欢迎来到统计分布！
在本章中，我们将从观察已收集的数据，进阶到预测未来可能发生的情况。统计分布（Statistical distributions）就像数学上的“蓝图”，告诉我们随机事件中各种结果发生的可能性。无论你是在预测有多少人会点击广告，还是花园里有多少种子会发芽，这些工具都将成为你最好的帮手！
如果公式起初看起来有点吓人，请别担心。我们将一步步拆解它们，你很快就会发现，绝大部分繁琐的计算其实都可以交给计算器完成！
1. 离散概率分布
在深入了解特定的模型之前，我们需要先理解什么是离散随机变量（Discrete Random Variable）。
- 变量（Variable）：一个可以改变的量（通常称为 \( X \)）。
- 随机（Random）：结果取决于机会。
- 离散（Discrete）：它只能取特定的、分开的数值（例如 0, 1, 2...）。你不可能有 1.5 个兄弟姐妹，也不可能掷硬币 2.3 次！
表示分布的方式
我们可以通过两种主要方式来呈现分布：表格（table）或公式（formula）（概率质量函数）。
黄金法则：对于任何离散概率分布，所有个别概率的总和必须等于 1。 \( \sum P(X=x) = 1 \)。如果总和不等于 1，这就不是一个有效的概率分布！
例子（表格）：想象一个三面的转盘。
\( x \)：1, 2, 3
\( P(X=x) \)：0.2, 0.5, 0.3
在这里，\( 0.2 + 0.5 + 0.3 = 1.0 \)。它是有效的！
例子（公式）：有时概率会以函数形式给出，例如 \( P(X=x) = kx \)，其中 \( x = 1, 2, 3 \)。若要找出 \( k \)，你需要将 \( 1k + 2k + 3k \) 相加并令其等于 1。
重点回顾：
核心概念：离散分布处理的是“可数”的结果，且“地图”上的所有概率总和必须恰好为 1。
2. 二项分布
二项分布（Binomial Distribution）是一种特殊类型的分布，用于我们有固定次数的试验，且只有两种可能的结果时：成功（Success）或失败（Failure）。
我们何时可以使用它？（BINS 记忆法）
要使用二项模型，必须满足四个条件。请记住 BINS：
- B - Binary（二元）：只有两种结果（成功或失败）。
- I - Independent（独立）：一次试验的结果不会影响下一次。
- N - Number（次数）：试验次数是固定的（\( n \)）。
- S - Success（成功）：每次试验成功的概率（\( p \)）都是相同的。
符号表示：我们写作 \( X \sim B(n, p) \)。
其中 \( n \) 是试验次数，\( p \) 是成功概率。
你知道吗？“二项”（Binomial）一词来自“Bi”（两个）和“nom”（名称/项）——指的是那两种结果：成功和失败！
3. 计算二项概率
要找出恰好获得 \( x \) 次成功的概率，有两种方法：使用公式或使用计算器。
公式法
在 \( n \) 次试验中获得恰好 \( x \) 次成功的概率为：
\( P(X=x) = \binom{n}{x} p^x (1-p)^{n-x} \)
让我们拆解一下：
- \( \binom{n}{x} \)：这是安排成功次序的方法数（在计算器上使用 \( nCr \) 按键）。
- \( p^x \)：成功概率的 \( x \) 次方。
- \( (1-p)^{n-x} \)：失败概率的失败次数次方。
使用计算器（专业方法）
在 OCR 考试中，你需要会使用计算器的统计功能。
- Binomial PD (Probability Density)：用于找出精确数值的概率，例如 \( P(X = 3) \)。
- Binomial CD (Cumulative Distribution)：用于找出范围的概率，特别是“不大 于某数”（包含该数），例如 \( P(X \le 3) \)。
常见陷阱：如果题目要求“大于 3”（\( P(X > 3) \)），计算器无法直接运算。你必须计算 \( 1 - P(X \le 3) \)。永远记住总概率是 1！
重点回顾：
核心概念：遇到“成功/失败”的情境请使用 \( X \sim B(n, p) \)。求“恰好”用 PD；求“不大 于”用 CD。随时检查是否需要用 \( 1 - \dots \) 来计算补集。
4. 模型与假设
在考试题目中，你经常会被要求评价（criticise）模型或陈述假设（assumptions）。
- 条件（Condition）：数学运作所需的要求（例如：“试验必须是独立的”）。
- 假设（Assumption）：当你在真实情境中假设条件已满足（例如：“我们假设一名学生感冒不会影响另一名学生感冒的概率”）。
例子：如果你从一个非常大的群体中抽取样本，即使我们采取不放回抽样，我们通常也会假设它们是独立的，因为群体实在太大，概率的改变微乎其微。课程大纲指出，除非另有说明，否则你可以假设群体够大，足以进行不放回抽样。
小提醒：语境很重要！在解释假设时，一定要结合题目的背景（例如谈论“种子”、“汽车”或“投票”，而不仅仅是 \( n \) 和 \( p \)）。
总结清单
1. 我所有离散概率的总和是否等于 1？
2. 该情境是否符合 BINS？
3. 我是否已正确找出 \( n \)（试验次数）和 \( p \)（成功概率）？
4. 求“恰好”时我有使用 PD 吗？求“不大 于”时我有使用 CD 吗？
5. 如果题目问“至少（at least）”，我是用 \( 1 - P(X \le \dots) \) 来计算吗？
你已经完成了统计分布的笔记！持续练习使用计算器——这是熟习这些概念的最佳途径。