离散随机变量简介
欢迎来到 Further Maths 学习旅程中最实用的章节之一！在 Statistics Major（统计学主修） 的这部分中，我们将探讨如何为结果是“可数”（离散）的事件建立模型。无论你是要计算一场比赛中的进球数、玩游戏时通过一关所需的尝试次数，还是一小时内收到的电邮数量，离散随机变量 (Discrete Random Variables) 都是你必备的工具。
如果这些概念起初看起来有点抽象，别担心！我们会将它们拆解成简单的步骤，运用日常逻辑和清晰的公式来学习。学完后，你将能够预测各种现实场景中的平均值与分布情况！
1. 概率分布：基础知识
随机变量 (Random Variable)（通常记作 \( X \)）是指其数值取决于随机事件结果的量。如果是离散的 (discrete)，它只能取特定的、分开的数值（例如 1, 2, 3...，但不能是 1.57）。
概率分布 (Probability Distribution) 仅仅是一个列表、表格或图表，显示了 \( X \) 所有可能的取值以及每个取值发生的概率。
必须记住的关键规则：
1. 每个独立的概率必须介于 0 和 1 之间：\( 0 \le P(X=x) \le 1 \)。
2. 黄金法则：分布中所有概率的总和必须恰好等于 1。
\( \sum P(X=x) = 1 \)
快速复习：如果你拿到一个缺少其中一个概率的表格，只需将其他概率加起来，然后用 1 减去该总和即可。就这么简单！
2. 期望值（平均值）与方差
当我们要观察一个分布时，通常想知道两件事：什么是“平均”结果？以及结果有多“分散”？
期望值 \( E(X) \)
期望值 (Expectation) 是随机变量的长期平均值。它也被称为平均值 (Mean) (\( \mu \))。
计算方法：将每个数值乘以其概率，然后将它们全部加起来。
\( E(X) = \sum x P(X=x) \)
方差 \( Var(X) \)
方差 (Variance) 用于衡量数据分散的程度。它告诉我们这些数值平均距离平均值有多远。
公式： \( Var(X) = E(X^2) - [E(X)]^2 \)
要找到 \( E(X^2) \)，你需要将每个 \( x \) 值平方，乘以对应的概率，然后将它们加总。
标准差 (Standard Deviation)：这只是方差的平方根：\( \sigma = \sqrt{Var(X)} \)。
常见错误：计算方差时，许多学生会忘记在减去平均值之前先将平均值平方。记住“平方后的平均值减去平均值的平方”这个规则！
编码（线性变换）
有时我们会改变变量（例如将其加倍或加上一个常数）。平均值和方差会随之这样变化：
1. \( E(aX + b) = aE(X) + b \)（平均值的变化符合你的预期）。
2. \( Var(aX + b) = a^2Var(X) \)（加上 \( b \) 不会改变分散程度，但乘以 \( a \) 会使方差增加 \( a^2 \) 倍）。
重点总结：
期望值是数据的“中心”，而方差则是数据的“伸缩空间”。
3. 离散均匀分布 (Discrete Uniform Distribution)
这是最简单的模型。当每个结果的概率完全相同时，我们就会使用它。
例子：掷一枚公平的六面骰子。从 1 到 6 的每个数字概率都是 \( \frac{1}{6} \)。
对于数值集合 \( \{1, 2, ..., n\} \) 的均匀分布：
- 平均值： \( E(X) = \frac{n+1}{2} \)
- 方差： \( Var(X) = \frac{n^2-1}{12} \)
你知道吗？你可以通过调整这些公式来适用于任何连续整数集合（例如 4, 5, 6, 7, 8, 9），但课程大纲特别要求你掌握从 \( 1 \) 到 \( n \) 的情况。
4. 二项分布 \( X \sim B(n, p) \)
你在 A Level 数学中已经见过它，但在这里同样至关重要。当你拥有固定数量的试验次数 (\( n \)) 且结果只有两种（成功或失败）时，请使用此模型。
特性：
- 平均值： \( E(X) = np \)
- 方差： \( Var(X) = np(1-p) \)
记忆辅助：将 "np" 想象成试验次数乘以成功的概率。如果你盲猜一份 10 题的多项选择题（\( p=0.25 \)），你“预期”会答对 \( 10 \times 0.25 = 2.5 \) 题。
5. 泊松分布 \( X \sim Po(\lambda) \)
泊松分布 (Poisson Distribution) 用于模拟在固定的时间或空间区间内发生的事件数量。
使用时机：
泊松模型要有效，需要满足三个条件：
1. 事件独立地发生。
2. 事件以固定的平均速率 (\( \lambda \)) 发生。
3. 事件随机地且单独地发生。
“泊松魔法”特性：
在泊松分布中，平均值等于方差！
\( E(X) = \lambda \)
\( Var(X) = \lambda \)
快速提示：如果题目问你泊松模型是否适合某个数据集，检查平均值和方差是否相似。如果它们差异很大，泊松通常不是一个好的选择！
泊松的分布相加：
如果 \( X \sim Po(\lambda) \) 和 \( Y \sim Po(\mu) \) 是独立的，那么它们的和也符合泊松分布：
\( X + Y \sim Po(\lambda + \mu) \)
6. 几何分布 \( X \sim Geo(p) \)
几何分布 (Geometric Distribution) 模拟“等待时间”。它计算直到包含第一次成功为止所需的试验次数。
例子：我需要抛多少次硬币才能得到第一次“正面”？
关键公式：
- 在第 \( r \) 次试验成功的概率： \( P(X=r) = (1-p)^{r-1}p \)
- 需要超过 \( r \) 次试验的概率： \( P(X > r) = (1-p)^r \)
- 平均值（期望值）： \( E(X) = \frac{1}{p} \)
- 方差： \( Var(X) = \frac{1-p}{p^2} \)
常见错误：注意区分“超过”(more than) 和“至少”(at least)。如果 \( X \sim Geo(0.2) \)，成功所需的平均尝试次数为 \( 1 / 0.2 = 5 \)。
7. 独立变量的线性组合
这是 Further Maths 升级的地方。如果我们结合两个不同的独立随机变量 \( X \) 和 \( Y \)，会发生什么事？
期望值规则：
期望值非常友善。它们可以直接相加或相减：
\( E(X + Y) = E(X) + E(Y) \)
\( E(X - Y) = E(X) - E(Y) \)
方差规则（棘手的部分！）：
如果变量是独立的，方差总是相加，即使你是在减去变量本身！
\( Var(X + Y) = Var(X) + Var(Y) \)
\( Var(X - Y) = Var(X) + Var(Y) \)
类比：想象两个人测量一个房间。A 产生了一个小误差 (\( X \))，B 也产生了一个小误差 (\( Y \))。无论他们将测量值相加还是相减，最终答案中的总“不确定性”（方差）都会增加。误差永远不会相互抵消！
重点总结：
对于独立变量，\( Var(aX \pm bY) = a^2Var(X) + b^2Var(Y) \)。务必将系数平方，并且永远将方差相加。
总结清单
在继续学习之前，确保你能：
- 使用 \( \sum P = 1 \) 找出缺失的概率。
- 从表格中计算 \( E(X) \) 和 \( Var(X) \)。
- 应用 \( E(aX+b) \) 和 \( Var(aX+b) \)。
- 识别并使用均匀、二项、泊松和几何模型。
- 使用方差相加规则来组合独立变量。
如果起初看起来很棘手，别担心！统计学的核心在于练习。一旦你开始识别数字背后的“故事”（例如：“噢，这是一个等待时间问题，一定是几何分布！”），公式自然就会运用自如了。