别再死记硬背期望公式了！用Python模拟骰子游戏，5分钟搞懂数学期望的底层逻辑

用Python玩转骰子游戏5分钟可视化理解数学期望当第一次接触概率论中的数学期望概念时很多人会被公式中的求和符号和概率权重搞得晕头转向。但如果我们换一种方式——用Python代码模拟掷骰子游戏这个抽象概念立刻会变得生动起来。本文将通过三个递进式的骰子游戏实验带你从零开始构建对数学期望的直觉理解。1. 基础实验公平骰子的期望值我们先从最简单的标准六面骰开始。在理想情况下每个面(1到6点)出现的概率均等。用Python模拟这个实验import random def roll_fair_die(): return random.randint(1, 6) # 模拟10000次掷骰子 results [roll_fair_die() for _ in range(10000)] average sum(results) / len(results) print(f10000次实验的平均值: {average:.2f})运行这段代码你会得到接近3.5的结果。这就是数学期望的直观体现——长期实验的平均值。我们可以用数学公式验证E (1 2 3 4 5 6) / 6 3.5关键观察期望值3.5实际上永远不会出现在单次掷骰中它是所有可能结果的概率加权平均实验次数越多平均值越接近理论期望2. 进阶实验非对称骰子的期望现实中的骰子可能有偏差。假设我们有一个被做过手脚的骰子其概率分布如下点数概率10.120.130.140.250.260.3用Python模拟这个非对称骰子from collections import Counter def roll_biased_die(): return random.choices([1,2,3,4,5,6], weights[1,1,1,2,2,3])[0] # 模拟并统计频率 results [roll_biased_die() for _ in range(10000)] freq Counter(results) print(点数分布:, sorted(freq.items()))计算其理论期望E 1×0.1 2×0.1 3×0.1 4×0.2 5×0.2 6×0.3 4.2这个例子展示了当概率不均等时高概率结果对期望的贡献更大期望值会偏向更高概率的结果区域加权平均的概念变得清晰可见3. 复合实验骰子游戏的期望收益现在设计一个游戏规则掷一次骰子若点数为偶数赢得点数对应的金额(元)若点数为奇数输掉2元用Python实现这个游戏模拟def play_game(): roll roll_fair_die() if roll % 2 0: return roll # 赢得点数对应的金额 else: return -2 # 输掉2元 # 模拟10000局游戏 outcomes [play_game() for _ in range(10000)] avg_gain sum(outcomes) / len(outcomes) print(f平均每局收益: {avg_gain:.2f}元)理论期望计算需要分情况偶数点(2,4,6)概率各1/6赢得对应金额奇数点(1,3,5)概率各1/6每次输2元E (2 4 6)/6 (-2 -2 -2)/6 12/6 - 6/6 1.0这个实验揭示了期望可以衡量长期参与游戏的平均收益复合规则的期望计算需要分解各情况为决策提供量化依据(是否值得玩这个游戏)4. 可视化从频率到期望的理解让我们用matplotlib将上述实验可视化直观展示大数定律的作用import matplotlib.pyplot as plt import numpy as np # 累积平均计算函数 def running_average(values): return np.cumsum(values) / (np.arange(len(values)) 1) # 公平骰子实验 fair_results [roll_fair_die() for _ in range(1000)] fair_avg running_average(fair_results) # 游戏收益实验 game_outcomes [play_game() for _ in range(1000)] game_avg running_average(game_outcomes) plt.figure(figsize(12,5)) plt.subplot(1,2,1) plt.plot(fair_avg, label实验平均值) plt.axhline(3.5, colorr, linestyle--, label理论期望) plt.title(公平骰子平均值收敛) plt.legend() plt.subplot(1,2,2) plt.plot(game_avg, label游戏收益平均值) plt.axhline(1.0, colorr, linestyle--, label理论期望) plt.title(游戏收益收敛) plt.legend() plt.show()图表会清晰显示随着实验次数增加样本均值逐渐稳定在理论期望附近初期波动较大符合随机实验特性验证了期望作为长期平均值的本质5. 期望的工程应用实例理解期望概念后我们可以解决更实际的工程问题。例如设计一个骰子抽奖系统需求规格6个奖项设置谢谢参与(概率50%)、5元(20%)、10元(15%)、20元(10%)、50元(4%)、100元(1%)每次抽奖成本3元需要评估系统的长期盈亏Python实现与计算prizes [0, 5, 10, 20, 50, 100] probs [0.5, 0.2, 0.15, 0.1, 0.04, 0.01] def lottery(): return random.choices(prizes, weightsprobs)[0] # 计算期望收益 E_prize sum(p*prob for p, prob in zip(prizes, probs)) print(f每次抽奖的期望奖金: {E_prize:.2f}元) print(f扣除成本后期望: {E_prize - 3:.2f}元) # 模拟100万次抽奖 trials 1000000 total_cost 3 * trials total_prize sum(lottery() for _ in range(trials)) print(f模拟结果: 总成本{total_cost}元, 总奖金{total_prize}元) print(f净损失: {total_cost - total_prize}元)这个案例展示了期望值在商业决策中的关键作用计算得出期望奖金为7.15元扣除成本后净收益4.15元表面看运营商有利可图但实际上揭示了概率设置的严重问题需要重新调整奖项概率和成本结构6. 从骰子到一般随机变量的推广通过骰子实验建立直觉后我们可以将期望概念推广到更一般的随机变量。关键是要理解离散型随机变量的期望公式E[X] Σ (x_i * P(x_i))就像我们计算骰子点数的加权平均连续型随机变量则将求和替换为积分E[X] ∫ x f(x) dx其中f(x)是概率密度函数随机变量函数的期望E[g(X)] Σ g(x_i) P(x_i) (离散型) E[g(X)] ∫ g(x) f(x) dx (连续型)就像我们计算游戏收益时的变换Python中可以用数值积分验证连续型期望from scipy import integrate import numpy as np # 定义指数分布的pdf def exp_pdf(x, lambda_1): return lambda_ * np.exp(-lambda_ * x) # 计算E[X] mean, _ integrate.quad(lambda x: x * exp_pdf(x), 0, np.inf) print(f指数分布的期望: {mean:.4f}) # 应该输出1.07. 期望性质的实验验证数学期望有几个重要性质我们可以用实验验证线性性质E[aX b] aE[X] b# 验证线性性质 a, b 2, 5 original [roll_fair_die() for _ in range(10000)] transformed [a*x b for x in original] E_original sum(original) / len(original) E_transformed sum(transformed) / len(transformed) print(f原始期望: {E_original:.2f}) print(f变换后期望: {E_transformed:.2f}) print(f理论预测: {a*3.5 b:.2f})独立变量的可加性E[XY] E[X] E[Y]# 验证可加性 die1 [roll_fair_die() for _ in range(10000)] die2 [roll_fair_die() for _ in range(10000)] sums [x y for x, y in zip(die1, die2)] E_sum sum(sums) / len(sums) print(f两个独立骰子和的期望: {E_sum:.2f}) print(f理论值: {3.5 3.5:.2f})这些实验不仅验证了理论性质更重要的是让我们从计算层面理解这些性质的物理意义。