歡迎來到機率分佈的世界！
你有沒有想過保險公司是如何決定保費的？或是遊戲開發人員怎麼知道遊戲中的新武器是否「過強」？這些都是透過機率分佈 (Probability Distributions) 來解決的。在這章節中，我們將學習如何從簡單的「運氣」跨越到結構化的數學模型，利用這些模型預測幾乎所有事物的長期結果。如果以前你覺得機率很難，別擔心；我們會一步一步帶你攻克！
1. 什麼是隨機變數？
在研究分佈之前，我們得先了解我們在測量什麼。在數學上，我們使用隨機變數 (Random Variable)（通常以大寫字母 X 表示）來代表實驗的數值結果。
你需要認識兩大類型：
1. 離散型隨機變數 (Discrete Random Variables)： 這些是你可以用數出來的事物。例如：擲 3 次硬幣出現正面次數，或是一次測驗中及格的學生人數。畢竟你不可能有 2.5 個學生！
2. 連續型隨機變數 (Continuous Random Variables)： 這些是你需要用量度出來的事物。例如：學生的身高，或是跑完比賽所需的時間。這些數值在某個範圍內可以是任何值（例如 1.54 米）。
記憶小撇步：
如果你可以說「……的數量」，那通常是離散型。如果你需要用尺、磅秤或碼錶，那通常就是連續型。
重點總結： 隨機變數 \(X\) 將事件與數字聯繫起來。例如擲一顆骰子，\(X\) 可以是朝上的點數 {1, 2, 3, 4, 5, 6}。
2. 離散機率分佈
機率分佈簡單來說，就是一張表格或一個公式，列出了所有可能的結果及其發生的機率。
黃金法則：
對於任何有效的機率分佈：
1. 每個個別的機率必須介於 0 到 1 之間：\(0 \le P(X=x) \le 1\)。
2. 所有機率的總和必須等於 1。數學符號為：\(\sum P(X=x) = 1\)。
例子：擲公平骰子
如果 \(X\) 是擲六面骰子的結果，其分佈如下：
\(x\): 1, 2, 3, 4, 5, 6
\(P(X=x)\): \(1/6\), \(1/6\), \(1/6\), \(1/6\), \(1/6\), \(1/6\)
將它們相加，你會得到 \(6/6 = 1\)。這就是正確的！
避免常見錯誤：
學生常忘記總和必須精確等於 1。如果你計算後發現總和是 1.2 或 0.9，請回頭檢查你的加法！
重點總結： 分佈表就是一張地圖，標示出所有可能的結果及其發生的「機會」。
3. 期望值：長期平均值
期望值 (Expected Value)，寫作 \(E(X)\)，是指如果你重複進行該實驗數千次後，你所預期得到的平均值。它也被稱為分佈的平均數 (\(\mu\))。
如何計算：
將每個結果 (\(x\)) 乘以它的機率 (\(P\))，然後將它們全部加總。
公式： \(E(X) = \sum x \cdot P(X=x)\)
例子：簡單的遊戲
想像一個遊戲，你有 20% 的機率贏得 \$10，有 80% 的機率贏得 \$2。
\(E(X) = (10 \cdot 0.20) + (2 \cdot 0.80)\)
\(E(X) = 2 + 1.6 = 3.6\)
這意味著如果你玩很多次這個遊戲，平均每次遊戲你會贏得 \$3.60。
你知道嗎？
在博弈世界裡，如果一個遊戲的 \(E(X)\) 為負數，代表玩家長期下來預期會虧錢。這就是賭場維持營運的方式！
重點總結： 期望值並非「最可能」出現的結果，它是長期來看所有結果的數學平均值。
4. 二項分佈 (Binomial Distribution)
這是一種特殊的離散分佈。當實驗只有兩種可能的結果時使用：「成功」或「失敗」。
符合條件嗎？請使用「BINS」測試：
B - Binary（二元）： 只有兩種結果（例如：正面/反面，贏/輸）。
I - Independent（獨立）： 一次試驗不會影響下一次。
N - Number（次數）： 有固定的試驗次數 (\(n\))。
S - Success（成功）： 每次成功的機率 (\(p\)) 保持不變。
公式：
若要在 \(n\) 次試驗中得到精確 \(r\) 次成功的機率：
\(P(X=r) = \binom{n}{r} p^r (1-p)^{n-r}\)
別慌！ 在 Year 5，大部分時候你會使用圖形計算機 (GDC) 來解題。尋找像 BinomPDF（用於精確數值）和 BinomCDF（用於數值範圍，例如「3 次或更少」）這樣的函數。
逐步範例：
如果你擲硬幣 10 次，得到剛好 5 個正面的機率是多少？
1. \(n = 10\)（試驗次數）
2. \(p = 0.5\)（出現正面的機率）
3. \(r = 5\)（我們想要的成功次數）
4. 使用 GDC 的 "BinomPDF(10, 0.5, 5)" 即可得到答案！
重點總結： 二項分佈 = 兩種結果。使用計算機來處理複雜的運算吧！
5. 常態分佈簡介 (Normal Distribution)
二項分佈用於數數，而常態分佈則用於量度。這就是你在自然界中常見的「鐘形曲線」，例如身高、鞋碼或考試分數。
關鍵特性：
1. 對稱性： 左側是右側的鏡像。
2. 平均數即峰值： 平均數 (\(\mu\))、中位數和眾數都在中心點。
3. 總面積 = 1： 就像離散機率總和為 1 一樣，這條曲線下的總面積恰好為 1（或 100%）。
68-95-99.7 法則（經驗法則）：
這是一個利用標準差 (\(\sigma\)) 來了解數據分佈情況的神奇技巧：
- 約 68% 的數據落在平均值左右 1 個標準差的範圍內。
- 約 95% 的數據落在平均值左右 2 個標準差的範圍內。
- 約 99.7% 的數據落在平均值左右 3 個標準差的範圍內。
現實生活類比：
想想成人的身高。大多數人都是「平均身高」（曲線中間的高峰）。當你移向「非常矮」或「非常高」時，人數會越來越少。這就是曲線在兩端變平的原因！
重點總結： 常態分佈是數據的「自然」形狀。大多數事物位於中間，極端值則很罕見。
最終複習清單
在評估之前，請確保你能：
- 識別變數是離散型還是連續型。
- 找出分佈表中的缺失機率（記得它們相加要等於 1）。
- 使用 \(\sum x \cdot P(x)\) 方法計算期望值。
- 使用 BINS 識別二項分佈情況。
- 使用 GDC 計算二項機率。
- 畫出常態分佈圖並標示 68-95-99.7 的區域。