Discrete random variables

歡迎來到離散隨機變量世界！

在本章中，我們將探討如何將「機會」轉化為「數學」。想像你在玩桌上遊戲，你知道擲出 6 點純屬運氣，但如果你擲了 1,000 次骰子，你其實是可以預測平均點數的。離散隨機變量 (Discrete Random Variables) 讓我們能利用精確的數學公式來建立這些現實世界不確定性的模型。無論是預測進入店鋪的顧客人數，還是你需要擲多少次硬幣才能得到「正面」，這些工具都能將不可預測的情況變得可以預測。

如果公式起初看起來有點嚇人，別擔心；我們會一步步為你拆解！

1. 什麼是離散隨機變量？

隨機變量 (Random Variable)（通常以大寫字母如 \(X\) 表示）是一個數值，其取決於隨機事件的結果。
離散 (Discrete) 一詞意味著它只能取特定的、分離的數值（如 1, 2, 3...），而不是連續尺度上的任何數值（如 1.234...）。

概率函數 (Probability Function)：
我們使用 \(P(X = x)\) 來表示變量 \(X\) 取特定數值 \(x\) 的概率。這些通常以表格或公式形式呈現。

兩大金科玉律：
1. 每個個別概率必須介於 0 和 1 之間：\(0 \leq P(X=x) \leq 1\)。
2. 分佈中所有概率的總和必須為 1：\(\sum P(X=x) = 1\)。
小貼士：如果你解題時概率總和不等於 1，檢查一下你的加法吧！這是最常見的錯誤。

總結要點：離散隨機變量就是一種列出事件所有可能結果及其發生概率的方法。

2. 期望值 (平均值) 與變異數

如果你進行了數百萬次實驗，平均結果會是多少？這就是期望值 (Expectation)，記作 \(E(X)\) 或 \(\mu\)。
公式： \(E(X) = \sum x P(X = x)\)
類比：把它想像成一個「加權平均數」，概率越高的數值會將平均值拉向它們。

變異數 (Variance) 用來衡量結果偏離平均值的「散佈程度」。高變異數代表結果非常分散；低變異數則代表結果大多集中在平均值附近。
公式： \(Var(X) = E(X^2) - [E(X)]^2\)
要計算 \(E(X^2)\)，你只需將每個 \(x\) 值平方，再乘以其相應的概率即可。

標準差 (Standard Deviation)： 這僅僅是變異數的平方根：\(\sigma = \sqrt{Var(X)}\)。

重點速覽：
- 期望值 = 平均結果。
- 變異數 = 結果的一致性。
- 務必先計算 \(E(X)\)，因為變異數公式會用到它！

3. 編碼：變量的轉換

有時我們會更改數據。例如，如果 \(X\) 是遊戲得分，也許新得分是 \(2X + 5\)。這會如何改變我們的平均值和變異數？

線性轉換規則：
- 期望值： \(E(a + bX) = a + bE(X)\)。（它完全遵循運算規則！）
- 變異數： \(Var(a + bX) = b^2 Var(X)\)。
記憶法：變異數討厭加法！ 加上常數 (\(a\)) 不會改變數據的散佈程度，因此它會被忽略。乘以 \(b\) 會使散佈變大，但由於變異數是「平方」單位，我們必須使用 \(b^2\)。

關鍵要點：加上一個數只會平移整個圖表，但不改變散佈；乘以一個數會拉伸圖表，並顯著增加散佈。

4. 獨立變量的線性組合

如果我們有兩個獨立的變量 \(X\) 和 \(Y\)，且想將它們加起來怎麼辦？（例如，兩名隨機挑選的人的身高總和）。
期望值： \(E(X \pm Y) = E(X) \pm E(Y)\)
變異數： \(Var(X \pm Y) = Var(X) + Var(Y)\)
關鍵點：即使你是在進行減法運算 (\(X - Y\))，你仍然要相加變異數！這是因為將兩個不確定的事物結合起來，總是不確定性（散佈）增加。

5. 離散均勻分佈 (Discrete Uniform Distribution)

這是最簡單的模型。當每個結果發生的可能性相等時使用。
例子：公平的 6 面骰子。每個數字的概率均為 \(1/6\)。

如果 \(X\) 在集合 \(\{1, 2, ..., n\}\) 上均勻分佈：
- 平均值： \(E(X) = \frac{n + 1}{2}\)
- 變異數： \(Var(X) = \frac{1}{12}(n^2 - 1)\)
你知道嗎？這些公式僅適用於你的數值從 1 開始，且以 1 為步長遞增的情況。如果你的數值是 \(\{4, 5, 6, 7\}\)，它仍然是均勻分佈，但你會通過尋找中間值來計算平均值！

6. 二項分佈 (Binomial Distribution)

你可能在 AS Level 就記得這個。它模擬在固定次數的試驗中「成功」的次數。
符號： \(X \sim B(n, p)\)
進階數學新知： 你需要掌握二項分佈的平均值和變異數公式：
- 平均值： \(E(X) = np\)
- 變異數： \(Var(X) = np(1 - p)\)

7. 泊松分佈 (Poisson Distribution)

這用於「隨機發生在時間或空間中」的事件。
例子：你在一個小時內收到的郵件數量，或一平方米草地上的雜草數量。

條件（CRIS 準則）：
- C (Constant)： 恆定的平均率 (\(\lambda\))。
- R (Randomly/Independently)： 隨機且獨立發生。
- I (In isolation)： 互斥（事件不能在完全同一時間發生）。
- S (Singly)： 單次（一次發生一個）。

主要特徵：
- 符號： \(X \sim Po(\lambda)\)。
- 平均值與變異數： 在泊松分佈中，平均值和變異數是相等的！ \(E(X) = Var(X) = \lambda\)。
快速檢查：如果題目給出的數據中平均值是 5 而變異數是 20，那麼泊松模型很可能不適用！

泊松相加： 如果你有兩個獨立的泊松變量 \(X \sim Po(\lambda)\) 和 \(Y \sim Po(\mu)\)，那麼 \(X + Y \sim Po(\lambda + \mu)\)。你只需將比率相加即可！

8. 幾何分佈 (Geometric Distribution)

幾何分佈模擬的是直到第一次成功前所需的試驗次數。
例子：擲硬幣直到你得到第一個「正面」。

符號： \(X \sim Geo(p)\)，其中 \(p\) 是成功的概率。
概率：
- 在第 \(r\) 次試驗才得到第一次成功：\(P(X = r) = (1 - p)^{r-1} p\)。
- 等待超過 \(r\) 次試驗才成功：\(P(X > r) = (1 - p)^r\)。
類比：若要失敗 5 次，直到第 6 次才成功，你必須經歷 (失敗 \(\times\) 失敗 \(\times\) 失敗 \(\times\) 失敗 \(\times\) 失敗 \(\times\) 成功)。

性質：
- 平均值： \(E(X) = \frac{1}{p}\)
- 變異數： \(Var(X) = \frac{1 - p}{p^2}\)

避免常見錯誤： 確保你清楚題目定義的 \(X\) 是「試驗次數」（本課程大綱）還是「第一次成功前的失敗次數」。務必仔細閱讀題目！

關鍵模型總結

1. 二項分佈： 固定次數的試驗，計算成功的次數。
2. 泊松分佈： 固定區間（時間/空間），計算發生的次數。
3. 幾何分佈： 不斷嘗試，直到第一次成功。
4. 均勻分佈： 每個結果的可能性均等。

如果起初覺得棘手，請別擔心！掌握這些模型最好的方法是多練習，學會辨認哪種模型適合題目中的情境。你一定能做到的！