一、核心基础概念与期望/方差计算

概率质量函数（PMF，概率质量函数）

概念：离散型随机变量在各个可能取值上的概率分布函数。

期望（平均值 / 期望值， $E(X)$ ）与方差（方差， $var(X)$ ）

期望：随机变量的平均值或中心位置。
方差：衡量随机变量数据偏离其期望值的离散程度。
线性变换性质 ：若Y = aX + b，则：
- $E(Y) = aE(X) + b$
- $var(Y) = a\^2 var(X)$ （截距 $b$ 不影响方差）

二、常见概率分布及其应用场景

课程中强调了"根据问题结构选择模型"而非单纯死记公式：

1. 离散概率分布（离散分布）

二项分布（二项分布， $\\text{Bin}(n, p)$ ）
应用场景 ：固定试验次数 $n$ ，每次试验独立且成功概率为 $p$ ，求"成功次数 $X$ "的概率。
均值与方差 ： $E(X) = np$ ， $\\text{var}(X) = np(1-p)$ 。
泊松分布（泊松分布， $\\text{Poi}(\\lambda)$ ）
应用场景 ：用于建模稀有事件（发生概率很小 $p \\to 0$ ，试验次数很大 $n \\to \\infty$ ）在特定区间内的发生次数。
性质：均值和方差相等，均等于 $\\lambda$ （即 $E(X) = \\text{var}(X) = \\lambda$ ）。
泊松近似二项分布（泊松近似）：当 $n$ 较大、 $p$ 较小时，二项分布可用参数 $\\lambda = np$ 的泊松分布近似。
负二项分布（负二项分布）
应用场景：固定目标成功次数，研究"达到该成功次数所需的等待时间/尝试次数"（例如猫咪损失固定生命次数所经历的天数）。

2. 连续概率分布（连续分布）

正态分布（正态分布）
概念：呈对称钟形曲线，由均值和标准差决定，在医学和统计检验中极常见。
指数分布（指数分布）
应用场景：连续时间内等待单个事件发生的等待时间。
伽马分布（伽马分布）
应用场景：多个独立且同分布的指数随机变量之和（等待多次成功的总时间）。

三、正态性检验与数据可视化评估

在分析连续变量时，评估数据是否符合正态分布非常关键：

可视化工具：
- 正态 QQ 图（Normal Q-Q Plot）：通过数据点是否贴近一条直线来直观判断是否接近正态分布。
- 直方图（直方图）与箱线图（Boxplot）：用于评估数据的对称性、偏态（Skewness）以及是否存在离群值（Outliers）。
正态性统计检验（正常性测试）：
- Shapiro-Wilk 检验 与 Anderson-Darling 检验。
- 注意：小样本下统计检验可能不可靠，通常更强调结合可视化图表综合评估，而不是仅仅依赖 $p$ 值。
数据变换与离群值（Data Transformation & Outliers）：
- 数据变换：如对数变换（Log Transformation），不能因为数据非正态就盲目采用，需对比变换前后效果。
- 离群值：偏离主体数据的极端值，会显著影响统计结果，需结合实际医学/健康研究背景谨慎判断。

四、因果推断与图模型（因果推断与图模型）

边际独立（Marginal Independence）与条件独立（Conditional Independence）

边际独立：不考虑其他条件时，一个变量的信息不会改变对另一个变量的判断。
条件独立：在已知某个条件变量的约束下，两个变量相互独立。
注意：条件独立与边际独立互不必然推导（条件独立不一定推出边际独立，反之亦然）。

有向无环图（DAG，有向无环图）

概念：节点表示变量，有向边（箭头）表示可能存在的直接因果关系，且图中不存在闭环。
应用：根据数据的真实生成过程确定箭头方向，用于识别和判定条件独立性与混杂因素。

模块一：概率分布与核心概念（对应图1）

在健康数据中，我们经常要建模"某个事件发生的概率"。

* **离散分布 (Discrete Distributions)**：结果可以一个一个数出来的（比如：误诊人数、发病次数）。
* **连续分布 (Continuous Distributions)**：结果是一个范围或测量值（比如：血压、等待时间）。
* **独立性 (Independence)**：
* **边际独立 (Marginal Independence)**：两个变量毫无关系。知道 A 发生，对 B 发生的概率没有任何影响（比如，今天下雨和隔壁老王感冒）。
* **条件独立 (Conditional Independence)**：在已知某个条件变量后，两个变量变得无关。
* *🩺 健康数据应用*：病人的症状和疾病之间可能存在关系，但如果我们"控制了年龄"这个变量（给定年龄），症状和疾病可能就独立了。
* **有向无环图 (DAG)**：因果推断的核心工具。用来画因果关系图，**不能有循环**（即A影响B，B影响C，C不能反过来影响A）。箭头代表因果方向。

