Skip to content

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 1/6,这就是一个均匀分布;它的期望是 (1+2+3+4+5+6)/6=3.5——注意 3.5 根本不是一个可能的结果,可见期望描述的是「中心位置」而非「最可能的值」。分布告诉我们不确定性的全貌,期望和方差则是压缩出的两个最关键的数字:中心在哪里、波动有多大。

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 n 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 λ 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
X随机变量(大写)
x随机变量的某个具体取值(小写)
P(X=x)离散情况下取 x 的概率(概率质量函数)
f(x)连续情况下的概率密度函数
E[X]期望(均值)
Var(X)方差
σ=Var(X)标准差

关键公式 ​

离散期望:

E[X]=∑xxP(X=x).

即「每个取值乘以其概率再求和」。量纲上,E[X] 与 X 同量纲(概率无量纲)。连续情况把求和换成积分:E[X]=∫xf(x)dx。

方差:

Var(X)=E[(X−E[X])2]=E[X2]−(E[X])2.

它度量「偏离均值的平方的平均」,量纲是 X 量纲的平方(所以标准差 σ 才回到原量纲,更好解释)。

三个常用分布:

  • 伯努利/二项:n 次独立试验、每次成功概率 p,成功次数 X∼Binomial(n,p),E[X]=np,Var(X)=np(1−p)。
  • 泊松:单位时间平均发生 λ 次,P(X=k)=e−λλk/k!,E[X]=Var(X)=λ,常用于到达计数。
  • 正态:由均值 μ 和标准差 σ 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。

E[X]=1+2+3+4+5+66=216=3.5.E[X2]=1+4+9+16+25+366=916,Var(X)=916−3.52=916−494=3512≈2.92.

标准差 σ=35/12≈1.71。核对:每个结果离均值 3.5 的平方平均约 2.92,量级合理。

例子二:抛 3 次硬币,正面次数 X∼Binomial(3,0.5)。

P(X=2)=(32)⋅0.52⋅0.51=3⋅0.125=0.375.

期望 E[X]=3⋅0.5=1.5,方差 Var(X)=3⋅0.5⋅0.5=0.75。完整分布是 P(X=0)=0.125, P(X=1)=0.375, P(X=2)=0.375, P(X=3)=0.125,概率之和为 1。核对:期望 0⋅0.125+1⋅0.375+2⋅0.375+3⋅0.125=1.5,与公式一致。

例子三:泊松到达。 若每小时平均到店 λ=2 人,则下一小时恰好 0 人的概率 P(X=0)=e−2≈0.135,恰好 1 人 P(X=1)=2e−2≈0.271,二者加起来约 0.406。

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 f(x)=1/[π(1+x2)] 的 ∫|x|f(x)dx 发散,期望与方差都不存在。判断方法:先确认 ∑|x|P(X=x) 或 ∫|x|f(x)dx 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 X 与 Y=X2 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 0.3、0.4、0.3。先算期望需求:

E[D]=100⋅0.3+110⋅0.4+120⋅0.3=110.

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)
100010⋅0.4+20⋅0.3=10
11010⋅0.3=310⋅0.3=3
12020⋅0.3+10⋅0.4=100

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 ​

关联文章 ​

参考资料 ​

MathModel FAQ · 数学建模知识库