条件期望与全期望公式：数值笔试高频考点完全拆解

数值笔试系列走到第二篇这次要啃的是三个高频考点条件期望、全期望公式、重复独立试验。如果你在准备算法岗、量化岗或者任何要考概率统计数值题的岗位这三个名字几乎每次都会出现在试卷上。我见过不少同学拿着厚厚的讲义反复背公式结果到了考场上看到一道“先随机选盒子再抽球”的题还是不知道怎么下笔。这篇不搞枯燥推导直接讲清楚三者的底层逻辑再带几道高频笔试题完整拆一遍。你会发现它们其实是一套组合拳遇到带随机过程的问题先按条件拆成若干层再用条件期望一层一层求平均最后汇总成答案。1. 条件期望先学会“按组加权”再谈期望1.1 为什么数值笔试总要纠缠条件期望笔试考条件期望不是因为出题老师偏爱这个公式而是因为实际业务里几乎所有问题都有前置随机条件。举几个很常见的场景先随机抽取一个用户群体再统计这个群体的人均消费先判断系统处于哪个运行模式再预测下一时段的请求量先决定选哪台机器再观察机器的故障次数。这些问题的共同点是你关心的随机变量 X并不是直接暴露在同一个分布下而是要先经历另一个随机变量 Y 的选择再由 Y 决定 X 的分布。条件期望干的事情用一句话概括就是“分组加权平均”。它让我们先把样本按照某个条件分成若干组在每一组里分别求期望最后再用各组的概率做权重合成总体的期望。数值笔试里绝大多数条件期望题都不需要复杂的测度论只需要你理解这个“分组加权”的直觉并且能规范地写出计算过程。1.2 一个立刻能上手的例子掷骰子看奇偶假设随机变量 X 是投掷一颗均匀骰子得到的点数取值 1 到 6随机变量 Y 表示点数的奇偶性Y0 表示偶数Y1 表示奇数。现在问你在已知结果是偶数的条件下X 的期望是多少这个问题很直接。偶数点只有 2、4、6且条件概率相等所以E[X | Y0] (2 4 6) / 3 4。同理在已知结果是奇数的条件下E[X | Y1] (1 3 5) / 3 3。这就是条件期望的离散形式先锁定条件再在条件对应的子集里按新分布求平均。注意一个关键点E[X | Y0] 和 E[X | Y1] 是两个不同的数值到底取哪个取决于 Y 的取值。也就是说条件期望本质上是一个关于 Y 的函数它不是一个固定常数而是一个随机变量。这是整个全期望公式能够成立的最重要基础。1.3 离散和连续一套公式走天下再往抽象一层。对于离散型随机变量条件期望的标准写法是E[X | Y y] Σ x · P(X x | Y y)对所有 x 求和。这里的条件概率 P(X x | Y y) 由联合分布除以边缘分布得到。对于连续型随机变量把求和换成积分E[X | Y y] ∫ x · f_{X|Y}(x | y) dx其中 f_{X|Y}(x | y) 是给定 Yy 时 X 的条件密度。很多同学在笔试里一看到连续型就慌其实思路跟离散型完全一样先把条件分布写出来再求这个条件分布下的期望。我还经常用另一个例子帮人建立直觉。设 X 服从 [0,1] 上的均匀分布定义 Y 为“X 是否大于 0.5”的示性变量。那么 E[X | Y0] 0.25是 X 小于 0.5 那一段的均值E[X | Y1] 0.75是 X 大于 0.5 那一段的均值。而 X 的无条件期望是 0.5。你会发现把两个条件期望按 Y 的概率加权一下刚好回到 0.5。这个直觉就是下一节全期望公式的雏形。2. 全期望公式复杂期望的“拆解利器”2.1 全期望公式到底在说什么全期望公式写作E[X] E[E[X | Y]]。如果 Y 是离散型写成展开形式就是E[X] Σ_i E[X | Y y_i] · P(Y y_i)。这个公式经常被误解成“套娃”但它的意义非常朴实当 X 的分布依赖于另一个随机变量 Y 时我们可以把求 X 的期望拆成两步。