模块二：概率模型的"选型"（对应图1、图2、图4）

这正是你需要补课的重中之重。老师强调：**"不要死记代码，要根据问题的结构判断模型"**。

**1. 二项分布 (Binomial Distribution)**
* **概念**：进行 $n$ 次独立重复试验（比如抛硬币、看病），每次成功的概率是 $p$，问总共成功 $k$ 次的概率。
* **记忆口诀**：**固定试验次数 $n$，求成功次数 $k$。**（$n$ 大 $p$ 小的时候，用泊松分布近似）。
* **🩺 应用**：假设医院有 600 名患者（$n=600$），误诊率是 0.01（$p=0.01$），求恰好有 $X$ 个患者被误诊的概率。
* **均值与方差**：均值 $E(X) = np$，方差 $Var(X) = np(1-p)$。
* **R语言**：`dbinom(x, size, prob)`（计算概率），`pbinom()`（累积概率）。

**2. 泊松分布 (Poisson Distribution)**
* **概念**：描述**单位时间或空间内**，稀有事件发生的次数。
* **记忆口诀**：**只知道平均发生率 $\lambda$，求发生次数 $k$。** 实际上，它是二项分布在 $n$ 很大、$p$ 很小时的近似（图4中老师举例 $n=600, p=0.01, \lambda = np = 6$）。
* **🩺 应用**：某医院每天急诊室接到的呼救电话数量。
* **R语言**：`dpois(x, lambda)`。

**3. 负二项分布 (Negative Binomial Distribution)**
* **概念**：为了获得第 $r$ 次成功，需要进行的试验总次数（或失败次数）。它是几何分布的推广。
* **记忆口诀**：**固定成功次数 $r$，求试验次数 $X$。**
* **🩺 应用（图4猫咪案例）**：猫咪有 $r$ 条命（成功次数），每天被撞概率是 0.01，求它活 $X$ 天的概率。
* **期望与方差**：期望 $E(X) = r/p$，方差 $Var(X) = r(1-p)/p^2$。
*(图1提到的"等待多次成功可对应伽马分布"，伽马分布就是负二项分布在连续时间上的对应版。)*

**4. 指数分布 (Exponential Distribution)** 与 **伽马分布 (Gamma Distribution)**
* **概念**：指数分布是"直到第一次事件发生"的等待时间（连续版）。伽马分布是"直到第 $\alpha$ 次事件发生"的等待时间（多个指数分布之和）。
* *R语言*：`dexp()`，`dgamma()`。

模块三：正态性检验与数据可视化（对应图1）

医学数据中，正态分布非常常见，但真实数据往往只是"近似正态"。老师强烈建议**不要只依赖 p 值（比如 Shapiro 检验），要先看图**。

* **如何判断正态性？**

**直方图 (Histogram)**：是否呈钟形、对称？
**QQ图 (Quantile-Quantile Plot)**：**必看！** 横轴是理论正态分位数，纵轴是样本分位数。如果数据正态，点应该**大致贴紧一条45度的直线**。
**箱线图 (Boxplot)**：看是否有离群值（偏态）。
* **离群值 (Outliers)**：极端值。**不要机械地删除**，必须结合研究背景（比如记录错误、罕见病例）来谨慎决定是否删除或做数据变换。
* **数据变换 (Data Transformation)**：如果数据非正态，常做**对数变换 (Log transformation)**。但如图2警示：**不要盲目做对数变换**，必须对比变换前后的 QQ 图和分布，确认效果真的改善了才用。

模块四：数据生成与因果图 (DAG) 基础（对应图1、图2）

图2中提到的"父母分别指向孩子，父母之间没有直接边"是因果推断的经典结构：
* 在"父母 -> 孩子"的结构中，父母之间是**边际独立**的。
* 但是，一旦**给定"孩子"**这个条件（即控制了孩子），父母之间就会产生**条件依赖**（也就是著名的"对撞偏差"或"选择偏差"Collider Bias）。这是处理健康数据（比如做中介分析或控制混杂变量时）极易犯的错误。

