Quartz 4

课堂笔记

18 min read

Slide 1 — Discrete Probability Distribution

第1页——离散概率分布

Knowledge Points (知识点)

  1. Random Variable（随机变量）
  2. Discrete Probability Distribution（离散概率分布）
  3. Expected Value (μ), Variance (σ²), and Standard Deviation (σ)（期望值、方差与标准差）

Random Variable（随机变量）

  • Explanation (解释): A random variable is a numerical representation of the outcome of a random experiment. It can be discrete (countable outcomes) or continuous (uncountable outcomes). 随机变量是对随机实验结果的数值化描述，可分为离散型（可数结果）与连续型（不可数结果）。

  • Example (例子): Tossing a coin twice: X = number of heads (0, 1, 2). 投两次硬币：X = 出现正面的次数（0、1、2）。

  • Extension (拓展): Random variables link probability theory with data analysis and form the foundation for probability distributions. 随机变量连接了概率理论与数据分析，是各种概率分布的基础。

Discrete Probability Distribution（离散概率分布）

  • Explanation (解释): It describes the probability of each possible discrete outcome of a random variable. 离散概率分布列出随机变量每个可能取值及其对应的概率。

  • Example (例子): Rolling a die: each value (1–6) has probability 1/6. 掷骰子：每个数值（1–6）的概率均为 1/6。

  • Extension (拓展): Useful in modeling count data such as customer arrivals, product defects, and survey responses. 常用于模拟计数数据，如顾客到达数、产品缺陷数和问卷结果。

Summary (总结)

本页介绍了随机变量与离散概率分布的基本概念，为后续学习期望值和方差打下基础。

Slide 2 — Random Variable

第2页——随机变量定义

Knowledge Points (知识点)

  1. Definition of Random Variable（随机变量定义）
  2. Discrete Random Variable（离散随机变量）
  3. Continuous Random Variable（连续随机变量）

Random Variable（随机变量）

  • Explanation (解释): A random variable provides a numeric description of outcomes from a random experiment. 随机变量是对实验结果的数值化表达。

  • Example (例子): X = number of customers entering a store in one hour. X = 一小时内进入商店的顾客数。

  • Extension (拓展): Random variables allow statistical analysis of random processes through probability models. 通过概率模型，随机变量使我们能对随机过程进行统计分析。

Discrete vs. Continuous（离散与连续的区别）

  • Explanation (解释):

    • Discrete: Takes countable values (e.g., 0, 1, 2, 3).
    • Continuous: Takes any value within an interval.
    • 离散型： 取可数值（如0,1,2,3）。
    • 连续型： 取区间内任意值。

  • Example (例子): Number of cars passing a toll booth = discrete. Time it takes a car to pass = continuous. 经过收费站的汽车数量为离散；汽车通过所需时间为连续。

  • Extension (拓展): Continuous variables will be discussed in the next chapter on continuous probability distributions. 连续型随机变量将在下一章中详细讨论。

Summary (总结)

本页明确区分了离散型与连续型随机变量，为理解不同分布类型奠定基础。

Slide 3 — Example: JSL Appliances

第3页——案例：JSL 电器公司

Knowledge Points (知识点)

  1. Example of Discrete Random Variable（离散型随机变量案例）
  2. Finite and Infinite Outcomes（有限与无限结果）

Example (例子)

  • Explanation (解释): Let X = number of TVs sold in one day. Random variable X represents discrete, countable outcomes. 设 X = 一天内售出的电视机数量，该随机变量为离散型，可数结果。

  • Example (例子): X = {0, 1, 2, 3, 4} where each value represents the number of TVs sold. X = {0,1,2,3,4}，每个取值表示当天售出电视的数量。

  • Extension (拓展): If the possible number of outcomes is finite, X is discrete. If outcomes are not countable (e.g., customer wait time), X is continuous. 当结果数量有限时为离散型；若结果不可数（如等待时间）则为连续型。

