離散隨機變數簡介
歡迎來到 Further Maths 學習旅程中最實用的章節之一！在 Statistics Major（統計學主修） 的這部分中，我們將探討如何為結果是「可數」（離散）的事件建立模型。無論你是要計算一場比賽中的進球數、玩遊戲時通過一關所需的嘗試次數，還是一小時內收到的電郵數量，離散隨機變數 (Discrete Random Variables) 都是你必備的工具。
如果這些概念起初看起來有點抽象，別擔心！我們會將它們拆解成簡單的步驟，運用日常邏輯和清晰的公式來學習。學完後，你將能夠預測各種現實場景中的平均值與分佈情況！
1. 機率分佈：基礎知識
隨機變數 (Random Variable)（通常記作 \( X \)）是指其數值取決於隨機事件結果的量。如果是離散的 (discrete)，它只能取特定的、分開的數值（例如 1, 2, 3...，但不能是 1.57）。
機率分佈 (Probability Distribution) 僅僅是一個列表、表格或圖表，顯示了 \( X \) 所有可能的取值以及每個取值發生的機率。
必須記住的關鍵規則：
1. 每個獨立的機率必須介於 0 和 1 之間：\( 0 \le P(X=x) \le 1 \)。
2. 黃金法則：分佈中所有機率的總和必須恰好等於 1。
\( \sum P(X=x) = 1 \)
快速複習：如果你拿到一個缺少其中一個機率的表格，只需將其他機率加起來，然後用 1 減去該總和即可。就這麼簡單！
2. 期望值（平均值）與變異數
當我們觀察一個分佈時，通常想知道兩件事：什麼是「平均」結果？以及結果有多「分散」？
期望值 \( E(X) \)
期望值 (Expectation) 是隨機變數的長期平均值。它也被稱為平均值 (Mean) (\( \mu \))。
計算方法：將每個數值乘以其機率，然後將它們全部加起來。
\( E(X) = \sum x P(X=x) \)
變異數 \( Var(X) \)
變異數 (Variance) 用於衡量數據的分散程度。它告訴我們這些數值平均距離平均值有多遠。
公式： \( Var(X) = E(X^2) - [E(X)]^2 \)
要找到 \( E(X^2) \)，你需要將每個 \( x \) 值平方，乘以對應的機率，然後將它們加總。
標準差 (Standard Deviation)：這只是變異數的平方根：\( \sigma = \sqrt{Var(X)} \)。
常見錯誤：計算變異數時，許多學生會忘記在減去平均值之前先將平均值平方。記住「平均值的平方減去平方後的平均值」這個規則！
編碼（線性變換）
有時我們會改變變數（例如將其加倍或加上一個常數）。平均值和變異數會隨之這樣變化：
1. \( E(aX + b) = aE(X) + b \)（平均值的變化符合你的預期）。
2. \( Var(aX + b) = a^2Var(X) \)（加上 \( b \) 不會改變分散程度，但乘以 \( a \) 會使變異數增加 \( a^2 \) 倍）。
重點總結：
期望值是數據的「中心」，而變異數則是數據的「伸縮空間」。
3. 離散均勻分佈 (Discrete Uniform Distribution)
這是最簡單的模型。當每個結果的機率完全相同時，我們就會使用它。
例子：擲一枚公平的六面骰子。從 1 到 6 的每個數字機率都是 \( \frac{1}{6} \)。
對於數值集合 \( \{1, 2, ..., n\} \) 的均勻分佈：
- 平均值： \( E(X) = \frac{n+1}{2} \)
- 變異數： \( Var(X) = \frac{n^2-1}{12} \)
你知道嗎？你可以透過調整這些公式來適用於任何連續整數集合（例如 4, 5, 6, 7, 8, 9），但課程大綱特別要求你掌握從 \( 1 \) 到 \( n \) 的情況。
4. 二項分佈 \( X \sim B(n, p) \)
你在 A Level 數學中已經見過它，但在這裡同樣至關重要。當你有固定數量的試驗次數 (\( n \)) 且結果只有兩種（成功或失敗）時，請使用此模型。
