准备数值笔试的朋友大概率遇到过这种题抛一枚均匀硬币直到连续出现两次正面才停问期望要抛多少次。我第一次见到时真的愣了几秒觉得这题信息不够——第一次是正是反都不知道怎么算期望后来把条件期望、全期望、重复独立试验这三个高频考点串起来才发现这类题根本不是考灵感而是考你有没有掌握一套固定的“分层—拆解—加权平均”思路。这篇文章就围绕数值笔试里这三个最容易出现的概率论方向把每个概念在笔试中怎么出题、怎么思考、怎么避坑完完整整过一遍。不管你基础怎么样看完都能直接拿去用。1. 条件期望从通勤时间理解它在做什么1.1 条件期望到底是“一个数”还是一个“随机变量”先说个生活化的例子。假设你每天坐地铁通勤下雨天单程需要30分钟不下雨只需要20分钟当地下雨概率是30%。如果今天已知下雨那通勤时间的期望是30分钟已知不下雨期望是20分钟。这里每种情况对应的都是确定数字。但如果把“天气”看成一个随机变量R那E[T | R]就不是一个固定数字了——当R取“下雨”时等于30当R取“不下雨”时等于20。R是随机的E[T | R]也随之变化所以它本身也是一个随机变量。这个点很多人第一次学的时候会绕进去但它恰恰是后面全期望公式塔性质的核心。很多人把条件期望理解成“知道了某个信息之后的平均”这个直觉没错。但笔试里真正考的是你能不能分清两种写法E[X | Y y]给定Y取值y这是一个确定的数。E[X | Y]把Y看成随机变量这是一个关于Y的随机变量。两者在题目里经常被混着用如果不区分后面算全期望就会出问题。比如你看到E[E[X|Y]]这种嵌套表达式内层的E[X|Y]必须当成随机变量外层的E才是对Y的分布取平均。内层如果当成数外层期望就完全没有意义了。回到通勤例子这个条件期望还能直观验证一个结论全期望其实就是在所有可能天气情况下做加权平均。E[T] 0.3 × 30 0.7 × 20 23分钟。这里“天气”就是那个隐藏变量条件期望把“天气对通勤的影响”单独剥离出来再用天气概率去加权最后就得到无条件期望。1.2 笔试里条件期望最常见的三种考法第一种考法给定事件A套定义算E[X | A]。离散情形公式是E[X | A] Σ x · P(X x | A)。这类题数据给得都很直接难点一般在算条件概率而不是期望本身。比如掷两颗均匀骰子已知点数之和为偶数求第一颗骰子点数的期望。样本空间36种结果点数之和为偶数的有18种。第一颗骰子为x时第二颗骰子需要与x同奇偶才保证和为偶数所以每个x对应3种情况。于是条件概率P(第一颗x | 和为偶数) 3/18 1/6期望 (12...6)/6 3.5。有意思的是结果和没有条件时一样但你不能因此说“条件和期望无关”。它俩确实不独立只是这个对称结构让条件期望恰好等于无条件期望。考场上如果一个选项说“条件期望相等所以独立”这通常是故意埋的坑。第二种考法区分E[X | Yy]和E[X | Y]。前面已经说了前者是数后者是随机变量。选择题和判断题里出现“E[X|Y]是常数”这种说法基本都是错的。第三种考法用条件期望的运算法则。条件期望保留了普通期望的线性性质E[aX bY | Z] aE[X | Z] bE[Y | Z]而且这里不需要X和Y独立。还有一个很好用的规则条件中已知的量可以提到期望外。给定Z时Z本身不再是随机变量所以E[g(Z)·Y | Z] g(Z)·E[Y | Z]。特别是E[Z | Z] ZE[Z² | Z] Z²。这种性质在解综合题时特别好使。后面讲连续两次正面的期望状态方程里用的就是这些规则。提示条件期望的线性不要求独立性这一点和方差完全不同。很多人默认“有期望就要独立”这是个错误印象。2. 全期望公式复杂期望的第一拆解工具2.1 公式本质先分层再加权平均全期望公式的离散形式是这样的若A₁, A₂, ..., Aₙ是一组互斥且覆盖所有情况的完备事件组则E[X] P(A₁)E[X | A₁] P(A₂)E[X | A₂] ... P(Aₙ)E[X | Aₙ]理解它的最好方式就是班级平均分全班平均分 男生比例 × 男生平均分 女生比例 × 女生平均分。