Finite and Infinite Outcomes（有限与无限结果）

  • Explanation (解释): Finite outcomes → countable results (e.g., number of TVs sold). Infinite outcomes → uncountable results (e.g., number of customers). 有限结果是可数的，如售出电视机的数量；无限结果是不可数的，如顾客数量。

  • Extension (拓展): Recognizing whether a variable is finite or infinite helps determine the type of probability distribution. 判断变量的有限性或无限性有助于确定使用何种概率分布模型。

Summary (总结)

本页通过电器销售案例说明离散随机变量的取值特征及有限/无限结果的区别。

Slide 4 — Identifying Random Variable Types

第4页——辨别随机变量类型

Knowledge Points (知识点)

  1. Identify the type of random variable based on context（根据情境判断随机变量类型）
  2. Discrete vs. Continuous Comparison（离散与连续的比较）

Family Size（家庭规模）

  • Explanation (解释): X = number of family members → Discrete random variable. X = 家庭成员数量 → 离散型随机变量。

  • Example (例子): A household may have 2, 3, 4 members — countable values. 家庭成员数量可为2、3、4，属于可数值。

  • Extension (拓展): Useful for demographic or market segmentation studies. 适用于人口统计与市场细分研究。

Distance from Home to Store（家到商店距离）

  • Explanation (解释): X = distance in miles → Continuous random variable. X = 以英里计的距离 → 连续型随机变量。

  • Example (例子): A distance of 2.36 miles can take any real value in a range. 距离2.36英里可在区间内任意取值。

  • Extension (拓展): Continuous variables are used in transportation and logistics modeling. 连续变量常用于交通与物流模型中。

Own Dog or Cat（是否养宠物）

  • Explanation (解释): X = categorical assignment (1=no pet, 2=dog, 3=cat, 4=both) → Discrete random variable. X = 类别变量（1=无宠物，2=养狗，3=养猫，4=都有）→ 离散型随机变量。

  • Extension (拓展): This type of coding is common in categorical data analysis. 此类编码在分类数据分析中常见。

Summary (总结)

本页通过表格比较不同情境下随机变量的类型，帮助学生识别离散型与连续型变量的实际应用。

Slide 5 — Discrete Probability Distributions

第5页——离散概率分布的定义

Knowledge Points (知识点)

  1. Definition of Discrete Probability Distribution（离散概率分布的定义）
  2. Conditions: f(x) ≥ 0 and Σf(x) = 1（概率函数的两个条件）
  3. Interpretation of f(x)（概率函数的意义）

Discrete Probability Distribution（离散概率分布）

  • Explanation (解释): A discrete probability distribution assigns probabilities to each possible value of a discrete random variable. Each f(x) represents the probability of observing value x. 离散概率分布为每一个离散随机变量可能取到的值分配一个概率，f(x) 表示随机变量取到该值的概率。

  • Example (例子): Tossing two coins: x = number of heads → f(0)=0.25, f(1)=0.5, f(2)=0.25. 投两次硬币：x 为正面数，f(0)=0.25，f(1)=0.5，f(2)=0.25。

  • Extension (拓展): f(x) must satisfy two conditions: ① f(x) ≥ 0 for all x (probability cannot be negative); ② Σf(x) = 1 (total probability equals 1). f(x) 必须满足两条条件：① 所有概率非负；② 概率总和为1。

Summary (总结)

本页定义了离散概率分布及其约束条件，是理解后续分布表和图形的理论基础。

Slide 6 — Example: JSL Appliances

第6页——案例：JSL 电器公司的概率分布表

Knowledge Points (知识点)

  1. Empirical Discrete Probability Distribution（经验离散概率分布）
  2. Frequency to Probability Conversion（频率转化为概率）
  3. Valid Probability Distribution Conditions（有效分布条件）

JSL Appliances Example（JSL 电器公司案例）

  • Explanation (解释): JSL Appliances recorded the number of TVs sold daily over 200 days. The probability for each number of TVs sold is computed as f(x) = frequency / total days. JSL 电器公司统计了200天内每日电视销售数量，通过 f(x)=频数/总天数 计算各销售数量的概率。
x (TVs sold)Frequency (days)f(x)
0800.40
1500.25
2400.20
3100.05
4200.10
Total2001.00
  • Extension (拓展): This is a valid probability distribution because: ① All f(x) ≥ 0 ② Σf(x) = 1 这是一个有效的概率分布，因为所有概率非负且总和为1。