模块五：R 语言实践提示（对应图4）

图4 是上机实践课的问题，你需要知道：
* `Bin(1000, 0.001)` vs `Poi(1)`：这里的 $\lambda = 1000 \times 0.001 = 1$。画图时使用 `dbinom()` 和 `dpois()`，并利用 `par(mfrow = c(2, 1))` 将两张图画在一起，你会看到它们几乎完全重合。这就是**泊松近似二项分布**的直观验证。
* 请回顾基础的 R 语言语法：怎么定义向量，怎么用循环，怎么计算期望（`sum(x * p_x)`）和方差（`sum((x - mean)^2 * p_x)`）。

**拿起纸笔，推导公式**：不要只看，自己推导一遍：$Y = 2X + 1$ 的期望和方差怎么求？这涉及期望和方差的性质：$E(aX+b) = aE(X)+b$，$Var(aX+b) = a^2Var(X)$。
**重点攻克 R 语言基础**：复习 `d` (density/probability), `p` (cumulative probability), `q` (quantile), `r` (random generation) 这几个前缀的函数。
**主动扩展学习**：可以去 YouTube 或者 B站搜索关键词：**"二项分布负二项分布泊松分布区别"**、**"QQ图怎么看"**、**"因果推断 DAG 入门"**。

这些知识在健康数据科学中会反复用到（比如临床预测模型、生存分析、因果推断），现在花时间补回来，对后面高年级的课程非常有帮助！

**搞懂"四大分布"到底在解决什么问题（图2、图3）：**

* **二项分布 (Binomial)**：比如，抛10次硬币，正面朝上的次数。或者，100个病人吃药，治愈的人数。核心特征：**知道总人数 $n$，知道单次成功的概率 $p$，求总成功次数 $k$**。公式：$P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}$。

* **泊松分布 (Poisson)**：比如，一小时内急诊室来了几个病人。核心特征：**不知道总人数，只知道平均发生率 $\lambda$，求发生 $k$ 次的概率**。

* *重点理解（图3讲的）*：当 $n$ 很大，$p$ 很小时（比如 $n=600, p=0.01$），二项分布算起来极其复杂（阶乘太大），这时候我们可以用泊松分布来**近似**它，令 $\lambda = np = 6$。这是图3那道实践题的核心考点。

* **负二项分布 (Negative Binomial)**：比如，猫咪有9条命，每次出门有0.01概率死掉，求它第9次死掉时，总共过了多少天。核心特征：**知道想要成功几次（死几次 $r$），求总共需要经历多少次试验（活多少天 $X$）**。

* **指数分布与伽马分布 (Exponential & Gamma)**：连续版的等待时间。指数分布是等"第1次"事件发生的时间，伽马分布是等"第 $\alpha$ 次"事件发生的时间（多个指数分布相加）。

* **🩺 推荐资源**：去 B站搜索"**可汗学院概率论**"或者"**统计学常见分布通俗讲解**"，看那种动画演示的短片，十分钟就能搞懂一个分布。

**搞懂 QQ图 (QQ Plot)（图1）：**

* 这是图里老师非常强调的。不要去背它的数学公式，只需要记住一句话：**"QQ图的横轴是理论上的正态分布，纵轴是你手头的数据。如果点乖乖地排成一条斜向上的直线，数据就是正态分布；如果点弯曲（比如呈现出S型、或者两头翘起）或者偏离直线，就不是正态分布。"**

* 图3举了牙齿生长的例子，做对数变换后 QQ图并没有改善，所以老师警告：**不要盲目做对数变换**，必须看图对比效果。

* *推荐行动*：去搜一下"**怎么看懂QQ图**"，看图解，一分钟就能学会。

* **第一题**：考的是期望和方差的**线性性质**（即 $Y = 2X + 1$，$E(Y)$ 和 $Var(Y)$ 怎么求）。去百度或B站搜"**期望和方差的性质**"（5分钟就能看懂）。