第一步先固定 Y 的每一个取值计算条件期望 E[X | Y y]第二步把这些按不同 Y 取值得到的期望值以 Y 的概率作为权重再做一次平均。笔试中容易出错的地方就在这里很多同学会算条件期望但算完之后忘了乘上对应概率或者乘错概率。尤其是当题目里“先随机选一个东西再做试验”的时候选东西那一步的权重最容易丢。记住全期望公式的本质就是“先组内平均再组间平均”权重永远来自外层随机变量 Y 的分布。2.2 典型例题两个盒子抽到红球要抽几次来看一道我在笔试复盘里经常拿来讲的题。盒子 A 里有 3 个红球、2 个蓝球盒子 B 里有 5 个红球、1 个蓝球。现在先等概率随机选取一个盒子然后在这个盒子里有放回地抽球直到第一次抽到红球为止记录抽球次数 N。求 N 的期望。这道题最忌讳的做法是直接把两个盒子混在一起试图用一个统一的概率去算。因为选盒子是随机的两个盒子里的红球比例不一样抽到红球的概率本身就是一个“先随机后确定”的量。正确的做法就是条件期望加全期望。先看在固定盒子里抽球的期望。如果选到盒子 A单次抽到红球的概率是 3/5有放回地重复独立试验直到第一次成功抽球次数服从几何分布期望是 5/3。如果选到盒子 B单次抽到红球的概率是 5/6期望次数是 6/5。选盒子这一步是等概率的所以E[N] (1/2) · (5/3) (1/2) · (6/5) 5/6 3/5 43/30 ≈ 1.433。这个结果非常好验证。两个盒子的期望一个在 1.7 左右一个在 1.2 左右选盒子各占一半权重最后落在区间中间偏左的位置完全合理。这道题虽然简单但把条件期望、几何分布、全期望公式全串起来了是数值笔试里典型的“组合题”模型。2.3 什么时候该用全期望公式判断依据其实很清晰题目里只要出现“随机选取某个对象再在这个对象上进行后续随机试验”或者“某个概率本身不是常数而是由另一个随机变量决定”就要第一时间想到条件期望和全期望公式。比如“抛一枚不均匀硬币正面向上的概率是随机变量 U然后掷一次硬币求正面概率”这个概率就是 E[E[硬币结果 | U]]。还有一个更隐蔽的场景题目只告诉你条件分布不直接告诉你无条件分布这时候也必须用全期望倒推。甚至有些题会反过来考已知无条件期望和其中一组条件期望让你反推另一组条件概率。这种题只要认清“全期望是一个恒等式”把它当成方程来解就不会被绕晕。3. 重复独立试验伯努利试验、二项分布与几何分布3.1 从伯努利试验到二项分布重复独立试验在数值笔试里几乎是必考背景。它的定义很简单每一次试验只有两种结果成功或失败成功概率固定为 p各次试验相互独立。这样的单次试验叫伯努利试验连续进行 n 次后成功次数 X 服从二项分布P(X k) C(n, k) · p^k · (1-p)^(n-k)k 0, 1, ..., n。它的期望是 np方差是 np(1-p)。期望这个结论可以用一条非常漂亮的方式得到把 X 写成 n 个示性变量之和X I_1 I_2 ... I_n其中 I_i 表示第 i 次试验是否成功。因为 E[I_i] p再结合期望的线性性质不需要展开求和也不用算组合数立刻得到 E[X] np。这个“示性变量 线性期望”的组合是解决大量重复试验期望题的核心技巧。3.2 几何分布一直抽到第一次成功为止如果把二项分布理解为“n 次试验里有几次成功”那几何分布就是“一直试验直到第一次成功为止”。记 N 为直到第一次成功所需的试验次数则P(N k) (1-p)^(k-1) · pk 1, 2, 3, ...。几何分布的期望 E[N] 1/p。这个结果很多人会背但理解不够深导致考试时变形题一做就错。真正重要的是用条件期望推导它的过程也就是对“第一次试验的结果”做条件化设第一次试验成功概率为 p此时 N 1设第一次试验失败概率为 1-p此时已经浪费了一次试验且因为试验独立后面还需要等待的次数分布和原来完全一样。