歡迎來到離散概率分佈的世界！
在這一章中，我們將跨越基礎概率的範疇，探討如何利用離散概率分佈 (Discrete Probability Distributions) 來模擬真實世界的事件。這是高等統計學 1 (Further Statistics 1) 的核心部分。無論你是在計算每小時收到多少封電子郵件，還是玩遊戲時需要嘗試多少次才能通過某一關，這些分佈都能幫助我們預測「長期」的結果。
別擔心，這些公式初看之下可能有點嚇人！我們會把它們拆解成簡單的步驟，並運用類比來幫你輕鬆記憶。讓我們開始吧！
1. 基礎概念：平均值與變異數
在研究特定的分佈之前，我們需要知道如何找出任何離散隨機變數 \(X\) 的「中心」和「離散程度」。
平均值（期望值）
期望值 (Expected Value)，寫作 \(E(X)\) 或 \(\mu\)，本質上就是長期平均值。如果你進行了數千次實驗，平均結果會是多少呢？
公式： \(E(X) = \sum x P(X=x)\)
可以這樣想： 將每一個可能的結果乘以它發生的機率，然後將它們全部加總起來。
變異數
變異數 (Variance)，寫作 \(Var(X)\) 或 \(\sigma^2\)，用來衡量結果圍繞著平均值有多大的「擺動」或分散程度。
公式： \(Var(X) = E(X^2) - [E(X)]^2\)
其中 \(E(X^2) = \sum x^2 P(X=x)\)。
推廣至函數：\(E(g(X))\)
有時候，我們需要的不是 \(X\) 的平均值，而是 \(X\) 的函數（如 \(X^2\) 或 \(3X+2\)）的平均值。這寫作 \(E(g(X))\)。
技巧： 只要將求和中的 \(x\) 替換為函數 \(g(x)\) 即可。
公式： \(E(g(X)) = \sum g(x) P(X=x)\)
快速複習箱：
1. \(E(X)\) 是「平均結果」。
2. \(Var(X)\) 是「分散程度」。永遠記住：「平方的平均值減去平均值的平方。」
2. 卜瓦松分佈 (Poisson Distribution)
卜瓦松分佈非常適合用來模擬在特定時間或空間區間內，以恆定平均速率發生的隨機事件。
現實生活例子： 10 分鐘內經過某一點的汽車數量，或一頁書中的錯字數量。
卜瓦松分佈的條件
若情況要以 \(X \sim Po(\lambda)\) 進行模擬，事件必須滿足：
1. 獨立性 (Independently)（一個事件的發生不會影響下一個）。
2. 單一性 (Singly)（兩個事件不會在同一瞬間發生）。
3. 恆定平均速率 (\(\lambda\))。
關鍵特性
若 \(X \sim Po(\lambda)\)：
- 平均值： \(E(X) = \lambda\)
- 變異數： \(Var(X) = \lambda\)
你知道嗎？ 在卜瓦松分佈中，平均值與變異數是完全一樣的！這是檢查一組數據是否適合使用卜瓦松模型的好方法。
可加性 (Additive Property)
如果你有兩個獨立的卜瓦松變數，\(X \sim Po(\lambda)\) 和 \(Y \sim Po(\mu)\)，你可以直接將它們相加！
\(X + Y \sim Po(\lambda + \mu)\)
例子： 如果你每小時收到 2 封電郵 (\(X\)) 和 3 則訊息 (\(Y\))，則每小時收到的總通知數為 \(Po(2+3) = Po(5)\)。
重點總結： 當你在固定區間內「計數」發生次數時，請使用卜瓦松分佈。
3. 以卜瓦松作為二項分佈的近似
在數字非常大時計算二項分佈的機率簡直是場噩夢。幸運的是，如果你的 \(n\) 很大 且 \(p\) 很小，卜瓦松分佈就能派上用場。
規則： 若 \(X \sim B(n, p)\)，你可以使用 \(Po(\lambda)\) 來近似，其中 \(\lambda = np\)。
何時使用？ 通常在 \(n > 50\) 且 \(np < 5\) 時。這會讓你的計算快得多！
4. 幾何分佈 (Geometric Distribution)
幾何分佈 (Geometric Distribution)，\(X \sim Geo(p)\)，其核心在於等待第一次成功。
類比： 想像你在投擲硬幣試圖得到「正面」。你不斷投擲，直到終於得到一次為止。\(X\) 就是你所需的投擲次數。
機率公式
\(P(X=x) = p(1-p)^{x-1}\)
為什麼？ 因為若要在第 \(x\) 次嘗試才獲得第一次成功，代表你必須先失敗了 \(x-1\) 次，然後在最後一次獲得成功。
平均值與變異數
- \(E(X) = \frac{1}{p}\)
- \(Var(X) = \frac{1-p}{p^2}\)
記憶小技巧： 如果贏得遊戲的機率是 \(1/10\)，你會「預期」玩 10 次才能贏一次。這就是 \(E(X) = 1/(1/10) = 10\)。
5. 負二項分佈 (Negative Binomial Distribution)
負二項分佈 (Negative Binomial Distribution) 是幾何分佈的「大哥」。你不只是等待「第一次」成功，而是等待第 \(r\) 次成功。
例子： 一名籃球運動員不斷投籃，直到投進 3 球 (\(r=3\)) 為止。\(X\) 是總投籃次數。
機率公式
\(P(X=x) = \binom{x-1}{r-1} p^r (1-p)^{x-r}\)
別驚慌！理解它的方式如下：
1. 最後一次投籃（第 \(x\) 次）必須是成功（這就是為什麼有 \(p^r\)）。
2. 在之前的 \(x-1\) 次投籃中，你必須以任何順序獲得 \(r-1\) 次成功（這就是 \(\binom{x-1}{r-1}\) 的部分）。
3. 其餘的都是失敗（即 \((1-p)^{x-r}\)）。
平均值與變異數
- \(E(X) = \frac{r}{p}\)
- \(Var(X) = \frac{r(1-p)}{p^2}\)
常見錯誤： 在負二項分佈中，\(x\) 不能小於 \(r\)。你不可能只試了 3 次就獲得 5 次成功！
總結檢查清單
在繼續前進之前，請確保你能：
- 計算任何給定離散表中的 \(E(X)\) 和 \(Var(X)\)。
- 辨識 卜瓦松 情境（恆定速率、獨立事件）。
- 當 \(n\) 大且 \(p\) 小時，使用 卜瓦松近似二項分佈。
- 區分 幾何分佈（等待第 1 次成功）與 負二項分佈（等待第 \(r\) 次成功）。
- 使用 計算機 找出卜瓦松和二項分佈的累積機率 (\(P(X \leq x)\))。
鼓勵一下： 離散分佈的關鍵就在於識別模式。一旦你確認了題目在講哪種「故事」（是速率問題？還是等待問題？），公式自然就會浮現出來！