* **第二题**：考的是**二项分布、泊松分布及其近似**。

* 不要只算 $P(X=0)$ 和 $P(X=1)$，你要知道在 R 语言里怎么用 `dbinom` 和 `dpois` 算出来。

* 动手在 R 里画图，亲眼看看 `Bin(1000, 0.001)` 和 `Poi(1)` 的 PMF 图是不是几乎重叠。

* **第三题**：直接用负二项分布的公式（均值 $r/p$，方差 $r(1-p)/p^2$）套进去算就行。不用理解太深，先会算。

第三阶段：用 R 语言实操（花1-2天）

你是数据科学的学生，**不要光看纸面上的公式**。老师也说"概率模型的关键不是死记 R 命令，而是根据问题结构判断模型"（图3）。

在你的电脑上打开 RStudio。
把图4的三道题，全部用 R 语言敲一遍。比如：

```R

二项分布

dbinom(0, size=600, prob=0.01) # P(X=0)

dbinom(1, size=600, prob=0.01) # P(X=1)

泊松近似

dpois(0, lambda=6)

dpois(1, lambda=6)

验证两者是否接近

plot(0:10, dbinom(0:10, 1000, 0.001), type="h", col="blue")

lines(0:10, dpois(0:10, 1), type="h", col="red")

```

当你看到两张图几乎一模一样时，那个知识点你**一辈子都忘不掉**了。

R 语言中 d/p/q/r 四个前缀（density, probability, quantile, random）要弄清楚它们分别输出什么。

第四阶段：关于因果推断 (DAG) 的补课（结合图2）

这部分对于大一刚学完概率的人来说，确实是陌生的概念（很多学校研究生才讲）。

* **先不要看复杂的教材**。去 B站搜索 **"因果推断 DAG 入门"** 或者 **"有向无环图通俗讲解"**。

* 只需要记住图里说的：**"箭头代表因果方向"**。图2举了"父母指向孩子"的例子（这就是经典的"对撞结构"）。父母之间本来没有直接联系（边际独立），但如果你把"孩子"这个变量固定住（条件独立），父母之间就会产生虚假的关联。这是健康数据分析中非常容易犯的错误（对撞偏差 Collider Bias）。

* 理解到这个层面，对于这门课已经足够了。

**做好笔记**：把"二项分布、泊松分布、负二项分布、QQ图、DAG"这几个关键词写在笔记本上，旁边用你自己的话写一句注释（比如：二项分布=固定次数求成功次数；泊松=固定均值求稀有事件次数）。
千万不要从头把整门概率论/统计学课程重新看一遍。

1. 抓主干：梳理"概率分布"的决策树

老师 PPT 中明确强调了：关键不是死记硬背公式或 R 命令，而是根据数据/问题结构选择正确的模型。
你可以自己整理一张"数据类型与模型选择"地图：

数据是计数/离散的？
- 关心"固定试验次数中成了几次" $\\to$ 二项分布
- 关心"稀有事件在一定时间/空间内发生了几次" $\\to$ 泊松分布
- 关心"达到 $n$ 次成功需要等多久/尝试多少次" $\\to$ 负二项分布
数据是连续的？
- 观察连续数据的分布与对称性 $\\to$ 正态分布
- 关心"单个事件发生的等待时间" $\\to$ 指数分布
- 关心"多个事件发生的累积等待时间" $\\to$ 伽马分布

2. 结合 R 语言实践，做中学（通过实践学习）

从你的 PPT 来看（如，，）dbinom()``dpois()``par(mfrow=...)，课程非常注重 R 语言的实际操作与可视化分析。

手动敲代码，观察图像变化 ：在 R 中运行老师要求的代码，改变参数（比如改变二项分布的 $n$ 和 $p$ ），亲自看看直方图是如何逐渐变成泊松分布或正态分布的。通过图形（QQ图、箱线图、直方图）理解直观概念，比硬背理论记忆深得多。
理解代码背后的含义：
- dnorm / dbinom中的代表 Density / PMF （求某一点的概率/密度）d
- pnorm / pbinom中的代表 CDF / Probability （求累积概率p $P(X \\le x)$ ）
- rnorm / rbinom中的代表 Random （生成随机数）r

3. 精准查漏补缺，利用高效工具

不需要买厚重的教材，遇到不懂的具体名词（如：What is Poisson approximation？ 什么是DAG？），使用以下方式快速补课：

StatQuest（YouTube 频道）：强烈推荐！作者 Josh Starmer 用极其直观的绘图和浅显的语言讲解统计概念（如 Normal Distribution， QQ Plots， Poisson Distribution， DAGs），每个视频只有 10-15 分钟，非常适合快速拾起概念。
利用 AI 做针对性答疑：直接把不会的课后题或代码丢给 AI（例如："请用 Health Data 的实际例子解释什么是 DAG 中的条件独立和边际独立"），让它为你举例说明。

