企业官网建设流程全解析

“数值笔试”这四个字，参加过算法岗、数据分析岗笔试的朋友应该都不陌生。概率统计这一块翻来覆去就那几板斧，但大多数人丢分并不是因为题目偏，而是倒在了条件期望、全期望公式、重复独立试验这类“基础到不能再基础”的知识上。公式背得滚瓜烂熟，真到做题时，状态设不对、条件划分不全、几何分布第几个定义没看清，各种细节失误全冒出来了。

这篇就专门把这三块内容串起来讲清楚：它们到底是什么、为什么总绑定出现、笔试里怎么考、有哪些坑。我会把推导过程、典型例题、易错点都拆开揉碎，配合我在笔试和面试中实际踩过的坑一起说，尽量让你看完就能上手做题。

1. 为什么这三个知识点在数值笔试里“绑定出现”

1.1 一条完整的技术链：定义、工具与场景

很多同学复习时喜欢把条件期望、全期望、重复独立试验当成三个独立章节去背，这是最大的误区。实际上它们是一条完整的技术链：条件期望是核心定义，全期望公式是计算工具，重复独立试验则是经典的出题场景。笔试题目很少单独问“请写出条件期望的定义”，而是给你一个具体过程——抛硬币、抽卡、排队、故障发生、网络请求到达——让你求某个随机量的期望或概率。这时候十有八九要先用条件期望做“切分”，再用全期望公式做“合并”，而重复独立试验保证了切分后每一小块可以用二项分布、几何分布这类现成模型去算。

举个例子你就明白。假设你不停地掷一枚公平骰子，直到出现6为止，设X为掷骰子的总次数。这道题如果你知道几何分布的结论，直接写E[X] = 1/p = 6，一秒出答案。但如果我把题目改一改：你先掷一次骰子，得到一个点数N，然后掷一枚公平硬币N次，设Y为正面次数，问E[Y]是多少。这时候就不能靠一个分布结论秒杀了，你得拆两步走：先固定N = n，则Y|N = n服从二项分布Bin(n, 1/2)，所以E[Y|N = n] = n/2；再利用全期望公式，E[Y] = E[E[Y|N]] = E[N/2] = 3.5/2 = 1.75。

这就是条件期望和全期望的典型组合用法。理解了这个“绑定关系”，你看概率题时就不会再东一榔头西一棒槌，而是自然地想：这个随机过程能不能先按某个变量分类，再对每一类分别处理。

1.2 从一道热身题看三者的联动

再把上面这道热身题往深推一步，看看重复独立试验是怎么掺和进来的。N是骰子点数，取值范围1到6，每个值概率1/6，N确定后，我们独立地抛N次公平硬币。这里的“独立”非常重要，正是因为每次抛硬币互不影响、成功概率恒为1/2，Y|N = n才是一个标准的二项分布。如果改成无放回抽球，情况就完全不同了——每次抽取之间不再独立，二项分布的结论不能直接用，超几何分布就要上场。

所以你看，一个题里其实藏了三层信息：条件期望负责“在给定N时求局部期望”，全期望负责“把N的不确定性平均回去”，重复独立试验则负责“确保局部那块儿可以用最简单的分布描述”。面试官喜欢把这三个点放在同一道题里，一箭三雕地考查你对基础概念的掌握程度。如果这三者之间的关系没打通，遇到稍微绕一点的题就很容易卡壳。

2. 条件期望：先把它当成随机变量，而不是一个数

2.1 离散与连续两种定义，本质都是“重加权”

条件期望的教材定义并不复杂。离散情形下，若X和Y都是离散随机变量，在给定Y = y的条件下，X的条件期望是：

E[X|Y = y] = Σ x · P(X = x | Y = y)

连续情形下则换成条件密度：

E[X|Y = y] = ∫ x · f_{X|Y}(x|y) dx

形式不同，本质一样：已知Y的信息后，对X做一次加权平均。这里的权重不是X自己的概率，而是“在Y = y这个新信息下”的后验条件概率或条件密度。

我当年第一次学的时候觉得这很简单，不过就是把P(X=x)换成了P(X=x|Y=y)，能有什么花头？后来做题才发现，真正的难点根本不在“给定y怎么算”，而在“没给定y时怎么办”。这才是笔试的坑所在。

