主题
概率分布与期望:不确定性的语言
一分钟理解
很多建模输入不是固定数,而是「有多大概率取某个值」:明天销量可能是 80 份也可能是 120 份,今天进店人数是随机的。概率分布就是把这些可能取值和对应概率全部列出来的完整描述。
比喻:把「随机」想成一台老虎机。你不知道下一次会吐出什么,但知道每个结果出现的概率,也知道长期玩下来平均每次吐多少——这个长期平均就是期望。期望不是「下一次一定会得到的值」,而是「如果把实验重复很多很多次,结果的平均值会趋近的那个数」。
一个公平骰子有 6 个等可能结果,每个概率都是
这个工具在建模里干什么
- 蒙特卡洛方法:把「求一个确定量」转化为「估计一个随机变量的期望」,用大量采样取平均逼近,误差随
收敛。蒙特卡洛方法 - 排队与随机过程:顾客到达数常用泊松分布、服务时间常用指数分布建模,期望到达率
是排队系统的基本输入。数学建模常见方法总览与选择思路 - 不确定性表达:预测区间、置信区间、期望与方差是「误差与不确定性」这一主题的数学底座。数学建模中的误差与不确定性
- 风险决策:把不同情景的概率与收益加权求和得到期望收益,是备餐、库存、投资等决策的基本盘。
一句话:概率分布给不确定性「画像」,期望给随机量「定坐标」,方差给波动「量尺寸」。
核心概念
符号定义
| 符号 | 含义 |
|---|---|
| 随机变量(大写) | |
| 随机变量的某个具体取值(小写) | |
| 离散情况下取 | |
| 连续情况下的概率密度函数 | |
| 期望(均值) | |
| 方差 | |
| 标准差 |
关键公式
离散期望:
即「每个取值乘以其概率再求和」。量纲上,
方差:
它度量「偏离均值的平方的平均」,量纲是
三个常用分布:
- 伯努利/二项:
次独立试验、每次成功概率 ,成功次数 , , 。 - 泊松:单位时间平均发生
次, , ,常用于到达计数。 - 正态:由均值
和标准差 完全确定,密度呈钟形,是大量独立小因素叠加的极限分布,也是很多置信区间的来源。
手算小例子
例子一:公平骰子的期望与方差。
标准差
例子二:抛 3 次硬币,正面次数
期望
例子三:泊松到达。 若每小时平均到店
常见误解与成立条件
- 「期望就是最可能的值」不对。 骰子的期望 3.5 甚至不是任何可能结果。期望是「长期平均」的位置,众数才是「最可能的值」,两者在偏斜分布中会明显分开。
- 「期望一定存在」不成立。 柯西分布密度
的 发散,期望与方差都不存在。判断方法:先确认 或 收敛,再谈期望。 - 「大数定律保证下次会回归均值」是赌徒谬误。 大数定律说的是「样本均值随样本量增大趋近期望」,不是「连续出小后下次必出大」。每次独立试验的概率不因之前的结果而改变。
- 「独立」和「不相关」不是一回事。 独立一定不相关,但不相关不一定独立(如
与 可以相关系数为 0 却完全由对方决定)。建模时要把两者分清。 - 「方差小就安全」只在分布形态不极端时成立。 方差只看二阶矩,对厚尾分布(如金融收益)可能低估极端风险。此时还要看分位数、最大值或尾部概率。
用期望做一次决策
假设食堂备餐,明天需求只可能是 100、110、120 份,概率分别为
期望需求是 110,但「备 110」不等于万事大吉——还要看缺餐与剩餐的期望。分别计算三种备餐方案(设每份剩餐浪费 1、每份缺餐损失 1,可等价比较):
| 备餐量 | 期望剩余(份) | 期望短缺(份) |
|---|---|---|
| 100 | 0 | |
| 110 | ||
| 120 | 0 |
备 110 时两种代价都小;备 100 短缺期望高达 10,备 120 剩余期望高达 10。这个例子说明:期望是决策的基础,但要结合「错误的方向与代价」一起看——不同的损失函数会让最优备餐量偏移。这是 数学建模中的误差与不确定性 里「把不确定性带入决策」的数学版本。
与具体模型连接
- 蒙特卡洛方法正是「用样本均值估计期望」,并给出随
收敛的标准误差,见 蒙特卡洛方法。 - 排队系统的到达率
、服务率 都以期望速率表达,稳态分析建立在泊松/指数分布假设上,见 数学建模常见方法总览与选择思路(排队专题并行建设中,当前先链接总览)。 - 期望、方差、区间估计是「误差与不确定性」的量化和决策基础,见 数学建模中的误差与不确定性。
关联文章
参考资料
- NumPy 随机抽样
numpy.random文档:https://numpy.org/doc/stable/reference/random/index.html - SciPy 统计分布
scipy.stats文档:https://docs.scipy.org/doc/scipy/reference/stats.html - OpenStax《Introductory Statistics》第 4、5 章(离散随机变量与连续随机变量):https://openstax.org/books/introductory-statistics-2e/pages/4-introduction