你不需要知道每个人的分数只要分好层每层算平均再按层的大小加权结果一定正确。塔性质是它的连续版本E[X] E[E[X | Y]]。这里的嵌套结构前面说过内层的E[X | Y]是一个随机变量它等于某个关于Y的函数h(Y)外层E是对Y的分布求平均。展开写就是E[X] Σ_y P(Y y) · E[X | Y y]。笔试里经常有人在用全期望公式时漏掉某些情况这是最容易丢分的地方。完备事件组意味着“所有可能情况都覆盖且彼此不重叠”。漏了一种情况加权的分母就错了算出来自然不对。比如算“掷骰子点数期望”如果你按“奇数/偶数/质数”分层这三类不互斥——6既是偶数又不是质数这种分层在考场上就是灾难。2.2 随机个随机变量的求和餐厅客流问题全期望公式最经典的笔试应用是“随机个随机变量求和”。直接看题。某餐厅每天的顾客数N服从均值λ的泊松分布每位顾客的消费额X_i相互独立、与N也独立平均消费为μ。问一天营业额的期望。这道题直接求E[X₁ X₂ ... X_N]看起来无从下手因为连“加多少项”都是随机的。但用全期望公式思路立刻清晰第一步先假设N n是已知的那么营业额就是n个独立同分布随机变量的和E[S | N n] E[X₁ ... X_n] nμ第二步再用全期望公式对N取期望E[S] E[E[S | N]] E[Nμ] μE[N] λμ答案就是λμ。整个过程不需要知道N的具体分布类型只要知道E[N]就行。这种“先固定条件变量算内部期望再对外层取期望”的流程是笔试里最高频的解题模板之一。对应的还有方差的分解公式Var(S) E[Var(S | N)] Var(E[S | N])。如果上面题里再给每位顾客消费的方差σ²那么Var(S) E[Nσ²] Var(Nμ) λσ² μ²λ λ(σ² μ²)。这一问在笔试中出现频率也不低建议把条件方差公式和全期望公式一起记熟。这个模型在真实笔试里千变万化但骨架不变保险理赔总金额、客服一天接电话总时长、仓库一天订单总件数……全是“数量随机 单个量有期望”的结构看到就直接套全期望。2.3 什么信号提醒你该用全期望公式根据我刷题和实际笔试的经验出现下面三种信号优先考虑全期望问题有明显的“先发生某事件再决定结果”的阶段结构。比如先决定下不下雨、再影响通勤时间先决定来多少顾客、再影响总消费。目标量是一个“随机个数的随机变量之和”。看到N个X相加且N随机马上想到条件期望。直接求期望很困难但给定某个隐藏变量后条件期望很好算。这时候就把隐藏变量暴露出来先求条件期望再对隐藏变量取平均。用好全期望的诀窍就一句话不要试图一步到位算E[X]先找一个“中间变量Y”让E[X | Y]很好算然后再对Y加权。3. 重复独立试验伯努利模型里的高频考点3.1 伯努利试验与二项分布伯努利试验是最简单的随机试验模型每次只有成功和失败两种结果成功概率固定为p各次试验相互独立。重复n次伯努利试验成功次数X服从二项分布B(n, p)。笔试里二项分布的期望和方差几乎必考E[X] npVar(X) np(1-p)。很多人背公式没问题但我要强调的是它的推导方式——指示变量法因为这才是真正在考场上有用的工具。把X写成n个指示变量之和X I₁ I₂ ... Iₙ其中Iᵢ 1表示第i次试验成功否则为0。每个Iᵢ的期望都是p所以E[X] E[I₁] ... E[Iₙ] np。注意到这一步根本不需要“独立性”——期望的线性性质天然成立。方差才需要独立性Var(X) Var(I₁) ... Var(Iₙ) np(1-p)因为独立随机变量之和的方差等于方差之和。知道这个区别有什么用看这道题从一副扑克牌中不放回抽n张问红桃张数的期望。