2.2 真正卡住多数人的点：E[X|Y] 是 Y 的函数

先看两组符号，很多人就是因为没分清它们才翻车：

• E[X|Y = y]：一个具体的数。Y已经取定值y，条件期望算出来是常数。
• E[X|Y]：一个随机变量。Y本身是随机的，所以这个条件期望会随着Y的取值变化而变化。

用生活场景类比一下。假设你要预测奶茶店明天的销量X，而你关注的变量是明天的天气Y。如果明天确定为晴天，你预测销量300杯；如果明天确定为雨天，你预测销量150杯。这时候E[X|Y = 晴天] = 300，E[X|Y = 雨天] = 150，都是确定的数。但如果天气还没定，晴天、雨天各有一半概率，那么你的预测值本身也就是一个随机变量——一半概率是300，一半概率是150。这个“预测值的随机性”正是E[X|Y]的含义。

笔试里常出现的写法是E[E[X|Y]]，外层的期望就是对那个“随Y变化的预测值”再取平均。回到奶茶店的例子，E[E[X|Y]] = 0.5×300 + 0.5×150 = 225，正好等于明天的平均销量。这背后就是后面要讲的全期望公式。先记住一句话：遇到E[X|Y]，把它当随机变量处理，不要下意识地当成常数，很多错误都能避免。

2.3 笔试高频性质清单，哪些可以直接用

条件期望有一些性质在笔试解题时非常顺手，列出来给你参考：

• 线性性：E[aX1 + bX2 | Y] = aE[X1 | Y] + bE[X2 | Y]。条件期望对线性组合仍然保持线性，这在拆解复杂随机变量时很有用。
• 若X与Y独立，则E[X|Y] = E[X]。给定Y不会带来任何关于X的信息，平均结果回到无条件期望。
• 若X是Y的函数，即X = h(Y)，则E[h(Y) | Y] = h(Y)。在已知Y的条件下，h(Y)不再随机，条件期望等于它自身。
• 提因子性质：E[Y·Z | Y] = Y · E[Z | Y]。这里Y在条件中已知，可以当作常数提到期望号外面。
• 全期望公式：E[X] = E[E[X|Y]]。这个是后面章节的重点。

提因子性质我想多说一句，很多人在这一步栽跟头。比如要算E[Y·X]且Y与X不独立时，有人直接写E[Y·X] = E[Y]·E[X]，这就错了。正确思路是先用迭代期望：E[Y·X] = E[E[Y·X | Y]] = E[Y·E[X|Y]]。先把Y当作条件中的已知量提出来，再对外层取期望。这个操作在推导条件方差公式时尤其常见。

3. 全期望公式：把难算的期望拆成好算的条件期望

3.1 推导与“完备互斥”的使用前提

全期望公式的离散形式是这样的：设事件组A1, A2, ..., An是样本空间的一个划分，也就是这些事件互不重叠、合起来覆盖所有可能情况，且每个事件的概率都大于0，那么对任意随机变量X有：

E[X] = Σ E[X | Ai] · P(Ai)

它为什么成立？证明其实不长。根据条件期望的定义：

E[X | Ai] · P(Ai) = Σ_x x · P(X = x | Ai) · P(Ai) = Σ_x x · P(X = x, Ai)

对所有i求和，左边正好是Σ E[X|Ai]P(Ai)，右边变成：

Σ_i Σ_x x · P(X = x, Ai) = Σ_x x · Σ_i P(X = x, Ai) = Σ_x x · P(X = x) = E[X]

连续情形类似，只是把对i的求和换成对Y的积分：

E[X] = ∫ E[X | Y = y] · f_Y(y) dy

这个公式本身不难背，难的是用对。使用前提有两个关键点：第一，A1到An必须互斥，不能有重叠，否则同一块概率会被重复计算；第二，必须完备，也就是所有Ai的并集要覆盖整个样本空间，不能漏掉某种情况。我带过不少人复盘笔试题，发现他们算错的原因往往不是公式记错了，而是条件事件没分全——比如题目里明明有“其他情况”这几个字，结果写答案时把那一支漏掉了。

