歡迎來到離散隨機變數的世界！
在 AQA Further Mathematics 課程的這個章節中，我們將深入探討離散隨機變數 (Discrete Random Variables, DRVs) 與期望值 (Expectation)。簡單來說，我們將學習如何預測那些結果為數值且可數的遊戲、實驗或現實事件的「平均」結果。
如果起初覺得這些概念有點抽象，請別擔心。你可以把 DRV 想像成一種將「運氣」量化的方法！無論你是數學高手，還是覺得統計學有點「撞彩」，這些筆記都會將所有內容拆解成簡單、易懂的步驟。
1. 什麼是離散隨機變數？
隨機變數 (Random Variable) 就是一個數值，其大小取決於隨機事件的結果。我們通常使用大寫字母（例如 \( X \)）來代表變數本身，並使用小寫字母（例如 \( x \)）來代表它實際可以取到的值。
離散 (Discrete) 意味著變數只能取特定的、分開的數值（例如 1, 2, 3...），而不是範圍內的任何值（例如身高或體重）。
例子：拋擲硬幣三次所得的正面次數就是一個 DRV。你可以得到 0, 1, 2 或 3 次正面，但不可能得到 1.5 次！
機率分佈
我們通常使用機率分佈表 (Probability Distribution Table) 來展示 DRV。這張表會列出每個可能的數值 \( x \)，以及該數值發生的機率 \( P(X=x) \)。
黃金法則： 分佈中所有機率的總和必須等於 1。
\( \sum P(X=x) = 1 \)
有時候，我們不會得到表格，而是得到一個機率質量函數 (Probability Mass Function, PMF)。這只是一個能幫你計算任意給定 \( x \) 對應機率的公式。
例子：對於 \( x = 1, 2, 3 \)，設 \( P(X=x) = kx \)。要找出 \( k \)，你需要計算 \( k(1) + k(2) + k(3) = 1 \)。
重點速查：
• 離散： 可數的數值（中間沒有小數）。
• 隨機變數： 基於隨機結果的一個數值。
• 機率總和： 永遠是 1！
2. 平均與離散程度的度量
就像處理基本數據一樣，我們想知道 DRV 的「中間位置」和「離散程度」。以下是你需要掌握的關鍵度量：
眾數 (Mode)： 具有最高機率的 \( x \) 值，也就是「最可能」出現的結果。
中位數 (Median)： 「中間」的值。要找到它，請將 \( x \) 從最小開始累加機率，直到總和達到或超過 0.5。該對應的 \( x \) 值就是你的中位數。
平均值（期望值）： 這就是如果你進行無數次實驗後，預期得到的平均結果。在 Further Maths 中，我們稱之為期望值 (Expectation)，記作 \( E(X) \)。
期望值公式
要計算平均值，請將每個數值乘以其對應的機率，然後將它們全部加起來：
\( E(X) = \sum x_i p_i \)
變異數公式
變異數 (Variance)，記作 \( Var(X) \)，用來衡量數值偏離平均值的程度。變異數越高，代表結果越不可預測。為了計算它，我們使用這個「MS-SM」技巧：
「MS-SM」口訣：
Mean of the Squares (平方值的平均) 減去 Square of the Mean (平均值的平方)。
1. 找出 \( E(X^2) \)：將每個 \( x \) 值平方，乘以其機率，然後加總：\( E(X^2) = \sum x_i^2 p_i \)。
2. 計算平均值的平方：\( (E(X))^2 \)。
3. 相減：\( Var(X) = E(X^2) - (E(X))^2 \)。
標準差 (Standard Deviation)： 這就是變異數的平方根：\( \sigma = \sqrt{Var(X)} \)。
關鍵總結： \( E(X) \) 是平均結果，\( Var(X) \) 是結果偏離該平均值的「震盪」幅度。
3. X 函數的期望值
有時候我們不只需要 \( X \) 的平均值；我們可能想要 \( X^2 \)、\( 5X^3 \) 甚至 \( 18X^{-3} \) 的平均值。規則很簡單：將求和公式中的 \( x \) 替換為你想要的函數即可。
一般規則： \( E(g(X)) = \sum g(x_i) p_i \)
例子：如果你想計算 \( E(5X^3) \)，你需要計算 \( \sum (5x_i^3 \times P(X=x_i)) \)。
線性變換
如果你將變數乘以常數 \( a \) 再加上常數 \( b \)，你不需要重新計算整個表！使用這些便捷的快捷方式：
對於期望值： \( E(aX + b) = aE(X) + b \)
（平均值會按照預期進行平移和縮放）。
對於變異數： \( Var(aX + b) = a^2 Var(X) \)
（重要！ 加上 \( b \) 不會改變數據的離散程度，所以 \( b \) 會消失。此外，縮放因子 \( a \) 需要平方，因為變異數是一種「平方」度量）。
常見錯誤： 許多學生認為 \( E(X^2) \) 等於 \( (E(X))^2 \)。它們並不相等！ 這正是變異數存在的意義——這兩個數值之間的差值反映了數據的離散程度。
4. 離散均勻分佈 (Discrete Uniform Distribution)
想像一個完美公平的六面骰子。每個結果 (1, 2, 3, 4, 5, 6) 的機率都完全相同 (\( 1/6 \))。這就是一個離散均勻分佈。
離散均勻分佈定義在集合 \( \{1, 2, 3, ..., n\} \) 上，其中 \( n \) 個數值中的每一個機率均為 \( 1/n \)。
均勻分佈的特殊公式
如果 \( X \) 是從 1 到 \( n \) 的離散均勻分佈，你可以使用這些快捷公式（考試要求掌握其證明過程！）：
平均值： \( E(X) = \frac{n + 1}{2} \)
（這只是第一個數和最後一個數的平均值）。
變異數： \( Var(X) = \frac{n^2 - 1}{12} \)
小知識： 這些公式僅適用於數值從 1 開始且以 1 為單位遞增至 \( n \) 的情況。如果數值不同（例如 10, 20, 30），你應該使用前一節提到的線性變換規則來調整公式！
平均值證明 (SA7)
證明 \( E(X) = \frac{n+1}{2} \)：
1. 使用定義：\( E(X) = \sum_{x=1}^n x \times \frac{1}{n} \)。
2. 將 \( \frac{1}{n} \) 提出：\( E(X) = \frac{1}{n} \sum_{x=1}^n x \)。
3. 使用整數求和公式 \( \sum x = \frac{n(n+1)}{2} \)。
4. 相乘：\( E(X) = \frac{1}{n} \times \frac{n(n+1)}{2} = \frac{n+1}{2} \)。
重點總結：
• 對於任何 DRV：\( E(X) = \sum xp \) 及 \( Var(X) = E(X^2) - [E(X)]^2 \)。
• 對於線性平移：\( E(aX+b) = aE(X)+b \) 及 \( Var(aX+b) = a^2Var(X) \)。
• 對於均勻分佈 (1 至 \( n \))：平均值 = \( \frac{n+1}{2} \)，變異數 = \( \frac{n^2-1}{12} \)。
你已經完成這部分的筆記了！做得好。請繼續練習不同的機率表，很快地，計算「期望值」就會成為你的直覺反應。