#021. 概率八:期望计算进阶
#学习目标:期望是一道加法题
014 章的期望递推解决「一个过程走多久」;本章解决另一大类:「一堆东西里平均有多少件满足某性质」——平均有多少对相邻的异性、平均几张牌换色、平均多少组恰好各含一名资深。这类问题的通用钥匙是指示变量(indicator variable):把计数拆成 0/1 的小事件,期望立刻变成概率的和,而且线性性不要求任何独立性——这是全部邻对型问题的命门,也是初学者最常自我设限的地方。
本章还打包了三件进阶装备:容斥原理(算「一个都没有」的概率)、阶段几何求和(分阶段的过程把每段的期望时长加起来)、尾和公式 \(E[N]=\sum_{n\ge 0}P(N\gt n)\)(把首达时刻的期望化为可积的尾概率)。最后用 Jensen 不等式收尾——它是「期望与函数交换顺序」的一般规律,也是方差非负、组合收益凹性等一大族面试题的总纲。
\(E[\mathbf 1_A]=P(A)\),计数 \(=\sum_i \mathbf 1_{A_i}\),期望 \(=\sum_i P(A_i)\)。位置可以任意相关,求和照做。
齐次阶段内等待是几何分布,期望 \(1/p\);非齐次就分阶段相加。首达时刻用 \(E[N]=\sum P(N\gt n)\) 换轨道。
凸函数下 \(E[g(X)]\ge g(E[X])\)。方差非负、\(E[\sqrt{X}]\) 高估偏差、对数效用,全是它的推论。
- 拿到「平均多少对/张/组」类问题,我能先想到指示变量拆分,而不是枚举排列。
#知识点一:指示变量与期望线性性
指示变量 \(\mathbf 1_A\) 在事件 \(A\) 发生时取 1、否则取 0。它把「计数」翻译成「求和」:想数满足性质的单元个数,就给每个单元配一个指示变量再相加。两个基本事实:
期望即概率:\(E[\mathbf 1_A]=1\cdot P(A)+0\cdot P(A^c)=P(A)\)。怎么读:指示变量的期望就是它盯着的事件的概率。
线性性无条件成立:\(E\big[\sum_i \mathbf 1_{A_i}\big]=\sum_i P(A_i)\),不管 \(A_i\) 之间是否相关。怎么读:算期望时永远可以先拆开再逐个算,独立性不是必要条件。
方差才需要协方差:\(\mathrm{Var}\big(\sum_i \mathbf 1_{A_i}\big)=\sum_i \mathrm{Var}(\mathbf 1_{A_i})+\sum_{i\ne j}\mathrm{Cov}(\mathbf 1_{A_i},\mathbf 1_{A_j})\)——期望免检、方差要查相关,这一对比值得分。
工作流程四步:①把所求量拆成「位置 / 相邻对 / 人 / 组」这类单元的计数;②对每个单元定义指示变量;③算单个单元的概率(这一步常用对称性或条件概率,参见 020 章);④单元数乘单点概率、或逐单元求和。绝大多数「期望对数」题到第④步就结束了,而且答案常常是漂亮的有理数。
直觉版解释:期望是「平均意义下的加权计数」,计数本身不需要知道各单元是否联动——不管指示变量之间怎么相关,「平均数之和等于和之平均」恒成立。联动影响的是波动(方差),不是平均水平。这就是为什么邻对、换色、同组这类强相关问题在期望层面依然一行解决。
#知识点二:期望工具箱
容斥原理(inclusion–exclusion)。求「没有一个事件发生」的概率时,把「至少一个」的概率先撑开再收缩:
在「对称结构 + 恰好取到 \(k\) 个事件的交」的场景下,每一层缩成一项二项系数,级数常常收敛到 \(e^{-1}\) 这类常数(例题 5 的错排)。
阶段几何求和。若过程分阶段,第 \(k\) 阶段每次试验以概率 \(p_k\) 成功,则该阶段期望耗时 \(1/p_k\)(几何分布期望,见 014 章),总期望 \(=\sum_k 1/p_k\)。关键动作是识别「成功后状态永久改变」的阶段边界。
