欢迎来到概率与统计数学模型的世界！
你好，未来的统计学家！本章将带你领略概率论与现实应用的碰撞。我们将超越基础的概率规则，开始运用强大的数学工具——即模型——来预测结果并量化不确定性。
如果此前你觉得概率论有些抽象，请别担心。学完本单元，你将能够针对各种情境选择合适的模型进行描述，比如篮球比赛中投篮命中的次数，或是大批量产品中次品的检测概率。这些都是高阶统计学必备的核心知识！
第 1 节：离散型随机变量 (Discrete Random Variables, DRVs)
什么是随机变量？
随机变量（通常用大写字母如 \(X\)、\(Y\) 或 \(R\) 表示）是一个其取值由随机事件结果决定的变量。
例如，当你掷骰子时，结果是随机的，但我们可以将这些结果赋予数值（1, 2, 3, 4, 5, 6）。此时，\(X\) 可以代表骰子掷出的点数。
如果一个变量只能取特定的、离散的数值（通常是整数），那么它就是离散型的。你可以清楚地数出可能的结果。
例子：掷三次硬币时正面朝上的次数（\(X\) 可以是 0, 1, 2 或 3）。
非离散例子（连续型）：人的身高（可以在一定范围内取任意值）。
概率分布
离散型随机变量 \(X\) 的概率分布是一份完整的清单，列出了变量所有可能的取值及其对应的概率。
这通常以表格形式呈现：
概率分布的关键性质：
- 每个概率值必须在 0 到 1 之间：\(0 \le P(X=x) \le 1\)。
- 所有概率的总和必须等于 1：\(\sum P(X=x) = 1\)。
常见错误提醒！务必检查所有概率之和是否正好等于 1。如果不等于 1，说明你漏掉了某种结果或计算出现了偏差。
快速回顾：离散型随机变量
离散型随机变量取值明确且可数。其分布列出了每个取值及相应的概率，且所有概率之和必须为一。
第 2 节：离散分布的描述
得到分布后，我们需要方法来总结它的特征。最重要的两个度量指标是期望值（平均数）和方差（离散程度）。
1. 期望值 \(E(X)\)
期望值 \(E(X)\) 是随机变量的长期平均结果，也称为均值 (\(\mu\))。
比喻：如果你玩某款游戏成千上万次，\(E(X)\) 就是你预期每局赢（或输）的平均金额。
计算公式为： \[E(X) = \mu = \sum x P(X=x)\]
通俗地说：将每个可能的值乘以其对应的概率，然后求和。
2. 方差与标准差
方差 \(Var(X)\) 用于衡量分布的离散程度或波动性——即结果平均偏离均值的距离。
标准公式（定义）： \[Var(X) = E((X - \mu)^2) = \sum (x - \mu)^2 P(X=x)\]
更快捷的计算公式（考试常用）： \[Var(X) = E(X^2) - [E(X)]^2\]
其中 \(E(X^2) = \sum x^2 P(X=x)\)。
标准差 (\(\sigma\)) 仅仅是方差的平方根。因为它与 \(X\) 的单位一致，所以更容易直观理解。 \[\sigma = \sqrt{Var(X)}\]
3. 线性变换
如果我们对随机变量进行线性变换，会发生什么？对于常数 \(a\) 和 \(b\)，以及随机变量 \(X\)：
变换的期望值： \[E(aX + b) = a E(X) + b\] 期望值同时受乘法因子 (\(a\)) 和加法因子 (\(b\)) 的影响。
变换的方差： \[Var(aX + b) = a^2 Var(X)\] 方差只受乘法因子 (\(a\)) 的影响，且必须将系数 \(a\) 平方。加上一个常数 (\(b\)) 只是将整个分布平移，不会改变其离散程度，所以 \(b\) 在方差中消失了！
计算要点提示
记住流程：先算 \(E(X)\)，再算 \(E(X^2)\)，最后利用简化公式求 \(Var(X)\)。计算方差时，一定要注意对整个 \(E(X)\) 项进行平方！
第 3 节：概率中的数学模型
什么是概率模型？
概率模型是一种理论上的概率分布，我们用它来模拟现实世界的情况。使用模型可以避免每次都从头计算每一个概率。
使用模型需要我们对现实场景做出一定的假设。如果这些假设合理，模型拟合度就高。如果假设被违背（即假设不成立），模型的结果就会不准确。
在本单元中，我们要学习的最重要的离散模型是二项分布。
第 4 节：二项分布 \(B(n, p)\)
