离散分布列 抛掷多枚硬币模型
随机变量 $X$ 表示抛掷后“正面朝上”的硬币个数：
$$ P(X = k) = C_N^k \left(\frac{1}{2}\right)^k \left(\frac{1}{2}\right)^{N-k} $$
概率之和必然守恒 (归一性)
$$ \sum_{k=0}^{N} P(X=k) = 1.000
$$
离散型随机变量的取值是有限个或可列个的。我们用“概率分布列”（也叫概率质量函数 PMF）来描述它：将总和为 1 的“概率泥巴”精准地分配到每一个可能的取值上。
分布直方图 (PMF) 概率在不同取值上的分配
增加硬币数量，观察离散的分布直方图如何逐渐向中心靠拢，形成经典的钟形曲线雏形。
期望与方差的物理模型 重心与转动惯量
数学期望 $E(X)$ (平均收益)
--
方差 $D(X)$ (风险波动)
--
如果把每一个可能的值看作杠杆上刻度，把概率看作挂在对应刻度上的砝码重量：
• **期望 $E(X)$**：就是杠杆能够保持平衡的**支点 (物理重心)**。
• **方差 $D(X)$**：就是这些砝码相对于支点的**分散程度 (转动惯量)**。方差越大，说明极端情况发生的概率越大，也就是“风险”越高。
• **期望 $E(X)$**：就是杠杆能够保持平衡的**支点 (物理重心)**。
• **方差 $D(X)$**：就是这些砝码相对于支点的**分散程度 (转动惯量)**。方差越大，说明极端情况发生的概率越大，也就是“风险”越高。
概率杠杆平衡台 蓝色支点自动追踪重心
圆球的大小代表在该取值上分配的概率权重。
离散随机变量核心法则
量化不确定性的数学天平与波动标尺
随机变量 (Random Variable)
数字化映射$$ X: \Omega \to \mathbb{R} $$
将现实中抛硬币、抽奖等无法计算的“事件”，统统映射为可以用数学运算的“数字”。
分布列 (PMF) 性质
归一法则$$ P(X=x_k) = p_k \ge 0, \quad \sum p_k = 1 $$
所有的概率必须是非负的，并且加起来等于 1。这保证了分配的“概率泥巴”既没有凭空产生也没有凭空消失。
数学期望 E(X)
加权平均$$ E(X) = \sum x_k \cdot p_k $$
将每一个可能的值乘以它的发生概率然后累加。它代表了如果这个实验做无数次，你平均每次能得到的结果（物理重心）。
期望的线性性质
无条件成立$$ E(aX + bY) = aE(X) + bE(Y) $$
期望对加法和乘常数是绝对宽容的。无论 X 和 Y 是否有依赖关系，它们的和的期望永远等于它们期望的和。
方差 D(X) 或 Var(X)
波动衡量$$ D(X) = E[(X - E(X))^2] = E(X^2) - [E(X)]^2 $$
计算数据偏离平均值（中心）的平方的期望。方差越大，数据分布越散，波动和风险就越高。后面那个公式是计算方差的捷径。
方差的非线性陷阱
平方放大$$ D(aX + b) = a^2 D(X) $$
平移（加 b）不改变数据的波动程度，因此方差不变；但如果所有数据放大 a 倍，由于方差是基于“平方”定义的，所以方差会放大 a² 倍。
伯努利分布 (0-1分布)
最简模型$$ X \sim B(1, p) \implies E(X)=p, \quad D(X)=p(1-p) $$
只有两种结果：成功（1，概率p）或失败（0，概率1-p）。它是构建更复杂二项分布的原子砖块。
方差加法的独立性前提
核心警戒$$ \text{若 } X, Y \text{ 独立} \implies D(X \pm Y) = D(X) + D(Y) $$
注意！方差可没有期望那么宽容。只有当两个变量相互独立（互不影响）时，它们的和（或差）的方差才等于它们方差的“相加”。