尾和公式(tail-sum formula)。对取非负整数值的随机变量 \(N\):
怎么读:把「柱子的高度」横过来数面积。当 \(P(N\gt n)\) 有闭式(如 \(1/n!\))而 \(N\) 的分布很难直接写时,这条公式是唯一通路。
递归积分(连续版首步分析)。对连续状态的过程,设 \(f(x)\) 为「距目标还差 \(x\)」时的期望步数,按一次试验的结果分解并积分,常得到 \(f(x)=1+\int_0^x f(x-u)\,du\) 型方程,求导降阶为 ODE 求解(例题 11)。
Jensen 不等式(Jensen's inequality)。若 \(g\) 凸,则 \(E[g(X)]\ge g(E[X])\);\(g\) 凹则反向。证明骨架是凸函数的切线不等式 \(g(x)\ge g(\mu)+g'(\mu)(x-\mu)\),两边取期望即得。等号成立当且仅当 \(X\) 退化(方差为零)或 \(g\) 在 \(X\) 的支撑上线性。它取决于两件事:函数的凹凸方向与变量的波动大小——波动越大,不等式的缺口越宽(例题 7 给出定量例子)。
#例题详解 I:邻对与计数
例题 1(源题 P23):50 个人两两各赛一场单循环赛,总共要打多少场?
建模。「每场比赛」对应「一对选手」——场数就是 50 人中无序对的个数,这是指示变量计数的最简形态(每对指示变量恒为 1,概率 1)。
推导。每场比赛从 50 人中选 2 人:
指示变量口径:\(\sum_{i\lt j}\mathbf 1_{\{i,j\text{ 赛一场}\}}\),每项期望 1,共 \(\binom{50}{2}\) 项。
检验。每人打 49 场,共 \(50\times 49\) 人次,每场被数 2 次,除以 2 得 1225——两个口径一致 ✓。小情形 \(n=3\):\(\binom32=3\) 场,与常识吻合。
面试怎么讲。「1225,一句话:场数等于无序对数 \(\binom{n}{2}\)。」这题是热身,价值在于引出「对」作为计数单元的思想,后面的邻对题全是它的随机版。
例题 2(源题 P28):一副 26 红 26 黑的牌随机洗开。颜色段(run,同色连续块)的期望个数是多少?
建模。一段的定义是「极大同色连续块」,段数 = 1(第一段)+ 后续每次换色各起一段。对 52 个位置中的 51 个相邻间隔定义指示变量:\(I_i=\mathbf 1\{\text{第 }i+1\text{ 张与第 }i\text{ 张颜色不同}\}\),\(i=1,\dots,51\)。
推导。段数 \(=1+\sum_{i=1}^{51}I_i\)。无论第 \(i\) 张是什么颜色,剩下 51 张中恰有 26 张是另一种颜色(26 张异色、25 张同色,因为第 \(i\) 张已取走一张),故 \(P(I_i=1)=\frac{26}{51}\)。由线性性:
检验。边界:全部同色排一起最少 2 段,完美交替最多 52 段,27 恰好居中略偏小;\(\frac{26}{51}\approx 0.51\) 略高于 \(\tfrac12\)(无放回抽异色比有放回略容易),期望 27 段合理。若换成 13 红 13 黑 26 张小牌堆,同法得 \(1+25\times\frac{13}{25}=14\) 段,公式可伸缩 ✓。
面试怎么讲。「27。定义换色指示变量,51 个间隔每个换色概率 26/51,1+26=27。重点是换色概率不依赖前面任何信息——剩 51 张里异色恒 26 张,所以连条件概率都不用展开。」
例题 3(源题 P56 与 P58 合讲):5 只狐狸 7 只狗随机排成一排,相邻「狐-犬」对的期望个数是多少?8 男 9 女随机排成一队,相邻异性对的期望个数呢?