3.2 随机个随机变量的和：一类大题的通用解法

全期望公式在笔试里最经典的应用，是求“随机个随机变量的和”的期望与方差。设N是一个非负整数随机变量，X1, X2, ...是一串独立同分布的随机变量，均值都是μ、方差都是σ²，并且N与这串X相互独立。考虑总和：

S_N = X1 + X2 + ... + X_N

这个模型能套很多场景：每天的订单量是N，每笔订单金额是Xi，求一天总营业额；某时段到达的请求数是N，每个请求耗时是Xi，求总耗时；一个家庭有N个孩子，每个孩子的身高是Xi，求总身高。

求期望时，先固定N，S_N就是N个独立同分布变量的和，条件期望为E[S_N | N] = Nμ。再用全期望：

E[S_N] = E[E[S_N | N]] = E[Nμ] = μE[N]

结果很漂亮：总和的期望等于“平均个数”乘以“单体均值”。这里的直觉是，N本身是随机的，但通过全期望公式把它“平均掉”之后，结论依然简洁。

求方差稍微复杂一点，要用条件方差公式，这也是全期望公式的自然推广：

Var(S_N) = E[Var(S_N | N)] + Var(E[S_N | N])

固定N = n时，S_N = n个独立同分布变量之和，方差是nσ²，所以E[Var(S_N|N)] = σ²E[N]；而E[S_N|N] = Nμ，这部分方差是Var(Nμ) = μ²Var(N)。合起来：

Var(S_N) = σ²E[N] + μ²Var(N)

这个结论笔试可以直接用，建议记牢。推导过程也要能随时写出来，因为面试官很可能让你现场推一遍条件方差公式。

3.3 条件方差公式：期望玩熟之后必须附带掌握

条件方差公式本身值得单独说一下。要证明它，可以从定义出发。对任意随机变量Y和Z：

Var(Y) = E[Y²] - (E[Y])²

利用全期望公式展开两项：

E[Y²] = E[E[Y² | Z]]，E[Y] = E[E[Y | Z]]

把第二个式子代回Var(Y)的定义：

Var(Y) = E[E[Y² | Z]] - (E[E[Y | Z]])²

关键一步来了，把第一项里的条件方差拆出来。条件方差的定义是：

Var(Y | Z) = E[Y² | Z] - (E[Y | Z])²

所以：

E[Y² | Z] = Var(Y | Z) + (E[Y | Z])²

代入后：

Var(Y) = E[Var(Y | Z) + (E[Y | Z])²] - (E[E[Y | Z]])² = E[Var(Y | Z)] + E[(E[Y | Z])²] - (E[E[Y | Z]])²

最后两项合在一起，正好就是E[Y|Z]这个随机变量的方差：

Var(E[Y | Z]) = E[(E[Y | Z])²] - (E[E[Y | Z]])²

因此得到：

Var(Y) = E[Var(Y | Z)] + Var(E[Y | Z])

这个公式的口诀可以记成“期望的方差加方差的期望”：总方差 = 组内方差的平均 + 组间均值的方差。笔试里遇到分层数据、混合模型、随机和的方差，都能用它。我见过不少候选人会背公式，但一让解释每一项的含义就支支吾吾，所以建议你理解上面这个推导过程，而不是只背结论。

4. 重复独立试验：伯努利序列与三大分布

4.1 二项、几何、负二项：一张表理清参数

重复独立试验指的是：每次试验只有“成功”和“失败”两种结果，各次成功概率p固定不变，并且试验之间相互独立。这样一个伯努利试验序列，可以派生出几个笔试高频分布。我把它们放在一张表里对比：

注意几何分布有两个版本，这是笔试重灾区。有的教材定义X为“首次成功的试验次数”，取值范围1, 2, 3...；有的定义Y为“首次成功前的失败次数”，取值范围0, 1, 2...。前者期望是1/p，后者期望是(1-p)/p。刷题时第一件事就是看清楚题目里统计的到底是“试验次数”还是“失败次数”，一字之差，结果差的不是一点点。

负二项分布可以看作几何分布的推广：几何分布等的是第1次成功，负二项分布等的是第r次成功。它的概率质量函数为什么有个组合数C(k-1, r-1)？因为第k次试验必须是成功的那一次，前面的k-1次里要有r-1次成功，且它们的位置任意排列。

