進階機率與期望值：從遊戲中學習決策智慧

機率論不只是一門抽象的數學分支，它是我們在不確定世界中做出理性決策的核心工具。從保險公司計算保費，到賭場設計遊戲規則，再到資料科學家訓練機器學習模型——無處不在的隨機現象，造就了機率與期望值在現代社會中的重要地位。本文將帶你從隨機變數出發，深入理解期望值與變異數的意義，並認識常見的離散機率分佈，最終學會用期望值的框架分析生活中的各種決策問題。

一、隨機變數的定義與類型

在學習機率分配之前，必須先弄清楚隨機變數的概念。隨機變數（Random Variable）是一個將隨機實驗的每一個結果對應到一個數值的函數。這個定義聽起來有點抽象，讓我們用具體例子來說明：

假設你擲兩枚硬幣，記錄正面出現的次數。這個「正面次數」就是一個隨機變數。它可以把「正正」對應到 2，「正反」對應到 1，「反正」對應到 1，「反反」對應到 0。

隨機變數分為兩大類型：

• 離散隨機變數（Discrete Random Variable）：可能取值是有限個或可數無限多個。例如擲骰子的點數、班上學生人數、網頁點擊次數。
• 連續隨機變數（Continuous Random Variable）：可能取值是某個區間內的所有實數。例如人的身高、降雨量、燈泡壽命。

這兩種類型的隨機變數，在處理方式上有根本性的差異。離散隨機變數我們用「機率品質函數」（PMF）來描述每個取值發生的機率；連續隨機變數則用「機率密度函數」（PDF），重點在於某個區間內的機率而非單點機率。

二、離散與連續機率分配

機率分配描述的是隨機變數如何分布——哪些值比較容易出現，哪些值比較罕見。

對於離散隨機變數 X，其機率品質函數滿足兩個條件：第一，每個取值點的機率都是非負數；第二，所有取值點的機率之和等於 1。這就是所謂的「歸一化條件」，確保機率解釋的一致性。

以擲單一公正骰子為例，隨機變數 X 代表點數，則 PMF 為：P(X=1)=P(X=2)=...=P(X=6)=1/6。這是一個「均勻分配」——每個結果發生的機會完全均等。

對於連續隨機變數，我們不能談論「精確等於某個值」的機率（這個機率趨近於零），而是談論「落在某個區間」的機率。機率密度函數 f(x) 的積分（面積）代表機率，且全平面積分同樣必須等於 1。

三、期望值 E(X) 的意義與計算

期望值（Expected Value）是機率論中最核心的概念之一，可以理解為隨機變數的「長期平均值」或「加權平均」。

離散隨機變數 X 的期望值定義為：所有可能取值與其對應機率的乘積之和。

其中 Σ 表示對所有可能的 x 值求和。

範例：某彩票每張售價 100 元，頭獎獎金 5000 元（機率 1/1000），二獎 500 元（機率 1/100），三獎 100 元（機率 1/50）。計算購買一張彩票的期望獲利。

E(獲利) = 4900 × (1/1000) + 400 × (1/100) + 0 × (1/50) + (-100) × (997/1000)

= 4.9 + 4 - 99.7 = -90.8 元

這意味著長期而言，每買一張彩票平均會損失約 90.8 元——這就是賭場設計遊戲的數學基礎。

連續隨機變數的期望值則透過積分計算：

四、期望值的線性性質

期望值最優美的性質之一是它的線性——無論隨機變數之間是否有關聯，期望值都滿足加法和齊次性。

這個公式告訴我們：將隨機變數乘以常數 a，期望值也會被乘以 a；加上常數 b，期望值也會加上 b。

更強大的是，期望值對「和」也滿足線性：

即使 X 和 Y 不是獨立的，這個性質依然成立。這在處理多個隨機變數相加的問題時極為有用。

實用範例：某水果店每天蘋果銷量 X（平均 30 顆，標準差 5 顆），橘子銷量 Y（平均 20 顆，標準差 3 顆）。若每顆蘋果利潤 3 元、橘子利潤 2 元，計算每日總利潤的期望值。

E(總利潤) = 3 × E(X) + 2 × E(Y) = 3 × 30 + 2 × 20 = 130 元

這個計算過程完全不需要知道 X 和 Y 是否相關，線性性質讓我們輕鬆處理這類問題。

五、變異數 Var(X) 的意義與計算

期望值告訴我們隨機變數的「中心」在哪裡，但兩個期望值相同的隨機變數，可能有完全不同的「散布程度」。變異數（Variance）就是用來衡量這種離散程度的指標。

變異數的定義是：隨機變數與其期望值之差的平方的期望值。

這個定義的直覺是：我們測量每個可能值偏離期望值的程度，偏離越多，貢獻越大（因為是平方）。取平均之後就得到變異數。

範例：比較兩個投資方案的風險。方案 A 的報酬率為 +10%（機率 0.5）或 -6%（機率 0.5），方案 B 為 +100%（機率 0.2）或 -50%（機率 0.8）。

方案 A：E(X) = 0.5×10 + 0.5×(-6) = 2%，E(X²) = 0.5×100 + 0.5×36 = 68，Var(X) = 68 - 4 = 64

方案 B：E(X) = 0.2×100 + 0.8×(-50) = -20%，E(X²) = 0.2×10000 + 0.8×2500 = 4000，Var(X) = 4000 - 400 = 3600