4. 紧扣 Health Data Science 的实际应用场景

在复习时，尝试把抽象的统计概念与医学/健康数据结合起来思考（如老师 PPT 里的案例）：

误诊率 （医院误诊） $\\to$ 二项分布 / 泊松近似
患者生存时间/复发等待时间 $\\to$ 指数分布 / 伽马分布
临床测量数据（如牙齿生长、血压） $\\to$ 正态性检验、数据变换
疾病因果关系分析 $\\to$ 有向无环图（DAG）

> 核心主线：4种离散分布 → 分布之间的关系 → 独立性（边际独立/条件独立/DAG）→ 正态性检验与可视化

一、4个核心离散分布（重中之重，这节课所有题目都在这里）

1. Bernoulli 伯努利分布

**场景**：**单次试验，只有两种结果：成功 / 失败**
例子：一次看病是否误诊；猫咪一天是否被车撞到；掷一次硬币正面与否
参数： $p$ =单次"成功"概率
期望： $E(X)=p$ ，方差： $Var(X)=p(1-p)$

2. Binomial 二项分布 $Bin(n,p)$

> 题目Q1、Q2用到

**场景**：**固定n次独立伯努利试验，统计成功的次数**

> ✅关键词：固定试验次数 n，数成功多少次

例子：600个病人，统计误诊人数；扔10次骰子，统计掷出6的次数
参数： $n$ =试验总次数； $p$ =单次成功概率
公式：

P(X=k)=\\binom{n}{k}p\^k(1-p)\^{n-k}

期望： $E(X)=np$
方差： $Var(X)=np(1-p)$
重要性质：**n很大、p很小、np适中 → 可以用泊松近似**（Q2核心考点）

3. Poisson 泊松分布 $Poi(\\lambda)$

> Q2用到，二项的近似

**场景**：**稀有事件，单位时间/空间内发生的事件次数**

> ✅关键词：稀有事件，n大p小

参数： $\\lambda$ =单位区间内事件发生的**平均次数**
近似规则： $X\\sim Bin(n,p)$ ，当 $n\\ge100, np\\le10$ ，令 $\\lambda=np$ ，则 $Bin(n,p)\\approx Poi(\\lambda)$
公式：

P(X=k)=\\frac{e\^{-\\lambda}\\lambda\^k}{k!}

期望： $E(X)=\\lambda$
方差： $Var(X)=\\lambda$

> 👉泊松特点：**均值=方差**，这是和二项分布最直观的区别

4. Negative Binomial 负二项分布 $NB(r,p)$

> Q3猫咪题目用到！

**场景**：**重复伯努利试验，直到观察到r次成功，统计一共做了多少次试验**

> ✅关键词：**等待r次成功，记录总试验次数**（等待时间/等待天数）

> Kitty例子：每天一次试验，等待被车撞r次（r条命全部耗尽），统计总天数

参数： $r$ =需要等待的成功次数； $p$ =单次成功概率
期望： $E(X)=\\frac{r}{p}$
方差： $Var(X)=\\frac{r(1-p)}{p\^2}$
几何分布是负二项特例： $r=1$ ，等待**第1次成功**

✨4个离散分布快速记忆表（强烈建议背）

| 分布 | 核心场景 | 一句话识别 |

| ---- | ---- | ---- |

| 伯努利 | 1次试验，成功与否 | 做1次，有没有成功 |

| 二项Bin | 固定n次试验，数成功次数 | n固定，数成功多少个 |

| 泊松Poi | 稀有事件发生次数，二项近似 | n很大p很小，数事件发生次数 |

| 负二项NB | 等待r次成功，记录总试验次数 | 目标r次成功，要等多少次试验 |

> 老师原话：**固定试验次数 → 二项；等待固定次数成功 → 负二项；稀有事件二项可以泊松近似**

二、线性变换的期望与方差（Q1用到，基础公式，后续所有分布通用）

若 $Y=aX+b$ ，a,b是常数

$E(aX+b)=aE(X)+b$ 👉**期望可以直接线性平移缩放**
$Var(aX+b)=a\^2Var(X)$ 👉**常数b不影响方差；方差要乘a的平方**

