我们每天都在和不确定性打交道,早上出门,不知道路上会不会堵车;下班回家,不确定外卖要等多久;考试前复习,也很难准确判断自己能考多少分,听起来这些事都挺普通,但如果把它们放进数学的视角里,就会遇到一个很有意思的概念:随机变量。
第一次听到“随机变量”,很多人会以为它就是“随机变化的数字”,这个理解不算错,但还不够准确,更简单地说,随机变量是一个把随机结果对应成数字的工具,它的重点不是数字自己会不会乱跳,而是我们用什么数字来描述某个随机过程的结果。
拿掷骰子来说,骰子落地后可能出现1到6点,我们可以把“骰子最后朝上的点数”记作随机变量X,掷一次,X可能等于1,也可能等于2,一直到6,每一种结果都有对应的可能性,假设骰子是均匀的,那么每个点数出现的概率都是六分之一,这里的X并不是骰子本身,而是我们给掷骰子这件事设定的一个“数字标签”。
这个概念听起来有点抽象,但放进生活里就好理解了。
比如小周每天早上坐公交上班,他从家门口走到公司,通常需要二十到五十分钟不等,我们可以把“某一天从出门到到达公司的时间”定义为随机变量T,今天T可能是28分钟,明天可能是41分钟,后天遇上暴雨,也许要花55分钟,T不是固定不变的,它会受到天气、交通、等车时间等因素影响。
如果小周观察了一段时间,发现自己平均通勤时间是35分钟,这个平均数就可以帮助他安排出门时间,平均35分钟不代表他每天都正好花35分钟,更不代表明天一定只需要35分钟,若他要赶一场不能迟到的面试,只参考平均时间显然不够,还得考虑迟到的风险,提前留出余量。
这也引出了随机变量的两个常见特征:一个是“平均水平”,一个是“波动程度”,平均水平可以告诉我们一件事大致会落在哪里,波动程度则能说明结果稳不稳定,两家店的外卖平均都在30分钟送到,但一家通常在28到32分钟之间,另一家有时15分钟送到、有时等一个小时,光看平均时间,两家似乎一样;真正需要准时吃饭的人,肯定更关心第二家是不是经常“突然失控”。
平均值很有用,但它不是全部,我们常常被一个数字安慰,也常常被一个数字误导,看天气预报说“降雨概率30%”,不是说天空会下30%的雨,也不是说每个人身上有30%的概率被淋湿,而是表示在相似条件下,降雨这件事具有一定可能性,对一个人来说,最后可能下,也可能不下;概率描述的是整体规律,不是替具体某一天打包票。
随机变量还可以分成离散型和连续型,像骰子点数、一个班里迟到的人数,这些结果通常是一个个数得清的数,属于离散型,通勤时间、体重、当天的气温,则可能在一定范围内连续变化,属于连续型,比如通勤时间可以是31分钟,也可以是31.5分钟,理论上还可以精确到秒,现实生活里,我们不一定需要给这些概念贴上标签,但理解它们有助于我们知道:不同的问题,适合用不同方式去描述。
我个人觉得,随机变量最有价值的地方,不是让我们算出一个看似精确的答案,而是提醒我们别把不确定的事误当成确定的事,比如一家新开的咖啡店,朋友去一次觉得很好喝,就断定“这家店一定不会踩雷”;或者一家公司连续几个月业绩不错,就认定未来永远会增长,这些判断都可能忽略了结果背后的波动,一次经历只是一个样本,它不能自动代表长期规律。
数学模型也不是万能的,小周记录通勤时间,最后算出平均35分钟,这个结果只对他所处的路线、季节和交通条件有参考价值,如果公交线路改了,或者他换了工作地点,过去的数据就不一定还能说明问题,数据能帮助我们看清规律,但我们仍然需要留意环境有没有变化。
我更愿意把随机变量看作一种整理生活经验的方式:先说清楚“我们到底在观察什么”,再记录可能出现的结果,最后看看这些结果大概怎样分布,比如想知道周末出门要预留多久,就记录几次路程;想估计每月生活费,就记下实际花销,而不是只凭印象,这样做不一定能消灭意外,却能让我们少一点盲目,多一点准备。
生活本来就有很多偶然,我们没办法保证每趟公交准时,也没办法让每一次选择都得到理想结果,但我们可以学着区分“平均会怎样”和“下一次一定怎样”,也可以在做重要决定时,不只盯着一个好看的数字,这就是理解随机变量之后最实际的收获:不试图假装一切都确定,而是在不确定中,尽量做出更稳妥的判断。