建模。两题同构:两类个体随机排列,数「相邻且异类」的对。队列长 \(n\) 时相邻间隔有 \(n-1\) 个,对每个间隔定义指示变量 \(I_i\)。
推导(狐犬)。单个间隔是异类对的概率:第一个位置是狐狸的概率 \(\frac{5}{12}\),此后第二个位置是狗的概率 \(\frac{7}{11}\);再对称地加上犬-狐方向:
推导(男女)。队列 17 人有 16 个间隔,单个间隔异性的概率 \(\frac{8}{17}\cdot\frac{9}{16}+\frac{9}{17}\cdot\frac{8}{16}=\frac{144}{272}=\frac{9}{17}\),故
检验。两题的「间隔异类概率」都等于 \(\frac{2mn}{n(n-1)}\) 形式(\(m\) 与 \(n\) 为两类数量),且都近似 \(2\cdot\)(两类占比之积)——有放回版本狐犬是 \(11\times 2\times\frac{5}{12}\cdot\frac{7}{12}\approx 5.90\),与 5.83 相差无几,量级吻合 ✓。上界检查:完美交替最多 \(\min(m,n)\times 2=10\)(狐犬)与 16(男女),期望值都在上界的一半略多,合理。
面试怎么讲。「(间隔数)×(单个间隔异类概率),概率用无放回两连乘加对称项。狐犬 35/6 约 5.83 对,男女 144/17 约 8.47 对。主动声明:间隔之间高度相关,但期望不需要独立。」
#例题详解 II:圆桌与分组
例题 4(源题 P34 与 P81 合讲):5 人随机围圆桌就座,其中 2 人穿红衣,他们相邻的概率是多少?推广到 \(n\) 人中 \(k\) 个朋友,这 \(k\) 人连坐在一起的概率是多少?
建模(红衣)。圆排列中「固定锚点」是最强的对称工具:先钉住一个红衣者的位置(圆的旋转对称使这一步无损),再看另一个红衣者落点。
推导(红衣)。钉住红衣者 A 后,剩 4 个座位对其余 4 人等可能,其中与 A 相邻的座位恰 2 个:
推导(推广)。\(n\) 人围圆桌的圆排列共 \((n-1)!\) 种。把 \(k\) 个朋友捆成一个区块:区块与其余 \(n-k\) 人共 \(n-k+1\) 个对象做圆排列,有 \((n-k)!\) 种,区块内部 \(k!\) 种,故
锚点法复核:钉住朋友 A,区块含 A 且 A 可处于区块内 \(k\) 个位置之一,每种位置对应其余 \(k-1\) 人占据的一个固定座位集,概率 \(\frac{(k-1)!\,(n-k)!}{(n-1)!}\),乘 \(k\) 种位置同样得 \(k!(n-k)!/(n-1)!\) ✓。取 \(k=2\) 退化为 \(\frac{2}{n-1}\),与红衣小题一致。
检验。红衣题:\(n=5\)、\(k=2\),\(\frac{2}{4}=\frac12\) ✓;\(n=3\)、2 人相邻概率 \(\frac{2}{2}=1\)(三人围桌人人相邻)✓。退化边界:\(k=n\)(全员都是「朋友」)时概率应为 1,但公式给 \(\frac{n!\,0!}{(n-1)!}=n\)——因为此时「区块」就是整桌、区块内部自身构成圆排列(循环等价类),区块法不再适用;使用公式时约定 \(k\lt n\)。数值例:\(n=5,k=3\):\(\frac{3!\,2!}{4!}=\frac{12}{24}=\frac12\)。
面试怎么讲。「红衣:钉住一个人,另一个等可能落 4 座、2 座相邻,1/2。推广:区块法 \(k!(n-k)!/(n-1)!\),并主动给锚点法复核——两法一致是圆桌题最可靠的自我检查。」
例题 5(源题 P75):16 人中有 4 名资深量化、12 名初级,随机均分为 4 组每组 4 人。每组恰好 1 名资深的概率是多少?请用条件概率的方法做。
建模。按资深者依次「入座」的顺序看条件概率:第一位资深随便进哪组都行;此后每位资深必须落在「还没有资深」的组里。
推导。第一位资深入组后(占掉某组 1 席),还剩 15 个席位:第二位资深需要落进另外 3 组的 12 个席位,概率 \(\frac{12}{15}\);此后剩 14 席,第三位要落进剩 2 组的 8 席,概率 \(\frac{8}{14}\);最后剩 13 席,第四位要落进最后 1 组的 4 席,概率 \(\frac{4}{13}\)。故
检验。计数口径复核(给 4 个组贴标签):总分配 \(\binom{16}{4}\binom{12}{4}\binom{8}{4}\binom{4}{4}\);有利分配:4 名资深排进 4 组有 \(4!\) 种,再为各组从 12 名初级中选 3 人:\(\binom{12}{3}\binom{9}{3}\binom{6}{3}\binom{3}{3}\)。两式相除同样得 \(\frac{64}{455}\) ✓。直觉对照:每组资深数的期望恰为 1(线性性),但「恰好都为 1」的概率只有 14%——期望达标不等于结构达标,这是本题的深层考点。
面试怎么讲。「条件概率连乘 12/15、8/14、4/13,得 64/455 约 14%。再用组合计数复核一遍。最后点题:每组资深期望都是 1,但方差让『整齐分组』成为小概率事件。」
#例题详解 III:错排、穿隧与 Jensen
例题 6(源题 P17):\(n\) 位客人入住 \(n\) 间房,钥匙随机分发。没有人拿到自己房间钥匙的概率是多少?