于是E[N] p · 1 (1-p) · (1 E[N])。展开得到 E[N] 1 (1-p) E[N]解得 E[N] 1/p。这个递归式本身就是条件期望思想的体现你对“第一次试验的结果”这个随机变量取了条件期望再对外层随机变量求平均最后得到无条件期望。3.3 记忆性与条件期望的结合几何分布还有个重要性质叫无记忆性如果已知前 m 次试验都失败了那么从第 m1 次开始还要等待次数的分布仍然和从头开始一样期望依然是 1/p。笔试常考的一种题是“已经抛了 5 次硬币都没有出现正面问从第 6 次开始再抛多少次才能看到第一次正面”。答案是 1/p而不是 1/p - 5。因为前 5 次失败是既定事实不会改变后续独立试验的成功概率。还有一个非常经典的考点进行 n 次独立试验每次成功概率 p在已知总共成功了 k 次的条件下求第 1 次试验成功的条件概率。直觉上n 次试验是对称的成功的那 k 次均匀散布在 n 个位置上所以第 1 次是成功的概率应该等于 k/n。这个结论可以直接用条件概率严格推导结果确实是 k/n。这类“给定成功总数反推单次试验的条件概率”的题目在数值笔试里经常用来考察你对独立性和交换对称性的理解。4. 实战场三道高频笔试题的手把手拆解4.1 随机个数的和泊松复合分布这类题在量化、风控岗位的笔试题里出现频率极高形式通常是随机变量 N 服从参数为 λ 的泊松分布在给定 N 后X_1, X_2, ..., X_N 是独立同分布的随机变量每个的期望是 μ方差是 σ²求 S X_1 X_2 ... X_N 的期望和方差。先求期望直接用全期望公式条件变量选 NE[S] E[E[S | N]] E[N · μ] μ · E[N] λμ。这个推导的精髓在于给定 N 之后和的期望就是 N 个变量的期望之和等于 Nμ而 N 是随机变量所以整体再对 N 求期望。到这里还没完数值笔试更爱考方差因为方差要动用条件方差公式Var(S) E[Var(S | N)] Var(E[S | N])。第一项给定 N 时各 X_i 独立和的方差等于各方差之和所以 Var(S | N) Nσ²再对 N 求期望得 λσ²。第二项E[S | N] Nμ它是 N 的线性函数方差等于 μ² · Var(N) μ²λ。两项相加Var(S) λσ² μ²λ。这组公式现在看起来平淡但在笔试里几乎就是“复合分布题”的标准答案模板。只要题目里出现“随机数量的独立变量求和”不管包装成什么业务场景拆法都是这样先条件在数量变量上再一层一层求期望和方差。4.2 状态递归题连续失败两次才停止再来看一道非常有代表性的状态递归题。每次试验独立成功概率为 p失败概率为 1-p当连续出现两次失败时游戏停止。求试验次数的期望。乍一看这题只是重复独立试验但直接套几何分布不行因为停止条件不是“第一次失败”而是“连续两次失败”。我们用条件期望建立两个状态。设 E₀ 表示当前还没有“连续失败尾巴”时到游戏结束还需要的试验次数期望E₁ 表示当前已经连续失败了一次时到结束还需要的试验次数期望。从状态 E₀ 出发下一次试验如果成功概率 p回到状态 E₀总共还需要 1 E₀ 次如果失败概率 1-p进入状态 E₁总共还需要 1 E₁ 次。所以E₀ 1 p · E₀ (1-p) · E₁。从状态 E₁ 出发下一次如果成功回到 E₀需要 1 E₀ 次如果失败游戏结束只需要再花 1 次。所以E₁ 1 p · E₀ (1-p) · 1。把第二个式子代入第一个解方程得到E₀ (2 - p) / (1 - p)²。拿最简单的公平硬币来验证p 1/2 时E₀ 1.5 / 0.25 6。也就是说抛公平硬币平均要抛 6 次才会看到连续两次反面。