4.2 用条件期望推导几何分布的期望

几何分布的期望用全期望方法推是最直观的，比硬记结果有用得多。设X是首次成功所需的试验次数，每次成功概率为p。我们观察第一次试验的结果来分类：

• 第一次就成功，概率p，此时X = 1；
• 第一次失败，概率1-p，此时已经消耗了1次试验，而且因为每次试验独立，失败后的状态和从头开始完全一样，剩余需要等待的次数仍然服从与X相同的分布。

写成等式：

E[X] = p × 1 + (1-p) × (1 + E[X])

这里第二个分支为什么是1 + E[X]？因为已经做了1次失败的试验，之后还要再等一个“全新的几何等待时间”，两者相加。整理一下：

E[X] = p + (1-p) + (1-p)E[X] = 1 + (1-p)E[X]

移项得到：

pE[X] = 1，即E[X] = 1/p

这个过程本质上用到了几何分布的“无记忆性”：前面失败多少次，都不会让“下一次成功还要等多久”的期望变小。这和排队时“已经等了10分钟，还要再等多久”是同一回事——如果服务时间服从几何分布，已等待的时间不会提供任何额外的信息。

另外补充一个很常用的公式，非负整数随机变量的期望可以写成：

E[X] = Σ_{k≥0} P(X > k)

用它推几何分布也很快：P(X > k) = (1-p)^k，所以E[X] = Σ_{k≥0} (1-p)^k = 1/p。这个“长尾求和”公式本身也是笔试常客，记下来不吃亏。

4.3 “连出两次正面”的递推状态法

一个很有代表性的题目是：连续抛一枚公平硬币，直到出现连续两次正面为止，求抛掷次数的期望。

很多人的第一反应是设E为所求期望，然后直接想“第一次正面、第二次反面……”的情况，结果越列越乱。正确做法是先设状态。定义：

• E0：当前还没有积累任何连续正面时，距离达成目标还需要抛的期望次数；
• E1：当前已经连续抛出了1次正面时，距离达成目标还需要抛的期望次数。

从E0开始，抛一次硬币。如果是反面，概率1/2，状态仍然是E0，但是已经消耗了1次；如果是正面，概率1/2，状态变成E1，也消耗了1次。所以：

E0 = 1 + (1/2)E0 + (1/2)E1

从E1开始，再抛一次。如果是反面，概率1/2，连续的正面记录断了，状态退回E0，同时消耗1次；如果是正面，概率1/2，连续两次正面达成，游戏结束，消耗1次。所以：

E1 = 1 + (1/2) × 0 + (1/2)E0 = 1 + (1/2)E0

联立解得：

E0 = 1 + 0.5E0 + 0.5E1 0.5E0 = 1 + 0.5E1 E0 = 2 + E1

代入E1的表达式：

E0 = 2 + 1 + 0.5E0 0.5E0 = 3 E0 = 6

所以期望抛掷次数是6。E1 = 1 + 3 = 4，意思是已经连出一次正面后，平均还要再抛4次。这个答案和直觉比较吻合，毕竟“连出两次正面”比单等一个正面（期望2次）难得多。

这道题的启发是：遇到“等待某个模式出现”的问题，不要试图直接数所有路径，而是根据当前状态设变量，用条件期望列出方程。状态定义的好坏直接决定计算量，这也是全期望公式在更复杂场景下的核心用法。

5. 三道高频例题完整拆解：从读题到落笔

5.1 库存模型的补货决策：划分条件直接用

题目背景：某仓库每天的需求量X服从均值为50的泊松分布。当一天需求量超过60时，管理员会在第二天启动紧急补货流程；启动补货的情况下，第二天需求的均值降为40；不补货的情况下，第二天需求的均值仍为50。求第二天需求的期望。

思路很直接，先构造条件和划分。设A表示事件“第一天需求超过60”，则A的补集是“第一天需求不超过60”。根据全期望公式：

E[第二天需求] = E[第二天需求 | A] × P(A) + E[第二天需求 | A^c] × P(A^c)