建模。钥匙的分发等价于 \(\{1,\dots,n\}\) 的一个均匀随机排列 \(\pi\),「有人拿对」即存在不动点 \(\pi(i)=i\)。所求是「零不动点排列」(错排,derangement)的占比。
推导。令 \(A_i\)=「第 \(i\) 人拿对」。固定某 \(k\) 个人都拿对的概率:其余 \(n-k\) 人任意排列,\(\frac{(n-k)!}{n!}\);这样的 \(k\) 元子集有 \(\binom nk\) 个。容斥:
这正是 \(e^{-1}\) 的泰勒级数的部分和,\(n\to\infty\) 时趋于 \(\frac1e\approx 36.8\%\)。
检验。数值:\(n=3\) 得 \(\tfrac13\)(6 个排列中 2 个错排)✓;\(n=4\) 得 \(\tfrac{9}{24}=0.375\);\(n=5\) 得 \(\tfrac{44}{120}\approx 0.3667\);\(n=10\) 已达 0.36788——收敛极快,\(n\ge 5\) 就可以放心报「约 36.8%」。单人不拿对自己钥匙的概率是 \(\frac{n-1}{n}\to 1\),但「人人都不拿对」卡在 1/e,朴素近似 \((\frac{n-1}{n})^n\) 也趋于 \(e^{-1}\)——两种口径殊途同归,因为拿对事件之间近似独立(严格说负相关,此处恰好不影响极限)。
面试怎么讲。「容斥,级数是 \(e^{-1}\) 的展开,答案约 36.8%。我会当场写 \(1-1+\tfrac12-\tfrac16\cdots\),并说明 \(n\) 很小的时候部分和就是精确值。」
例题 7(源题 P18 与 P88 合讲):数轴上 \(n\) 只虫子大小互不相同、朝同一方向爬行,大虫更快,追上小虫就吃掉它。足够长时间后,平均剩几只虫子?另:简述 Jensen 不等式 \(E[g(X)]\) 与 \(g(E[X])\) 的大小关系及依赖条件。
建模(虫子)。「大吃小」的碰撞规则看似要模拟一长串相遇,但有一个等价改写:让虫子互相穿过、穿过时交换身份标签。对外部观察者,「大虫吞掉小虫并继续爬」与「两只幽灵穿过、大虫标签跳到前方那只幽灵上」产生完全相同的轨迹。这就是穿隧论证(tunneling argument)。
推导(虫子)。直向论述:最大的虫子速度最快,前方所有虫子都比它慢,迟早逐个被追上;后方虫子都比它小、更慢,永远追不上它。于是它最终吃掉所有虫子——恰剩 1 只,且必定是最大的那只。穿隧口径:幽灵们各自匀速直线运动互不干扰,任意时刻每个位置上有一个标签,最大标签每次「被超过」就前移,最终稳定在最前方的幽灵上;标签总数减到 1。因此期望剩余数 \(=1\),而且是确定性结果、与初始位置无关。
检验(虫子)。\(n=1\) 剩 1 ✓;\(n=2\):大的必追上小的,剩 1 ✓;反向变式「虫子可双向爬行」时穿隧论证同样给出「剩 1 只」,但存活的是「初始时刻最靠某方向的」——说明穿隧是比「最大最快」更一般的工具。