二项分布是一个强大的模型，适用于固定次数的独立试验，且每次试验只有两种可能的结果：成功或失败。
二项分布的条件（BINS 检查法）
只有满足四个条件，才能使用二项分布 \(X \sim B(n, p)\)。使用记忆术 BINS 来核对：
- Binary Outcomes（二元结果）：每次试验只有两种结果（成功或失败）。
- Independent Trials（独立试验）：一次试验的结果不影响其他任何试验的结果。
- Number of Trials is fixed（试验次数固定）：试验总次数 \(n\) 必须提前确定。
- Same Probability（概率相同）：每次试验成功的概率 \(p\) 必须保持不变。
你知道吗？二项分布常用于质量控制（产品是否为次品？）和医学测试（病人是否康复？）。
符号表示
如果 \(X\) 服从二项分布，我们记作： \[X \sim B(n, p)\] 其中：
- \(n\) 是试验次数。
- \(p\) 是单次试验成功的概率。
二项分布概率公式
在 \(n\) 次试验中恰好获得 \(x\) 次成功的概率由下式给出： \[P(X=x) = \binom{n}{x} p^x (1-p)^{n-x}\]
公式拆解：
- \(\binom{n}{x}\)（读作“n 选 x”）是在 \(n\) 次试验中安排 \(x\) 次成功的组合数。计算方法为 \(\frac{n!}{x!(n-x)!}\)。
- \(p^x\) 是获得 \(x\) 次成功的概率。
- \((1-p)^{n-x}\) 是获得 \(n-x\) 次失败的概率。（失败概率 \(1-p\) 常记作 \(q\)）。
计算示例步骤：
若 \(X \sim B(10, 0.3)\)，求 \(P(X=2)\)。（10 次试验，成功概率 0.3，我们想要 2 次成功）。
- 确定参数：\(n=10\)，\(x=2\)，\(p=0.3\)，\(1-p=0.7\)。
- 计算组合数：\(\binom{10}{2} = 45\)。
- 计算概率：\(P(X=2) = 45 \times (0.3)^2 \times (0.7)^{10-2}\)
- \(P(X=2) = 45 \times 0.09 \times (0.7)^8 \approx 0.2335\)
使用二项分布表和计算器（累积概率）
当 \(n\) 很大时，直接套用公式计算非常繁琐。我们通常使用统计表或计算器的内置功能。
统计表通常提供累积概率： \[P(X \le x)\] 这代表成功次数为 \(x\) 次或更少的概率。
如何处理不同的不等式：
- \(P(X < x)\) 等同于 \(P(X \le x-1)\)。（如果想要少于 5 次，即意味着 4 次或更少）。
- \(P(X \ge x) = 1 - P(X \le x-1)\)。（补集法则）。
- \(P(X > x) = 1 - P(X \le x)\)。
- \(P(a \le X \le b) = P(X \le b) - P(X \le a-1)\)。
如果一开始觉得绕，别担心。练习将各种不等式转化为 \(P(X \le k)\) 的形式，这是极其关键的技巧！
二项分布的期望与方差
不同于一般离散型随机变量需要对 \(x P(X=x)\) 求和，二项分布的均值和方差有极其简洁的公式，这源于其独特的结构：
期望值（均值）： \[E(X) = np\]
方差： \[Var(X) = np(1-p)\]
例子：掷一枚均匀硬币 (p=0.5) 20 次 (n=20)，正面朝上的期望次数为 \(E(X) = 20 \times 0.5 = 10\)。
要点总结：二项分布模型
当我们需要在固定次数的独立试验中计算成功次数时，使用二项模型 \(B(n, p)\)。务必核对 BINS 条件。利用 \(E(X)=np\) 和 \(Var(X)=np(1-p)\) 可以快速计算分布的中心位置和离散程度。
全章总结
我们首先学习了离散型随机变量，掌握了如何计算其期望值（均值）和方差（离散程度）。接着我们将这些概念应用于第一个重要的数学模型：二项分布。本章的学习成功与否，取决于你能否识别题目是否符合 BINS 条件，并准确使用统计表或公式处理累积概率。继续加油练习那些不等式的转换吧！