这个结果是经典的很多教材都有但真正在笔试里能自己推出来的人不多。关键在于把它拆成状态用条件期望对“当前状态”这个随机变量取平均。4.3 给定成功总数反推某次试验的条件概率最后一题看起来简单却很容易被想复杂。进行 10 次独立试验每次成功概率 p已知总共成功了 3 次求第 1 次试验成功的条件概率。按照上一节提到的对称性结论答案应该是 3/10。严格推导也不难。设 S₁₀ 为 10 次中的成功次数要求的是 P(X₁ 1 | S₁₀ 3)。分子是“第 1 次成功且后 9 次中成功 2 次”概率为 p · C(9, 2)p²(1-p)⁷分母是“10 次中成功 3 次”概率为 C(10, 3)p³(1-p)⁷。两者相除p 和 (1-p) 的部分全部约掉剩下 C(9, 2)/C(10, 3) 36/120 3/10和直觉一致。这个结论在笔试里可以直接当公式用在已知总共成功 k 次的条件下某一次特定试验成功的条件概率是 k/n。由此还能延伸出条件期望的计算比如给定成功 3 次第 1 次试验成功次数的条件期望就是 3/10。这种题考的不是计算量而是你能不能摆脱“先验概率 p”的束缚学会在给定新信息后更新概率。5. 避坑清单这些错误我在考场上见得最多5.1 条件期望到底是数还是随机变量这是条件期望题里最隐蔽的坑。E[X | Y y] 是一个数它是把 Y 固定成某个具体值以后得到的期望而 E[X | Y] 是一个随机变量它是 Y 的函数Y 每取一个值它就对应一个数。全期望公式里的内层是后者。很多同学写着写着把 E[X | Y] 当成一个常数提出去导致整个推导崩塌。记住这个检查方法如果算式里还有随机变量符号那这个期望就还没有做完外面必须再套一层期望或方差。5.2 全期望公式里漏掉外层的“平均”考场上最常见的翻车现场是算到 E[X | Y y] 就停下来了觉得“我已经算完了”。比如两个盒子那道题算出抽到 A 盒时期望是 5/3抽到 B 盒时期望是 6/5就直接写答案忘了还有“等概率选盒子”这一步。严格来说全期望公式里的外层期望就是在对所有 Y 的取值做加权平均权重是 Y 的概率。漏掉这步本质上是把条件期望和无条件期望混为一谈。5.3 重复独立试验里把“无放回”当成“独立”二项分布成立的前提是有放回或无限总体各次试验之间相互独立。如果题目改成“从袋子里无放回抽球”那超几何分布成功次数的期望虽然还是 n 乘以总成功比例但方差不等于 np(1-p)而是还要乘一个有限总体校正因子。数值笔试特别喜欢在这种地方设陷阱题干往往故意把“有放回”“无放回”混着写读题时一定要把这个词圈出来。5.4 几何分布的“次数”和“失败次数”傻傻分不清直到第一次成功的试验次数 N期望是 1/p但有些人记成了“失败次数期望是 1/p - 1”或者干脆记成 (1-p)/p。区分方法很简单如果题目问“直到成功需要试验几次”答案是 1/p如果问“成功之前失败了几次”答案是 1/p - 1。就这一个“是否包含成功那次试验”的差异每年都能让很多人丢分。5.5 我自己用的一套“四步走”检查法经过多次笔试之后我总结出一套做题顺序能极大降低这类题的错误率。第一步把所有随机变量列出来明确哪个是观察对象哪个是条件变量第二步找到“分段点”选择条件变量一般都是过程里最先发生随机选择的那一步第三步写出全期望公式或状态递归方程能画树状图就画树状图第四步做完之后取特殊值验证比如令 p 1/2或者令某个条件概率为 0 或 1看答案是否符合常识。遇到算出来的期望比单次试验次数还小的情况基本可以断定哪里出了问题。这套方法对付数值笔试已经足够。条件期望、全期望、重复独立试验这三块本质上不是三个孤立公式而是同一种思维方式复杂随机过程不可怕按层拆开逐层平均答案自然会浮出来。希望这篇能帮你把这块硬骨头啃下来。