Summary (总结)

本页以企业销售数据为例，展示如何由频数计算出概率，并验证分布的有效性。

Slide 7 — Non-Uniform Distribution Visualization

第7页——非均匀分布图示

Knowledge Points (知识点)

  1. Graphical Representation of Discrete Distributions（离散分布的图形表达）
  2. Non-Uniform Distribution（非均匀分布）
  3. Probability Interpretation via Bar Chart（柱状图中的概率解释）

Non-Uniform Distribution（非均匀分布）

  • Explanation (解释): A non-uniform discrete distribution means the probabilities assigned to each value of x are not equal. 非均匀分布表示各个取值的概率不相等。

  • Example (例子): For JSL TV sales, f(0)=0.40 is much higher than f(3)=0.05, so it is non-uniform. 在JSL案例中，f(0)=0.40远高于f(3)=0.05，说明该分布非均匀。

  • Extension (拓展): Non-uniform distributions are typical in business (e.g., sales frequency, defect counts). 非均匀分布广泛存在于商业场景，如销售频率或缺陷数量。

  • Image/Data Analysis (图像/数据分析): The bar chart shows probability height corresponds to f(x). Highest bar at x=0 → most common outcome (no sales). 图表中柱高表示 f(x)，x=0 的柱最高，代表最常见的结果（无销售）。

Summary (总结)

本页通过图形展示了离散分布的非均匀性，帮助理解概率与频率的可视化关系。

Slide 8 — Discrete Uniform vs. Non-Uniform Distribution

第8页——均匀与非均匀离散分布的比较

Knowledge Points (知识点)

  1. Discrete Uniform Distribution（离散均匀分布）
  2. Non-Uniform Distribution（非均匀分布）
  3. Formula f(x) = 1/n（概率公式）

Discrete Uniform Distribution（离散均匀分布）

  • Explanation (解释): A discrete uniform distribution occurs when all possible outcomes are equally likely. 离散均匀分布指所有结果出现的概率相等。

  • Formula (公式): f(x) = 1/n, where n = number of possible outcomes. f(x) = 1/n，其中 n 为所有可能取值的数量。

  • Example (例子): Rolling a fair die (n=6): each side has f(x)=1/6. 掷一颗公平骰子（n=6）：每面出现的概率均为1/6。

  • Extension (拓展): Uniform distributions are idealized models; real-world data often show non-uniform behavior. 均匀分布是一种理想化模型，实际数据通常呈现非均匀特征。

Non-Uniform Distribution（非均匀分布）

  • Explanation (解释): Probabilities differ among outcomes (e.g., product defects or sales counts). 非均匀分布中各取值概率不同，如产品缺陷率或销量分布。

  • Example (例子): As shown, outcomes A–E have unequal probabilities. 图示中 A–E 各结果的概率不同。

Image/Data Analysis (图像/数据分析)

  • Left chart: uniform (equal height bars, f(x)=1/n).
  • Right chart: non-uniform (varying heights).
  • 左图为均匀分布（柱高相等），右图为非均匀分布（柱高不等）。

Summary (总结)

本页比较了均匀与非均匀离散分布，强调了 f(x)=1/n 的公式及其在理想与现实场景中的差异。

Slide 9 — Expected Value, Variance, and Standard Deviation

第9页——期望值、方差与标准差

Knowledge Points (知识点)

  1. Expected Value (E[X] = μ)（期望值）
  2. Variance (Var(X) = σ²)（方差）
  3. Standard Deviation (σ)（标准差）

Expected Value（期望值）

  • Explanation (解释): The expected value or mean (μ) represents the long-run average of a random variable. It measures the central location of its probability distribution. 期望值（或均值 μ）表示随机变量在长期重复实验下的平均结果，用于衡量分布的集中趋势。