> Q1例子 $Y=2X+1$ ：方差只乘 $2\^2=4$ ，+1对方差没有任何贡献

三、独立性 & DAG（有向无环图，因果推断，健康数据科学高频）

1. 边际独立（Marginal independence）

不考虑任何其他变量，A的信息不会改变B的概率。

$P(B\|A)=P(B)$

2. 条件独立（Conditional independence）

**给定第三个变量C的前提下**，A和B互相独立。

$P(B\|A,C)=P(B\|C)$

> ⚠️重点考点：**条件独立 ≠ 边际独立；反过来也不成立**

> 课堂例子：父母基因型边际独立；给定孩子基因型后，父母不再条件独立（对撞节点collider）

3. DAG 有向无环图 Directed Acyclic Graph

定义：所有边带箭头（有方向），**图里不能有环**，不能有无向边
用途：**因果图，刻画数据生成过程**，健康流行病学、因果推断必用
看图判断独立性：核心是d-separation（d分离），用来识别图里哪些变量条件独立

四、连续分布：指数分布 & 伽马分布

**指数分布 Exponential**：连续版本的几何分布。等待**第一次事件发生**的连续时间（不是天数这种离散试验，是连续时间）
**伽马分布 Gamma**：连续版本负二项分布。等待**r次事件发生**的连续时间；等于r个独立指数变量之和

> 记忆：离散等待→几何/负二项；连续等待→指数/伽马

五、正态分布 & 正态性检验（医学统计超级常用）

正态分布 Normal

特点：钟形、对称；医学很多指标近似正态（血压、身高）
现实：**真实数据几乎不会完美正态，大多只是近似正态**；不满足时可以尝试数据变换（对数变换等），但**变换不一定有用，需要验证**

正态性评估（老师重点强调：不要只看p值！可视化优先）

**直方图Histogram**：看是否钟形对称
**正态QQ图 Q-Q plot**：如果数据接近正态，点大致贴在一条直线上
**箱线图Boxplot**：看对称性、离群值outlier

正态性检验（统计假设检验）

Shapiro-Wilk 检验（Shapiro检验）
Anderson-Darling 检验

> ⚠️老师提醒：**小样本下检验结果不可靠！优先看图，不要只依赖p值**

离群值 outlier

偏离主体数据的极端值。

> 重点：**不能随便删离群值！** 是否删除/变换，必须结合医学/研究背景谨慎判断。

数据变换

例如对数变换log-transformation，目的是把偏态数据拉近似正态。

> 重要提醒：**变换不一定能改善正态性，必须对比变换前后图形，不能一看到非正态就直接取log**

📚 你的补课学习路线（按顺序，循序渐进，适配你现在的情况）

> 你很久没碰统计，建议按这个顺序补，不要跳，每一节配R代码实操（贴合这门Practical）

【基础回顾】随机变量、期望E(X)、方差Var(X)、线性变换性质（Q1）
【4个离散分布】伯努利→二项→泊松近似→负二项（Q2 Q3核心，重中之重）

重点区分：什么时候用二项，什么时候负二项（很多人在这里混淆）

【独立性】边际独立 vs 条件独立，DAG基础概念（健康数据科学特色，别的统计课不会重点讲）
【连续分布】指数、伽马
【正态分布、正态性检验、可视化QQ图/箱线图】

配套练习建议

就用课件里这3道题，吃透：

Q1：练期望方差线性变换
Q2：二项分布 + 泊松近似，R绘图
Q3：识别负二项分布，计算均值标准差

补充：容易踩坑的2个考点（这节课高频易错）

泊松近似：**只有二项分布在n大p小的时候才能近似**，近似后均值不变，方差从 $np(1-p)$ 变成 $\\lambda=np$
负二项分布有两种定义！

定义A（课件Q3用的）：记录**总试验次数**（包含r次成功）， $E=\\frac{r}{p}$
定义B：记录**失败次数**（不包含r次成功）， $E=\\frac{r(1-p)}{p}$

✅做题第一件事：看题目定义！这是负二项最容易错的地方。

如果你想要，我可以下一步：

方案A：把上面知识点压缩成一页**可直接打印的cheat sheet（公式+名词速记）**

或者

方案B：逐个模块出简单练习题+答案，用来自测巩固。你想选哪个？

statistics

二、 常见概率分布及其应用场景