题干已经给了条件期望：E[第二天需求 | A] = 40，E[第二天需求 | A^c] = 50。所以只剩P(A)需要算。

X ~ Pois(50)，求P(X > 60)。这一步需要一点计算功底。直接手算泊松概率不现实，笔试里通常用正态近似：泊松分布Pois(λ)在λ较大时近似正态分布N(λ, λ)。这里λ = 50，标准差约√50 ≈ 7.07。

P(X > 60) ≈ P(Z > (60.5 - 50) / 7.07) ≈ P(Z > 1.485) ≈ 0.069

这里用了连续性校正，把60改成60.5，让近似更准。于是：

E[第二天需求] = 40 × 0.069 + 50 × 0.931 ≈ 49.31

这道题其实不难，但很能考查你是否清楚“全期望公式里的划分到底是什么”。如果把A和A^c的概率算错了，或者漏了A^c这一支，结果就会跑偏。另外提醒一句，题目中“第二天需求均值变为40”是一种简化假设，真实场景中补货的影响可能更复杂，但笔试阶段就按给定条件来，不要过度发挥。

5.2 分支过程的期望递推：从个体到群体

分支过程是概率论里非常经典的一个模型，也是数值笔试里“全期望公式+递推”的典型考题。题目通常这样出：一个群体中，每个个体独立地产生后代，每个个体后代数K的分布为P(K = k) = p_k，均值μ，方差σ²。设Z0 = 1，Zn为第n代个体总数，求E[Zn]。

先从Z1说起。Z1 = K，也就是单个个体产生的后代数，所以E[Z1] = μ。

从第n-1代到第n代，每个个体都独立地产生后代，因此可以把Zn写成：

Zn = Σ_{i=1}^{Z_{n-1}} K_i

其中K_i是第n-1代第i个个体产生的后代数，与分布K独立同分布。这里出现了一个“随机个随机变量求和”的结构，用全期望公式：

E[Zn] = E[E[Zn | Z_{n-1}]]

给定Z_{n-1}时，Zn是Z_{n-1}个独立同分布变量之和，条件期望为Z_{n-1} × μ，于是：

E[Zn] = E[Z_{n-1} × μ] = μ E[Z_{n-1}]

这就得到了一个递推关系E[Zn] = μ E[Z_{n-1}]。从E[Z1] = μ开始，一步步推：

E[Z2] = μ × μ = μ² E[Z3] = μ × μ² = μ³

所以：

E[Zn] = μ^n

结果简洁得让人意外——只要知道每个个体的平均后代数μ，第n代的期望规模就是μ的n次方。这个模型套到很多场景都成立：一条信息的转发链上，平均每个用户转发μ次，第n层转发的期望人数就是μ^n；一个流行病传播模型里，每个感染者平均传染μ个人，第n代感染人数的期望就是μ^n。

如果想更近一步，求Zn的方差，可以用条件方差公式递推：

Var(Zn) = E[Var(Zn | Z_{n-1})] + Var(E[Zn | Z_{n-1}]) = E[Z_{n-1} σ²] + Var(Z_{n-1} μ) = σ²E[Z_{n-1}] + μ²Var(Z_{n-1})

这个递推同样可以从n = 1开始算，但笔试里考到分支过程方差的比例明显低于期望，所以优先把期望的推导吃透。

5.3 轮流掷骰子先到6者胜：递推方程解决无限过程

最后一道例题换个场景。甲乙两人轮流掷一颗均匀骰子，甲先掷，谁先掷出6谁获胜。求甲获胜的概率。

这题可以用条件期望和全概率的思想直接列递推方程。设p为甲最终获胜的概率。甲的第一次掷骰分为两种情况：

• 甲直接掷出6，概率1/6，甲立刻获胜；
• 甲没有掷出6，概率5/6。此时轮到乙掷，如果乙直接掷出6，概率1/6，甲失败；如果乙也没有掷出6，概率5/6，此时两人都白白浪费了一轮，游戏回到甲先掷的初始状态，甲获胜的条件概率仍然是p。