  • Formula (公式): E(X) = μ = Σx·f(x)

  • Example (例子): If X = number of TVs sold per day and f(x) is the probability for each value, then E(X) gives the average daily sales. 若 X 为每日售出电视数，f(x) 为各销量的概率，则 E(X) 表示平均每日销量。

  • Extension (拓展): Expected value can be interpreted as the “center of gravity” of the probability distribution. 期望值可理解为概率分布的“重心”，是进一步计算方差与标准差的基础。

Variance and Standard Deviation（方差与标准差）

  • Explanation (解释): Variance (σ²) measures how far the values of X deviate from the mean. Standard deviation (σ) is the square root of variance and represents the dispersion in the same unit as X. 方差 σ² 衡量随机变量与均值的离散程度；标准差 σ 是方差的平方根，与原变量单位一致，表示波动性。

  • Formulas (公式): Var(X) = Σ(x - μ)²·f(x) σ = √Var(X)

  • Extension (拓展): Larger σ means greater variability; smaller σ means the data are more consistent. σ 越大表示数据分散越广，σ 越小说明数据更集中。

Summary (总结)

本页系统介绍了离散随机变量的三大统计特征：期望值、方差与标准差，为衡量分布的中心与离散程度提供了工具。

Slide 10 — Example: Expected Value (JSL Appliances)

第10页——案例：期望值计算（JSL 电器公司）

Knowledge Points (知识点)

  1. Calculation of Expected Value（期望值计算步骤）
  2. Application of Σx·f(x)（Σx·f(x) 的应用）

Expected Value Example（期望值计算示例）

  • Explanation (解释): Expected value E(X) = Σx·f(x) combines each value of X with its probability to find the average outcome. 期望值 E(X) = Σx·f(x) 将每个取值乘以其概率后求和，得到平均结果。
xf(x)x·f(x)
00.400.00
10.250.25
20.200.40
30.050.15
40.100.40
E(X)1.20

  • Example (例子): For JSL Appliances, E(X) = 1.20 TVs/day means that, on average, 1.2 TVs are sold each day. 对于JSL电器公司而言，E(X)=1.20 表示平均每天销售约1.2台电视。

  • Extension (拓展): Expected value assists businesses in demand forecasting and resource allocation. 期望值帮助企业预测需求与分配资源。

Summary (总结)

本页通过实例展示如何利用 Σx·f(x) 计算期望值，并解释其在商业决策中的意义。

Slide 11 — Example: Variance and Standard Deviation (JSL Appliances)

第11页——案例：方差与标准差计算（JSL 电器公司）

Knowledge Points (知识点)

  1. Variance Calculation（方差计算）
  2. Standard Deviation as Variability Measure（标准差的波动性度量）
  3. Relationship between σ² and σ（σ² 与 σ 的关系）

Variance and Standard Deviation Calculation（方差与标准差计算）

  • Explanation (解释): Variance measures how data deviate from the mean, while standard deviation expresses that deviation in the original unit. 方差反映数据相对均值的偏离程度；标准差以原始单位表达这种离散程度。
xx−μ(x−μ)²f(x)(x−μ)²·f(x)
0−1.21.440.400.576
1−0.20.040.250.010
20.80.640.200.128
31.83.240.050.162
42.87.840.100.784
Totalsσ² = 1.660
σ = 1.288 units

  • Example (例子): The variance σ² = 1.66 indicates moderate variability in daily TV sales. The standard deviation σ = 1.29 TVs means that daily sales typically vary by about 1.3 units from the mean. 方差 1.66 表明销售波动中等，标准差 1.29 表示日销量与平均值通常相差约1.3台。

  • Extension (拓展): Standard deviation is widely used for measuring business risk, financial returns, and production stability. 标准差广泛用于衡量商业风险、投资收益波动及生产稳定性。

Summary (总结)

本页通过实例展示了如何计算方差与标准差，并解释其在衡量数据波动与风险中的作用。

Graph View

Backlinks