推导(Jensen)。\(g\) 凸 \(\Rightarrow E[g(X)]\ge g(E[X])\);\(g\) 凹 \(\Rightarrow E[g(X)]\le g(E[X])\)。证明:切线不等式 \(g(x)\ge g(\mu)+g'(\mu)(x-\mu)\)(\(\mu=E[X]\)),取期望,线性项消失。等号条件:\(X\) 几乎必然为常数(\(\mathrm{Var}(X)=0\)),或 \(g\) 在 \(X\) 的支撑上是线性的。依赖因素就两个:\(g\) 的凹凸性决定方向,\(X\) 的波动决定缺口宽度。定量例:\(g(x)=x^2\)(严格凸),\(E[X^2]=(E[X])^2+\mathrm{Var}(X)\gt (E[X])^2\) 只要方差为正——「方差非负」本身就是 Jensen 不等式;凹向例:\(E[\ln X]\lt \ln E[X]\)(几何平均不超过算术平均),\(E[\sqrt X]\lt\sqrt{E[X]}\)(样本标准差低估的根源)。
面试怎么讲。「虫子:穿隧论证,等价于互相穿过交换标签,答案恒为 1,与位置无关。Jensen:凸函数下期望的函数 ≥ 函数的期望,方向看凹凸、缺口看方差;主动给 \(E[X^2]\) 与几何平均两个例子,再补一句金融含义——对数财富的期望低于期望财富的对数,这是 Kelly 公式要求按对数效用的根源(见 025 章)。」
#例题详解 IV:两道硬菜
例题 8(源题 P74):独立同分布 \(U[0,1]\) 随机变量逐个累加,\(N\) 是使部分和首次超过 1 的项数。求 \(E[N]\)。
建模。连续版首达问题:状态是「距 1 还差多少」。设 \(f(x)\)=当前和距超过目标还差 \(x\) 时(\(0\le x\le 1\))的期望追加次数,所求 \(f(1)\)。
推导(递归积分)。再抽一个 \(U\sim U[0,1]\):若 \(U\gt x\),一次结束;若 \(U\le x\),用掉一次后状态变为差 \(x-U\)。分解:
两边求导得 \(f'(x)=f(x)\),初值 \(f(0)=1\)(差 0 时任何严格正的抽取都结束,期望一次),解出 \(f(x)=e^x\)。故
检验(尾和公式)。换轨道验证:\(P(N\gt n)=P(\text{前 }n\text{ 项之和}\le 1)\) 是 \(n\) 维单位单纯形的体积 \(\frac{1}{n!}\),于是 \(E[N]=\sum_{n\ge0}P(N\gt n)=\sum_{n\ge0}\frac{1}{n!}=e\) ✓。数值直觉:两数之和平均为 1,但要「确保超过 1」平均需要约 2.72 个,比 2 多、比 3 少,量级自洽。
面试怎么讲。「递归积分:\(f(x)=1+\int_0^x f\),求导得 ODE,解 \(e^x\),答案 \(e\)。交叉验证用尾和公式:\(P(N\gt n)=1/n!\),级数还是 \(e\)。两个独立方法给出同一个常数,这是最硬的检验。」
例题 9(源题 P86):一副 52 张牌,红桃 K 在牌底。每轮取走顶牌,再把它均匀随机插回整副牌中任意位置。红桃 K 第一次到牌顶平均需要多少轮?