写成方程：

p = 1/6 + (5/6) × (5/6) × p

这里第二个分支为什么只乘一个p？因为“甲没掷出6”和“乙没掷出6”同时发生，概率是(5/6)²，之后游戏状态完全重置为“甲先手”，甲获胜的条件概率回到p。解方程：

p × (1 - 25/36) = 1/6 p × (11/36) = 1/6 p = 6/11

答案约等于0.545。甲先手优势体现在哪里？优势就是那个多出来的1/36概率项。你也可以用无穷级数验证：甲获胜概率 = 1/6 + (5/6)²×1/6 + (5/6)^4×1/6 + ...，首项1/6、公比25/36的等比级数，求和得到(1/6)/(1 - 25/36) = 6/11，两种方法结果一致。

这道题示范了一个重要技巧：遇到“谁先达到某个状态谁赢”的无限过程，不用傻傻地列无穷级数，而是利用过程的状态重置特性，设一个目标概率然后列递推方程，一步搞定。

6. 常见错误与排查清单

6.1 把条件期望算成常数，丢掉外层期望

这是我见过最多的一类错误。题目让你求E[X]，你条件期望写得很好，E[X|Y] = 某个关于Y的表达式，结果一激动，直接把这个表达式当成最终答案交上去了。正确做法是，只要外层的期望符号还在，就一定要再对Y求一次平均。比如E[X|Y] = Y²，题目里Y服从均匀分布，那么E[X] = E[Y²]，还需要继续算积分或求和，而不是停在Y²。

自己检查时有个小技巧：最终答案里不应该残留任何随机变量。如果最后结果里还有X、Y、N这种字母带着随机性，说明外层期望还没取干净。

6.2 条件事件不完备就套全期望

全期望公式的划分需要“互斥且完备”。互斥意味着事件之间不能交叉，完备意味着所有事件合起来要覆盖全部情况。笔试里最常见的翻车点就是漏掉“否则”那一支。题目说“如果天气晴朗，销量期望是300；如果下雨，销量期望是150”，很多人直接算0.5×300 + 0.5×150，却忽略了还有阴天、下雪、台风等没列出来的情况。如果题干确实只有两种天气且概率之和为1，那没问题；但只要有第三种可能，划分就不完备。

看到“其他”“否则”“剩余情况”这些词时，要条件反射地检查自己列的划分是否把它们都覆盖进去了。宁可多写一支“剩余情况”，也不要少算。

6.3 忽略“独立”条件，套错分布

二项分布、几何分布都建立在“各次试验独立”的假设上。如果题目是无放回抽样，各次抽取之间不独立，这时候成功次数的分布是超几何分布，期望虽然仍可用线性期望算出n×M/N，但方差不能套二项分布的np(1-p)。我在一次模拟面试中遇到过候选人，把无放回抽球直接当二项分布算，看起来步骤很顺，实际上模型从一开始就是错的。所以拿到题目先确认“每次试验的成功概率是否恒定”“各次之间是否独立”，这两点不满足，分布结论一律不能直接套。

6.4 笔试时间分配与草稿习惯

数值笔试的时间通常比较紧，概率大题如果5分钟内没有思路，容易越陷越深。我个人的习惯是：遇到期望类题目，先在草稿纸上画一个“条件树”——把条件事件按互斥完备的要求列成几条分支，每条分支上标注概率和对应的条件期望，最后合并。这样整个问题的结构一目了然，不容易漏情况，也不容易在中间步骤迷路。

如果是几何分布、负二项分布这类等待问题，先确认题目统计的是“试验次数”还是“失败次数”，再决定用哪个版本的概率质量函数。审题多花10秒，比算完发现结果差了1再回头改要快得多。

这些知识点看着基础，却是笔试里最容易因为“会而不对”丢分的部分。我自己也经历过好几次，公式全对，但因为状态设错、划分不全，最后结果和正确答案差一点点。后来总结出一件事：概率期望题的核心不是背公式，而是把一个随机过程拆成几个“已知信息层级”，然后逐层求期望。条件期望是切分工具，全期望公式是合并工具，重复独立试验则是“切分之后每块都长得一样”的便捷条件。复习时与其刷一堆偏题怪题，不如把今天这几道典型题反复做透。最后再分享一个个人经验：笔试遇到不会的期望题，优先想“能不能先给定某个变量，再对另一个变量求期望”，这个思路往往能在一分钟内打开突破口。