欢迎来到离散随机变量的世界！
在本章中，我们将从基础概率进入随机变量 (Random Variables) 的领域。别被这个名称吓到了！随机变量其实就是一种将随机事件的结果（例如掷骰子或抛硬币）转换为数字的方法。我们专注于离散 (Discrete) 变量，这意味着我们所探讨的结果是可以数出来的（例如 0, 1, 2...）。
学完这些笔记后，你将能够计算这些变量的平均值与“离散程度”，并了解特殊的离散均匀分布 (Discrete Uniform Distribution)。让我们开始吧！
5.1 离散随机变量的概念
想象一下你抛了三次硬币。结果可能是“正、反、正”。在统计学中，我们希望将这些文字转化为数字。我们可以说：“令 \(X\) 为正面的次数。”
关键术语：
- 随机变量 (Random Variable)： 一个数值取决于随机事件结果的量。
- 离散 (Discrete)： 这意味着变量只能取特定的、独立的数值。你可以有 1 个兄弟姐妹或 2 个，但绝不可能有 1.5 个！常见例子包括考试分数、停车场内的汽车数量，或掷骰子的结果。
游戏规则
对于任何离散随机变量 (DRV)，你必须记住两条黄金法则：
1. 每个个别概率必须介于 0 与 1 之间：\(0 \le P(X=x) \le 1\)。
2. 所有可能结果的概率总和必须等于 1：\(\sum P(X=x) = 1\)。
快速回顾箱：
如果题目要求你在概率分布表中找出缺失的数值 \(k\)，只需将所有其他的概率加起来，然后用 1 减去该总和即可！
总结： 离散随机变量将数字分配给我们可数的结果。一个分布中的所有概率总和必须恰好为 1。
5.2 概率函数与累积分配函数
我们主要有两种方式来描述离散随机变量 (DRV)：使用表格或使用公式。
概率函数, \(p(x)\)
这只是一种比较专业的说法，意思是“\(X\) 取值为 \(x\) 的概率”。
符号： \(P(X = x)\)
例子：如果你掷一颗公平的 6 面骰子，其概率函数为 \(P(X = x) = \frac{1}{6}\)，其中 \(x = 1, 2, 3, 4, 5, 6\)。
累积分配函数, \(F(x)\)
将其想象成概率的“累计总和”。“累计 (cumulative)”意味着“随着数值增加而累加”。
符号： \(F(x_0) = P(X \le x_0)\)
如何计算： 若要找出 \(F(3)\)，你需要将 \(X=1\)、\(X=2\) 及 \(X=3\) 的概率加起来。
\(F(x_0) = \sum_{x \le x_0} P(X=x)\)
你知道吗？
累积分配函数 \(F(x)\) 的最后一个值永远是 1，因为当你到达最终结果时，你已经涵盖了 100% 的可能性！
常见错误：
不要将 \(P(X < 3)\) 与 \(P(X \le 3)\) 搞混。在离散数学中，它们是不一样的！\(P(X < 3)\) 只包含 1 和 2，而 \(P(X \le 3)\) 则包含了 1, 2 和 3。
总结： \(P(X=x)\) 给出特定数值的概率；\(F(x)\) 给出“小于或等于”该数值的累积概率。
5.3 离散随机变量的期望值与方差
就像我们计算一组数据的平均值与分散程度一样，我们也可以计算随机变量的期望值 (Expected Value)（即平均值）与方差 (Variance)。
期望值, \(E(X)\)
期望值是长期的平均表现。如果你重复实验数千次，这就是你会得到的平均结果。
公式： \(E(X) = \sum x \cdot P(X=x)\)
步骤：
1. 将每个数值 (\(x\)) 乘以其对应的概率 (\(P(X=x)\))。
2. 将所有结果加总。
方差, \(Var(X)\)
这用来衡量数值距离平均值有多“分散”。
公式： \(Var(X) = E(X^2) - [E(X)]^2\)
记忆口诀： “平方的平均减去平均的平方”。
要找出 \(E(X^2)\)，请先将每个 \(x\) 值平方，再乘以其概率：\(\sum x^2 \cdot P(X=x)\)。
线性变换
有时我们会改变变量，例如将分数加倍再加 5：\(Y = 2X + 5\)。以下是捷径：
- 期望值： \(E(aX + b) = aE(X) + b\)（所有变动都会影响平均值！）
- 方差： \(Var(aX + b) = a^2 Var(X)\)（只有乘数 \(a\) 会影响方差，且必须平方。加上 \(b\) 并不会改变分散程度！）
类比： 想象一群学生排成一排。如果每个人都向右走两步（加上 \(b\)），“平均”位置会移动，但学生之间的“间距”完全不变！
总结： \(E(X)\) 是平均值，计算方式为 \(\sum xP\)；\(Var(X)\) 是离散程度，计算方式为 \(E(X^2) - [E(X)]^2\)。加上常数会平移平均值，但不会改变方差。
5.4 离散均匀分布
这是一种特殊情况，每个结果的发生概率都相同。最常见的例子是公平的骰子，或是每个区块等大的转盘。
如果变量 \(X\) 可以取值 \(1, 2, 3, ..., n\)，且每个结果的概率都是 \(\frac{1}{n}\)，那么 \(X\) 就服从离散均匀分布 (Discrete Uniform Distribution)。
均匀分布的性质（由 1 到 \(n\)）：
- 平均值： \(E(X) = \frac{n+1}{2}\)
- 方差： \(Var(X) = \frac{(n+1)(n-1)}{12}\)
别担心，如果这看起来很复杂的话！
你不一定要死记这些均匀分布的特殊公式。你仍然可以使用我们在上一节学到的标准 \(\sum xP\) 和 \(E(X^2) - [E(X)]^2\) 方法。它们会得到相同的答案！
总结： 在均匀分布中，所有概率都相等。如果结果是从 1 开始的连续整数，你可以使用平均值与方差的捷径公式。
章节总结
重点摘要：
- 离散变量是可数的。
- 所有概率之和永远为 1。
- \(F(x)\) 是“小于或等于”的概率。
- \(E(X)\) 是平均值；\(Var(X)\) 是离散程度。
- 对于 \(Var(aX+b)\)，记得要将 \(a\) 平方并忽略 \(b\)！
继续练习表格计算——一旦你掌握了乘法与加法的节奏，这一章将成为 S1 考试中最能稳定拿分的部分！