这不是二项分布因为抽牌不放回时每次抽到红桃的概率是变化的各次之间也不独立。但如果用指示变量法每张牌位置红桃的期望概率都是13/52期望直接是n × 13/52根本不需要放回不放回。这个例子笔试中出现过太多次了。很多同学一看到“n次抽取”就默认二项分布结果遇到不放回就懵。指示变量法是通用解法比背二项分布公式稳妥得多。3.2 几何分布与无记忆性几何分布描述的是重复独立伯努利试验第一次成功出现时所需的试验次数X。有P(X k) (1-p)^(k-1)p期望E[X] 1/p。比如抛硬币p 1/2平均要等2次才能见到第一次正面。几何分布最独特的性质是无记忆性P(X mn | X m) P(X n)。翻译成人话就是你已经连续等了m次都没成功那再等n次以上才成功的概率和从零开始等n次以上一样。这个性质看起来违反直觉但它的逻辑很清晰——每次试验独立之前的失败对后续结果没有任何影响。一台没有记忆的机器你无法通过它过去的表现预测未来。这个性质也是判断“一个分布是不是几何分布”的试金石。笔试里无记忆性经常以选择题出现问你“已知前10次都没有成功期望还需要多少次才能等到第一次成功”这一类问题。如果分布是几何分布答案依然是1/p和已经等待的次数无关。3.3 几何分布的两种参数化考场上最常见的坑这里必须单独提醒几何分布在不同的教材里有两种定义考场上不先确认这点非常容易翻车。传统定义为“首次成功所需的试验次数”取值1, 2, 3, ...期望1/p。另一种定义是“首次成功前的失败次数”取值0, 1, 2, ...期望(1-p)/p。两者只差一个常数1但期望、方差都不一样。我的习惯是拿到题目先看取值范围或者选项。如果题目里明确写了“X表示直到首次成功需要的试验次数”那就是前者如果写“X表示首次成功前失败的次数”那是后者。如果题目含糊优先按前者理解再看求出的结果和哪个选项能对上。顺带一提负二项分布帕斯卡分布也常用在重复独立试验里第r次成功所需的试验次数期望是r/p。本质上是r个几何分布相加。这两个分布放一起记笔试里基本不会丢分。4. 综合实战三道笔试级真题的完整推演4.1 连续出现两次正面的期望次数状态转移法现在回到开头那道题。抛一枚均匀硬币直到连续出现两次正面才停止求抛掷次数的期望。这道题是条件期望和全期望综合应用的典型代表。解法是设状态变量再用全期望公式列方程。设E₀为“当前还没有连续正面”时到达停止还需要抛的次数期望E₁为“当前已经有一个连续正面”时到达停止还需要抛的次数期望。从状态0出发抛一次有两种可能出现反面概率1/2状态回到0总共还需要继续1 E₀次出现正面概率1/2状态变为1总共还需要继续1 E₁次所以E₀ 1 (1/2)E₀ (1/2)E₁。从状态1出发出现反面概率1/2连续正面断掉状态回到0总共还需要1 E₀次出现正面概率1/2达成连续两次正面停止本次抛掷就算1次所以E₁ 1 (1/2)E₀ (1/2) × 0 1 E₀/2。联立两个方程先把E₁代入第一个E₀ 1 E₀/2 1/2 E₀/4 1.5 0.75E₀解得E₀ 6。也就是说平均要抛6次才能等到连续两次正面。答案不是4次也不是8次这个结果本身也说明直觉在期望题里经常不可靠。这道题的方法论价值在于遇到“直到某条件出现才停止”的期望题设状态、列全期望方程是通用解法。推广到连续k次正面只需要设k个状态E₀到E_{k-1}方法完全一样。4.2 随机游走期望的线性不是万能的随机游走是数值笔试的常客。设一个点在数轴上从0出发每一步以1/2概率1、1/2概率-1移动求n步后位置的期望。如果直接设第i步移动为X_i那么E[X_i] 0期望的线性给出E[S_n] Σ E[X_i] 0。答案就是0。这题简单但许多人会在更复杂版本里犯同一个错误。假设题目改成求E[|S_n|]问题就完全不一样了。|S_n|不是X_i的线性组合你不能把绝对值拆到每一项里面去算期望。