方案 B 的變異數遠大於方案 A，說明其風險也高得多——雖然方案 B 有機會獲得高報酬，但虧損的機會和幅度都更大。

變異數還有一個重要性質：

注意：常數項 b 的變異數為零，因為常數沒有任何不確定性。

六、標準差與實際應用

變異數的單位是「原始單位的平方」——如果我們測量的是金額（元），變異數的單位就是「元²」。這在解讀上不太直觀。標準差（Standard Deviation）是變異數的平方根，恢复了原始單位。

標準差在常態分配中特別重要：根據經驗法則，大約 68% 的觀測值會落在平均值 ± 1 個標準差範圍內，95% 落在 ± 2 個標準差範圍內，99.7% 落在 ± 3 個標準差範圍內。

在金融領域，標準差被用來衡量「波動率」——一檔股票的標準差越大，代表它的價格變動越劇烈，風險也越高。在品質管制中，標準差用來評估產品的一致性程度。

七、常用離散分佈

了解幾種常見的離散機率分佈，能幫助我們快速模型化現實世界中的隨機現象。

（一）伯努利分佈（Bernoulli Distribution）

最簡單的離散分佈，適用於只有兩種結果的實驗：成功（機率 p）或失敗（機率 1-p）。

（二）二項分佈（Binomial Distribution）

n 次獨立的伯努利實驗中，成功次數 X 的分佈。記為 X ~ B(n, p)。

範例：某工廠產品不良率 5%，抽查 20 件產品，不良品數量的期望值和標準差是多少？

E(X) = 20 × 0.05 = 1，σ = √(20 × 0.05 × 0.95) ≈ 0.974

（三）幾何分佈（Geometric Distribution）

在重複進行的伯努利實驗中，第一次成功出現時所需的實驗次數。記為 X ~ Geom(p)。

範例：投擲公正硬幣直到第一次出現正面，平均需要投多少次？

E(X) = 1/0.5 = 2 次

八、大數法則的直覺理解

大數法則（Law of Large Numbers）是機率論的基石定理之一。它說的是：當我們重複進行同一隨機實驗的次數越多，樣本平均值就越接近理論期望值。

這個定理的直覺很簡單：每一次觀測都會有一些隨機的偏差，但當觀測次數足夠多時，這些偏差會有正有負、互相抵消，最終呈現出來的平均值會趨近於真實的期望值。

這就是「賭場必勝」的數學原理：單一顧客可能幸運地贏錢，但當賭場接待了數以萬計的顧客時，根據大數法則，實際的營收會非常接近理論期望值——而這個期望值是對賭場有利的。

值得注意的是，大數法則並不預測短期結果。任何一次擲硬幣，無論前面連續出現了多少次正面，下一次出現正面或反面的機率依然各是 50%。大數法則描述的是「長期平均」的行為，而非「短期修正」的機制。

九、決策樹與期望值在生活中的應用

期望值不只是一個抽象的數學概念，它是理性決策的強大框架。決策樹（Decision Tree）是一種將複雜決策問題視覺化的工具，結合期望值的計算，能幫助我們在不確定環境下做出最優選擇。

應用一：保險分析

假設你有財產價值 100 萬元，發生火災的機率是 1%。保險公司提供火災險，年保費 5000 元，全額理賠。你應該購買保險嗎？

不買保險的期望值：E(損失) = 1,000,000 × 0.01 + 0 × 0.99 = 10,000 元

買保險的期望值：E(損失) = 0 × 1 + 5,000 = 5,000 元

從純數學角度，購買保險的期望損失較低。但實際決策還需考慮：你是否能負擔 100 萬元的損失？如果不能，即使期望值較高，也應該購買保險，因為「破產」的風險比期望值的些微劣勢更重要。

應用二：賭博決策分析

某賭博遊戲：擲兩個骰子，若點數和為 7 你贏 30 元，否則輸 10 元。這個遊戲值得玩嗎？

擲兩個骰子點數和為 7 的組合有：(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)，共 6 種。總組合數 36 種，所以 P(7) = 6/36 = 1/6。

E(獲利) = 30 × (1/6) + (-10) × (5/6) = 5 - 8.33 = -3.33 元

期望值為負，代表長期玩下去必然虧損。這再次驗證了「久賭必輸」的道理。

應用三：求職決策

假設你獲得兩個工作機會：A 公司月薪固定 5 萬元；B 公司月薪 3 萬元但有 30% 機率獲得年終獎金 20 萬元。選擇哪個？

A 公司：E(月薪) = 50,000 元

B 公司：E(月薪) = 30,000 + 200,000 × 0.3 ÷ 12 = 30,000 + 5,000 = 35,000 元

單看期望值，B 公司較優。但如果你的家庭需要穩定的收入流，B 公司的風險可能讓你無法接受。這就是期望值框架與風險偏好之間的取捨。

結語

進階機率與期望值的世界，既嚴謹又充滿實用價值。從隨機變數的定義到機率分配的性質，從期望值的計算到變異數的詮釋，這些工具構成了一套完整的「不確定性分析框架」。

更重要的是，期望值的思想可以滲透到生活的每個角落：無論是評估保險是否值得購買、分析投資報酬率，還是比較兩個工作機會的優劣，期望值都提供了一個客觀、量化的決策參考。

當然，數學模型終究是對現實的簡化。實際決策還需要考慮期望值無法捕捉的因素——風險偏好、情感因素、人生階段的獨特需求。但至少，學會了期望值的計算，你就擁有了一面照見「表面之下」的透鏡，能在混沌的隨機世界中，看清每一個選項的真正代價與回報。