建模。关键状态变量是「红桃 K 之下已垫了多少张牌」,记为 \(j\)(初始 \(j=0\))。K 到顶等价于 \(j=51\)。每轮只有顶牌(必然在 K 之上)被抽出重插:抽出的牌插到 K 之下时 \(j\to j+1\),否则 \(j\) 不变;K 下方的牌永远不会被抽出(我们只动顶牌),所以 \(j\) 单调不减——过程被简化成一维阶段推进。
推导。当前状态 \(j\):抽出顶牌后牌堆剩 51 张(K 下方 \(j\) 张、上方 \(50-j\) 张),重插位置共 52 个等可能;落在 K 之下的插法有 \(j+1\) 个(K 正后方、\(j\) 张下方牌之间的 \(j-1\) 个缝、以及最底端)。故每轮推进概率 \(p_j=\frac{j+1}{52}\),该阶段期望轮数 \(\frac{52}{j+1}\)(几何分布)。总期望:
其中 \(H_{51}=1+\tfrac12+\cdots+\tfrac1{51}\) 是调和数。
检验。小样例全枚举:3 张牌 \([A,B,K]\),同样规则。阶段一 \(p_0=\tfrac13\) 期望 3 轮;阶段二(一张牌垫到 K 下后)\(p_1=\tfrac23\) 期望 1.5 轮;总期望 \(3\cdot H_2=4.5\) 轮——直接对 3 张牌马尔可夫链求解同样是 4.5 ✓,而「每轮都以 1/3 概率垫牌」的朴素算法给 \(2\times3=6\),偏大。上界检查:\(52 H_{51}\le 52\times 51=2652\),朴素值恰是把所有阶段概率都当成最差 \(\frac{1}{52}\) 的上界。逻辑检查:\(\frac{1}{52}\) 只是第一阶段(\(j=0\))的概率;K 逐步上浮后,「插到 K 之下」的目标越来越大,推进越来越容易,所以真实期望远小于 2652。
面试怎么讲。「把状态定为 K 之下的牌数 \(j\):每轮顶牌以 \((j+1)/52\) 的概率垫到 K 下,阶段期望 \(52/(j+1)\),总期望 \(52H_{51}\approx235\) 轮。主动指出常见错误答案 2652:它假设每轮推进概率恒为 1/52,忽略了概率随 \(j\) 增长——这道题的考点恰恰是『阶段概率不是常数』。」
#误区与边界
一,「相关就不能加」:线性性对相关变量无条件成立,邻对题里间隔强相关完全不影响期望求和;受影响的是方差。二,红衣题把分母写成 \(n\):圆桌必须先钉锚点,分母是 \(n-1\) 个剩余座位;线形队列与圆桌的分母差一,混用即错。三,分组题先入为主「每组期望 1 就该大概率整齐」:期望达标与结构整齐是两回事,P75 的 14% 是最好的解药。四,红桃 K 题把阶段概率当常数:2652 的错误答案流传甚广,正确结构是调和数 \(52H_{51}\approx235\)。
边界与变式:错排在 \(n\) 小时要用部分和精确值(\(n=3\) 是 1/3 而非 36.8%);断言「约 1/e」前先看 \(n\ge5\) 是否成立。虫子问题改成双向爬行后答案仍为 1,但「谁活下来」变成初始位置问题——穿隧论证仍是首选工具。P74 的变式「和首次超过 \(x\)」直接用 \(f(x)=e^x\) 全套结论;「和首次超过 2」则需要重新建立递归(第一段跨越 1 之前的剩余量分布不再均匀),思路相同但计算更长,面试中口头说明框架即可。Jensen 在金融语境的两个方向都要会:凹效用(风险厌恶、Kelly)与凸收益曲线(杠杆损耗、波动率拖累),025 章与 037 章会再遇到它。
#检查清单
- 我能用指示变量把「期望对数」拆成「单元数 × 单元概率」,并说明为何不需要独立性。
- 我能算颜色 runs 期望(27)、狐犬邻对(35/6)、异性邻对(144/17),三题共用一个模板。
- 我掌握圆桌相邻的锚点法(2/(n−1))与 k 人连坐的区块公式,并能互相复核。
- 我会用条件概率连乘解分组题(64/455),并用组合计数复核。
- 我能用容斥推导错排级数并识别 \(e^{-1}\),知道小 n 时要用部分和。
- 我能用穿隧论证秒杀虫子类问题,并说明结论与初始位置无关。
- 我会用递归积分推导 \(E[N]=e\),并用尾和公式 \(P(N\gt n)=1/n!\) 交叉验证。
- 我能指出红桃 K 问题答案 \(52H_{51}\approx235\),并解释 2652 错在哪里。
- 我能陈述 Jensen 不等式的方向、等号条件与两个金融例子。