度函数$f_X(x)=\{\begin{array}{ll}1,& 0\le x\le 1\\ 0,& \text{其他}\end{array}$的图像，它是在区间$[0,1]$上高度为$1$的矩形。从$Y=3X+2$可知，当$X=0$时，$Y=2$；当$X=1$时，$Y=5$。这就建立了$X$和$Y$的取值对应关系，通过图像可以直观地看到，随着$X$在$[0,1]$内取值，$Y$在$[2,5]$内取值。
3. 对$F_Y(y)$求导得$Y$的概率密度函数$f_Y(y)$：
   • 当$2\le y\le 5$时，根据求导公式以及复合函数求导法则（这里$F_Y(y)$是由$P(X\le \frac{y-2}{3})$构成，相当于对$\frac{y-2}{3}$的函数求导），可得$f_Y(y)=f_X\left(\frac{y-2}{3}\right)\cdot \frac{1}{3}=1\times \frac{1}{3}=\frac{1}{3}$。这是因为在这个区间内，$X$的取值对应到了$f_X(x)$有值的区间，且经过求导运算得到了$Y$的概率密度。
   • 当$y<2$时，从图像上看，$Y$的取值小于$2$意味着$X$的取值不在其定义域$[0,1]$内，所以$f_Y(y)=0$。
   • 当$y>5$时，同样由于$Y$的取值超出了对应$X$取值所生成的范围，$f_Y(y)=0$。

综上所述，$f_Y(y)=\{\begin{array}{ll}\frac{1}{3},& 2\le y\le 5\\ 0,& \text{其他}\end{array}$。通过图像法，我们将复杂的函数变换和概率密度求解过程变得清晰易懂，大大降低了出错的概率，提高了解题效率。

在运用图像法解决问题时，要养成先画草图、分析图形关系的习惯，让几何直观引导我们穿越复杂概率问题的迷雾，找到简洁准确的解题路径。