期望的线性性质只对线性函数成立任何非线性变换都不能随便拆。这个区分是笔试里的高频考点它考察的就是你对期望性质理解的深度而不只是背不背得出公式。另外说一下如果步长不是±1而是一个期望为μ的随机变量X那E[S_n] nμ和每步的方差大小无关。这个结论在估算随机游走长期位置时特别有用。4.3 餐厅客流再次出现全期望公式的完整推导上一章已经提过这道题这里完整推一遍顺便看看从“求期望”到“求方差”是怎么一步步扩展的。某餐厅每日顾客数N ~ Poisson(λ)每位顾客消费X_i独立同分布E[X_i] μVar(X_i) σ²且X_i与N独立。设日营业额S X₁ ... X_N。第一步任取N n有E[S | N n] nμ。第二步全期望E[S] E[E[S | N]] E[Nμ] λμ。这就是日营业额的期望。如果要算方差继续用条件方差公式Var(S) E[Var(S | N)] Var(E[S | N])。给定N n时S是n个独立同分布变量之和所以Var(S | N n) nσ²同时E[S | N] Nμ。代入得Var(S) E[Nσ²] Var(Nμ) σ²λ μ²λ λ(σ² μ²)。如果题目没直接给σ²而给E[X²]利用Var(X) E[X²] - μ²方差也可以写成λE[X²]两种形式考试时都常见。这道题能扩展的方向非常多把泊松分布换成任意计数分布、把消费额换成任意非负随机变量、把一家店换成保险公司理赔……全期望加条件方差这套流程不变。它是我认为数值笔试里性价比最高的一道“母题”。5. 考前复盘五个失分点与三条提速经验5.1 五个高频失分点第一个是条件期望和无条件期望混用。题目给的是条件可能却直接套了无条件的均值或者反过来因为已知信息改变了概率空间还用原来的分布算期望。解决方法其实简单每次写下E[X]之前问自己“这个期望是在哪个概率空间下取的”。第二个是全期望公式的事件组不完备。用“奇数/偶数”作为完备事件组没问题但用“奇数/偶数/质数”这种有重叠的分组就出事了。列公式之前先确认这些情况互斥吗覆盖所有可能吗第三个是几何分布参数没确认。前面说了两种定义期望一个是1/p一个是(1-p)/p差得很远。考场上发现题目里“几何分布”的期望和你算的对不上先检查是不是参数化理解错了。第四个是误用条件期望的线性。条件期望的线性不需要独立性但很多人因为记住了“方差拆开需要独立”就默认期望也需要独立把不该加的也拆了该拆的又不敢拆。其实期望的线性永远是安全的不需要额外条件。第五个是把二项分布和几何分布搞混。二项分布考察“n次试验里成功几次”几何分布考察“等多久才首次成功”。一个管次数区间一个管等待时间解题时先分清。5.2 三条考场提速经验第一条看到“直到出现某状态才停止”的期望题直接设状态变量列全期望方程不用犹豫。这种题十有八九是状态转移法越早进入列方程环节越省时间。第二条看到“随机个数求和”立刻写E[S] E[N]·E[X]然后再回头验证独立性条件。就算题目条件不满足这个框架也能帮你快速定位问题出在哪。第三条看到题目里出现分布名称先把对应的期望和方差公式写在草稿纸边上再回头对题面参数。比如看到泊松就写E Var λ看到几何就写E 1/p看到二项就写E np、Var np(1-p)。这个小动作能避免很多低级失误。提示考前最后一天不需要再刷新题。把条件期望、全期望、贝叶斯公式、常见分布的期望方差以及状态转移法的标准方程形式在纸上默写一遍比做十道新题都有用。最后再分享一点实际操作中的体会。条件期望和全期望这两个工具看起来是两章内容实际是一个东西的两面先分层条件期望负责算每一层再加权全期望负责把层汇总。重复独立试验里的分布则是在给你提供那些“层”的概率。把它们串起来之后数值笔试里绝大多数的期望题就不再是难题而是流程题。遇到没思路的题不要盯着公式发呆先找一个中间变量问题就打开了。祝各位笔试顺利。