欢迎来到概率分布的世界！
你有没有想过保险公司是如何决定保费的？或是游戏开发人员怎么知道游戏中的新武器是否“过强”？这些都是透过概率分布 (Probability Distributions) 来解决的。在这一章节中，我们将学习如何从简单的“运气”跨越到结构化的数学模型，利用这些模型预测几乎所有事物的长期结果。如果以前你觉得概率很难，别担心；我们会一步一步带你攻克！
1. 什么是随机变量？
在研究分布之前，我们得先了解我们在测量什么。在数学上，我们使用随机变量 (Random Variable)（通常以大写字母 X 表示）来代表实验的数值结果。
你需要认识两大类型：
1. 离散型随机变量 (Discrete Random Variables)： 这些是你可以用数出来的事物。例如：掷 3 次硬币出现正面次数，或是一次测验中及格的学生人数。毕竟你不可能有 2.5 个学生！
2. 连续型随机变量 (Continuous Random Variables)： 这些是你需要用量度出来的事物。例如：学生的身高，或是跑完比赛所需的时间。这些数值在某个范围内可以是任何值（例如 1.54 米）。
记忆小撇步：
如果你可以说“……的数量”，那通常是离散型。如果你需要用尺、磅秤或码表，那通常就是连续型。
重点总结： 随机变量 \(X\) 将事件与数字联系起来。例如掷一颗骰子，\(X\) 可以是朝上的点数 {1, 2, 3, 4, 5, 6}。
2. 离散概率分布
概率分布简单来说，就是一张表格或一个公式，列出了所有可能的结果及其发生的概率。
黄金法则：
对于任何有效的概率分布：
1. 每个个别的概率必须介于 0 到 1 之间：\(0 \le P(X=x) \le 1\)。
2. 所有概率的总和必须等于 1。数学符号为：\(\sum P(X=x) = 1\)。
例子：掷公平骰子
如果 \(X\) 是掷六面骰子的结果，其分布如下：
\(x\): 1, 2, 3, 4, 5, 6
\(P(X=x)\): \(1/6\), \(1/6\), \(1/6\), \(1/6\), \(1/6\), \(1/6\)
将它们相加，你会得到 \(6/6 = 1\)。这就是正确的！
避免常见错误：
学生常忘记总和必须精确等于 1。如果你计算后发现总和是 1.2 或 0.9，请回头检查你的加法！
重点总结： 分布表就是一张地图，标示出所有可能的结果及其发生的“机会”。
3. 期望值：长期平均值
期望值 (Expected Value)，写作 \(E(X)\)，是指如果你重复进行该实验数千次后，你所预期得到的平均值。它也被称为分布的平均数 (\(\mu\))。
如何计算：
将每个结果 (\(x\)) 乘以它的概率 (\(P\))，然后将它们全部加总。
公式： \(E(X) = \sum x \cdot P(X=x)\)
例子：简单的游戏
想像一个游戏，你有 20% 的概率赢得 \$10，有 80% 的概率赢得 \$2。
\(E(X) = (10 \cdot 0.20) + (2 \cdot 0.80)\)
\(E(X) = 2 + 1.6 = 3.6\)
这意味着如果你玩很多次这个游戏，平均每次游戏你会赢得 \$3.60。
你知道吗？
在博弈世界里，如果一个游戏的 \(E(X)\) 为负数，代表玩家长期下来预期会亏钱。这就是赌场维持营运的方式！
重点总结： 期望值并非“最可能”出现的结果，它是长期来看所有结果的数学平均值。
4. 二项分布 (Binomial Distribution)
这是一种特殊的离散分布。当实验只有两种可能的结果时使用：“成功”或“失败”。
符合条件吗？请使用“BINS”测试：
B - Binary（二元）： 只有两种结果（例如：正面/反面，赢/输）。
I - Independent（独立）： 一次试验不会影响下一次。
N - Number（次数）： 有固定的试验次数 (\(n\))。
S - Success（成功）： 每次成功的概率 (\(p\)) 保持不变。
公式：
若要在 \(n\) 次试验中得到精确 \(r\) 次成功的概率：
\(P(X=r) = \binom{n}{r} p^r (1-p)^{n-r}\)
别慌！ 在 Year 5，大部分时候你会使用图形计算器 (GDC) 来解题。寻找像 BinomPDF（用于精确数值）和 BinomCDF（用于数值范围，例如“3 次或更少”）这样的函数。
逐步范例：
如果你掷硬币 10 次，得到刚好 5 个正面的概率是多少？
1. \(n = 10\)（试验次数）
2. \(p = 0.5\)（出现正面的概率）
3. \(r = 5\)（我们想要的成功次数）
4. 使用 GDC 的 "BinomPDF(10, 0.5, 5)" 即可得到答案！
重点总结： 二项分布 = 两种结果。使用计算器来处理复杂的运算吧！
5. 正态分布简介 (Normal Distribution)
二项分布用于数数，而正态分布则用于量度。这就是你在自然界中常见的“钟形曲线”，例如身高、鞋码或考试分数。
关键特性：
1. 对称性： 左侧是右侧的镜像。
2. 平均数即峰值： 平均数 (\(\mu\))、中位数和众数都在中心点。
3. 总面积 = 1： 就像离散概率总和为 1 一样，这条曲线下的总面积恰好为 1（或 100%）。
68-95-99.7 法则（经验法则）：
这是一个利用标准差 (\(\sigma\)) 来了解数据分布情况的神奇技巧：
- 约 68% 的数据落在平均值左右 1 个标准差的范围内。
- 约 95% 的数据落在平均值左右 2 个标准差的范围内。
- 约 99.7% 的数据落在平均值左右 3 个标准差的范围内。
现实生活类比：
想想成人的身高。大多数人都是“平均身高”（曲线中间的高峰）。当你移向“非常矮”或“非常高”时，人数会越来越少。这就是曲线在两端变平的原因！
重点总结： 正态分布是数据的“自然”形状。大多数事物位于中间，极端值则很罕见。
最终复习清单
在评估之前，请确保你能：
- 识别变量是离散型还是连续型。
- 找出分布表中的缺失概率（记得它们相加要等于 1）。
- 使用 \(\sum x \cdot P(x)\) 方法计算期望值。
- 使用 BINS 识别二项分布情况。
- 使用 GDC 计算二项概率。
- 画出正态分布图并标示 68-95-99.7 的区域。