从离散型随机变量到连续型随机变量的转变，代表了一种根本性的视角转换：从对单个‘质量点’的求和，转变为对密度曲线下的平滑‘面积’进行度量。离散型变量处理的是可数的结果，而连续型变量则模拟了现实世界中无限精细的特性——时间、距离和重量。
核心转变：从求和到积分
若存在一个非负函数 $f$，称为随机变量 $X$ 的 概率密度函数（PDF） ，使得对于任意实数集合 $B$：
$P\{X \in B\} = \int_B f(x) dx$
关键在于，这意味着对于任意特定值 $a$，有 $P(X = a) = \int_a^a f(x) dx = 0$。在连续情形下，我们只讨论区间上的概率。
PDF 与 CDF 的共生关系
累积分布函数（CDF）$F(x)$ 作为从负无穷到 $x$ 的概率累加器：
关系式
$F(x) = P\{X \le x\} = \int_{-\infty}^{x} f(t) dt$
导数
根据微积分基本定理，密度是概率累积的速率： $\frac{d}{dx}F(x) = f(x)$
集中趋势的度量
- 期望值： $E[X] = \int_{-\infty}^{\infty} xf(x) dx$
- 中位数 ($m$)： 将面积平分的点，即满足 $F(m) = \frac{1}{2}$。
- 众数： 使 $f(x)$ 达到最大值的 $x$ 值。
求和的局限性
为了理解我们旅程中的“积分”意义，可以对比离散世界——在该世界中，我们可能会遇到 勒让德定理 ($\sum_{k=1}^{\infty} 1/k^2 = \pi^2/6$)，或处理因数时复杂的逻辑（当 $D=k$ 时，$k$ 必须同时整除 $X$ 和 $Y$，且 $X/k$、$Y/k$ 互质）——与连续世界形成对比。在连续世界中，我们通过 $Var(X) = E[(X - E[X])^2]$ 计算方差，并通过 $E[g(X)] = \int_{-\infty}^{\infty} g(x)f(x) dx$ 求函数的期望。
🎯 关键洞察
期望值也可以看作是累积分布函数与水平线 $y=0$ 和 $y=1$ 之间的面积。对于任意随机变量 $Y$：
$E[Y] = \int_{0}^{\infty} P\{Y > y\} dy - \int_{0}^{\infty} P\{Y < -y\} dy$