特性：
- 平均值： \( E(X) = np \)
- 變異數： \( Var(X) = np(1-p) \)
記憶輔助：將 "np" 想像成試驗次數乘以成功的機率。如果你盲猜一份 10 題的多項選擇題（\( p=0.25 \)），你「預期」會答對 \( 10 \times 0.25 = 2.5 \) 題。
5. 卜瓦松分佈 \( X \sim Po(\lambda) \)
卜瓦松分佈 (Poisson Distribution) 用於模擬在固定的時間或空間區間內發生的事件數量。
使用時機：
卜瓦松模型要有效，需要滿足三個條件：
1. 事件獨立地發生。
2. 事件以固定的平均速率 (\( \lambda \)) 發生。
3. 事件隨機地且單獨地發生。
「卜瓦松魔法」特性：
在卜瓦松分佈中，平均值等於變異數！
\( E(X) = \lambda \)
\( Var(X) = \lambda \)
快速提示：如果題目問你卜瓦松模型是否適合某個數據集，檢查平均值和變異數是否相似。如果它們差異很大，卜瓦松通常不是一個好的選擇！
卜瓦松的分佈相加：
如果 \( X \sim Po(\lambda) \) 和 \( Y \sim Po(\mu) \) 是獨立的，那麼它們的和也符合卜瓦松分佈：
\( X + Y \sim Po(\lambda + \mu) \)
6. 幾何分佈 \( X \sim Geo(p) \)
幾何分佈 (Geometric Distribution) 模擬「等待時間」。它計算直到包含第一次成功為止所需的試驗次數。
例子：我需要拋多少次硬幣才能得到第一次「正面」？
關鍵公式：
- 在第 \( r \) 次試驗成功的機率： \( P(X=r) = (1-p)^{r-1}p \)
- 需要超過 \( r \) 次試驗的機率： \( P(X > r) = (1-p)^r \)
- 平均值（期望值）： \( E(X) = \frac{1}{p} \)
- 變異數： \( Var(X) = \frac{1-p}{p^2} \)
常見錯誤：注意區分「超過」(more than) 和「至少」(at least)。如果 \( X \sim Geo(0.2) \)，成功所需的平均嘗試次數為 \( 1 / 0.2 = 5 \)。
7. 獨立變數的線性組合
這是 Further Maths 升級的地方。如果我們結合兩個不同的獨立隨機變數 \( X \) 和 \( Y \)，會發生什麼事？
期望值規則：
期望值非常友善。它們可以直接相加或相減：
\( E(X + Y) = E(X) + E(Y) \)
\( E(X - Y) = E(X) - E(Y) \)
變異數規則（棘手的部分！）：
如果變數是獨立的，變異數總是相加，即使你是在減去變數本身！
\( Var(X + Y) = Var(X) + Var(Y) \)
\( Var(X - Y) = Var(X) + Var(Y) \)
類比：想像兩個人測量一個房間。A 產生了一個小誤差 (\( X \))，B 也產生了一個小誤差 (\( Y \))。無論他們將測量值相加還是相減，最終答案中的總「不確定性」（變異數）都會增加。誤差永遠不會相互抵消！
重點總結：
對於獨立變數，\( Var(aX \pm bY) = a^2Var(X) + b^2Var(Y) \)。務必將係數平方，並且永遠將變異數相加。
總結清單
在繼續學習之前，確保你能：
- 使用 \( \sum P = 1 \) 找出缺失的機率。
- 從表格中計算 \( E(X) \) 和 \( Var(X) \)。
- 應用 \( E(aX+b) \) 和 \( Var(aX+b) \)。
- 識別並使用均勻、二項、卜瓦松和幾何模型。
- 使用變異數相加規則來組合獨立變數。
如果起初看起來很棘手，別擔心！統計學的核心在於練習。一旦你開始識別數字背後的「故事」（例如：「噢，這是一個等待時間問題，一定是幾何分佈！」），公式自然就會運用自如了。