離散隨機變量簡介
歡迎來到離散隨機變量（Discrete Random Variables）的世界！雖然這個名字聽起來有點深奧，但它其實是你日常生活中無處不在的概念。如果你曾經好奇過一支球隊的「平均」進球數，或是計算過在第三次嘗試時贏得遊戲的機率，那麼你其實已經在運用隨機變量的思維了。
在這一章中，我們將超越基礎的機率概念，探討如何為具有可數（countable）結果的事件建立模型、進行計算及預測。別擔心統計學聽起來會很枯燥——我們會將其拆解成易於消化的內容，並配合大量現實生活中的例子來深入淺出地學習！
1. 一般離散隨機變量
離散隨機變量（DRV）是一個其值取決於隨機事件結果的變量，且這些數值必須是離散的（意即你可以數出它們，例如 0, 1, 2... 不包含小數！）。我們通常使用大寫字母（如 \( X \)）來表示變量本身，並使用小寫字母（如 \( x \)）來表示它所能取得的特定數值。
機率分佈
機率分佈（probability distribution）僅僅是一種呈現 \( X \) 所有可能取值及其對應發生機率的方式，我們通常以表格形式來表示。
例子：設 \( X \) 為拋擲兩次硬幣時出現正面的次數。
\( X = 0, 1, 2 \)
\( P(X=0) = 0.25 \)
\( P(X=1) = 0.50 \)
\( P(X=2) = 0.25 \)
重要規則：分佈中所有機率的總和必須始終等於 1。符號表示為：\( \sum P(X=x) = 1 \)。如果你的表格相加不等於 1，那就代表哪裡出錯了！
期望值與方差
它們告訴我們數據的「中心」與「離散程度」。
- 期望值 \( E(X) \)： 這是長期平均值，我們通常稱之為平均數，記作 \( \mu \)。
公式：\( E(X) = \mu = \sum x P(X=x) \) - 方差 \( Var(X) \)： 這衡量了數值偏離平均值的程度。
公式：\( Var(X) = \sigma^2 = \sum x^2 P(X=x) - \mu^2 \)
快速複習：
1. 期望值 =（數值 \(\times\) 其機率）的總和。
2. 方差 =（數值² \(\times\) 機率）的總和，減去（平均數）²。
常見錯誤：在計算方差時，學生常忘記最後要減去 \( \mu^2 \)。記得在最後一步務必進行檢查！
核心要點：機率分佈告訴你「是什麼」以及「多大可能發生」。\( E(X) \) 告訴你平均數，而 \( Var(X) \) 則告訴你數據的穩定性。
2. 線性轉換 (Linear Coding)
有時我們想改變數據——例如將每個分數加倍，或為每個人加上 5 分。這稱為線性轉換，通常表示為 \( Y = aX + b \)。
平均數與方差的變化：
- 平均數： 它受所有因素影響。如果你給每個分數加 5，平均值就會上升 5；如果你將每個分數加倍，平均值也會加倍。
\( E(aX + b) = aE(X) + b \) - 方差： 它僅受乘法影響。加上一個常數並不會改變「離散程度」（數據點之間的距離保持不變）。然而，由於方差是平方運算，倍數 \( a \) 會變成 \( a^2 \)。
\( Var(aX + b) = a^2 Var(X) \)
類比：想像一群朋友排成一列。如果他們都向前跨兩步（加上 \( b \)），平均位置會移動，但他們之間的距離（方差）保持不變。如果他們將與起點的距離都加倍（乘以 \( a \)），他們之間的間距就會擴大許多！
核心要點：加減會改變平均數但不影響方差。乘除則會將平均數乘以 \( a \)，將方差乘以 \( a^2 \)。
3. 離散均勻分佈 (Discrete Uniform Distribution)
在離散均勻分佈中，每個結果發生的機率都相等。想像一顆公正的 6 面骰子：每個數字出現的機率都是 \( 1/6 \)。
對於區間 \( [1, n] \)，我們使用符號 \( X \sim U(n) \)。
- 機率： \( P(X=x) = \frac{1}{n} \)
- 平均數： \( E(X) = \frac{n+1}{2} \)
- 方差： \( Var(X) = \frac{n^2 - 1}{12} \)
核心要點：當在固定的整數範圍內，每個事件發生的機會均等時，請使用此模型。
4. 二項分佈 (Binomial Distribution)
你可能在 A Level 數學中見過它！我們使用 \( X \sim B(n, p) \)，其中 \( n \) 是試驗次數，\( p \) 是成功機率。
進階數學（Further Maths）的新公式：
除了查表之外，你需要知道以下計算平均數與方差的快捷公式：
\( \mu = np \)
\( \sigma^2 = np(1 - p) \)
例子：如果你拋擲硬幣 100 次，預期出現正面的次數為 \( 100 \times 0.5 = 50 \)。
5. 幾何分佈 (Geometric Distribution)
這是個新概念！幾何分佈模擬的是直到第一次成功出現前的試驗次數。想像你正在練習投籃，你會一直投，直到球進了為止，然後停止。
我們使用符號 \( X \sim Geo(p) \)。
必備公式：
- 在第 \( x \) 次嘗試時成功的機率： \( P(X=x) = (1-p)^{x-1}p \)
（這意味著你經歷了 \( x-1 \) 次失敗，隨後緊接著 1 次成功）。 - 需要超過 \( x \) 次嘗試的機率： \( P(X > x) = (1-p)^x \)
（這是一個方便的捷徑！意即你前 \( x \) 次都失敗了）。 - 平均數： \( E(X) = \frac{1}{p} \)
- 方差： \( Var(X) = \frac{1-p}{p^2} \)
你知道嗎？任何幾何分佈的「眾數」（最可能出現的結果）永遠是 1。儘管成功的機率很低，但最可能的情況永遠是在第一次嘗試就成功！
核心要點：當你在「等待第一次成功」時，請使用幾何分佈。
6. 泊松分佈 (Poisson Distribution)
泊松分佈用於模擬在固定時間或空間區間內，某事件發生的次數。例如你在一小時內收到的郵件數量，或是一塊餅乾裡的巧克力豆數量。
我們使用符號 \( X \sim Po(\lambda) \)，其中 \( \lambda \) (lambda) 是平均發生率。
泊松模型的條件：
要適用泊松模型，事件必須滿足：
- 獨立性：一個事件的發生不會影響下一個。
- 單一性：兩個事件不會在同一瞬間同時發生。
- 以恆定的平均速率發生。
公式：
\( P(X=x) = \frac{e^{-\lambda} \lambda^x}{x!} \)
特殊性質：
- 平均數與方差： 在泊松分佈中，平均數與方差相等！
\( E(X) = Var(X) = \lambda \) - 泊松變量的相加： 如果你有兩個獨立的泊松變量 \( X \sim Po(\lambda) \) 和 \( Y \sim Po(\mu) \)，那麼它們的和也符合泊松分佈：
\( X + Y \sim Po(\lambda + \mu) \)
不用擔心如果公式看起來很嚇人。大多數時候，你只需要利用計算機內置的泊松函數來查找這些機率！
核心要點：尋找「平均速率」或「區間內出現次數」來辨識泊松問題。請記住，平均數 = 方差。
總結複習
離散均勻分佈：每件事發生的機率均等。
二項分佈：固定次數的試驗，尋找成功次數。
幾何分佈：重複試驗直到第一次成功。
泊松分佈：計算特定時間/空間內的事件發生次數。
恭喜你！你已經掌握了離散隨機變量的核心內容。繼續練習那些公式，並且永遠記得檢查機率總和是否為 1！