概率论基础

热力学与统计物理的核心，在于用概率的语言描述大量粒子的集体行为。当我们面对一个具体的气体分子时，无法准确预测它在某一时刻的速度、位置和动能，因为微观世界充满了随机性和不确定性。然而，若我们观察的是数以亿万计的分子整体，它们的速度分布、能量分布却表现出惊人的规律性和可预见性。这种从“随机个体”到“规律整体”的转变，是统计物理最本质、最奇妙的特点之一。

正是由于个体的不确定、系统的巨大数目，以及复杂相互作用的影响，单靠经典力学无法直接刻画宏观物理量的表现。我们需要概率论和统计方法，来描述粒子群体的行为、预测物理量的平均值与涨落规律。例如，通过概率分布函数，可以得知某一速度区间内分子的比例，进而推算出气体的压强、温度等宏观性质。换言之，统计物理的强大之处，在于用抽象的概率工具，将微观世界的无序和复杂，转化为宏观世界的简洁与确定。

理解概率论的基本原理，是打开统计物理大门的钥匙，也是后续玻尔兹曼分布、熵、涨落乃至相变等核心内容的理论基础。

---

随机现象与概率

掷一枚骰子，事先无法知道结果是几；但掷出足够多次，每个点数出现的频率都趋近于 $1/6$。这种在个体层面无法预测、在大量重复中却涌现出稳定规律的现象，称为随机现象。

概率是对随机事件发生可能性的定量描述。对某一事件 $A$，其概率 $P(A)$ 满足：

$$0 \leq P(A) \leq 1$$

$P(A) = 0$ 表示事件不可能发生，$P(A) = 1$ 表示事件必然发生。若事件 $A$ 与事件 $B$ 互斥（不能同时发生），则：

$$P(A \cup B) = P(A) + P(B)$$

事件 $A$ 的对立事件（即 $A$ 不发生）记作 $\bar{A}$，满足：

$$P(\bar{A}) = 1 - P(A)$$

几个典型随机实验的概率结构对比如下：

---

离散概率分布

当随机变量 $X$ 只能取有限个或可数个离散值时，描述它的工具是概率分布列。对每个可能取值 $x_i$，给出对应的概率 $P(X = x_i) = p_i$，所有概率之和为 $1$：

$$\sum_i p_i = 1$$

以掷一枚均匀骰子为例，点数 $X$ 的概率分布如下：

这是最简单的均匀分布——每个结果等概率出现。实际的物理问题中，概率分布往往不均匀。以一枚重心偏移的“不均匀硬币”为例，若正面出现的概率 $p = 0.6$，反面的概率 $1-p = 0.4$：

在统计物理中，能量低的微观状态被占据的概率更高——这与后续的玻尔兹曼因子 $e^{-E/k_BT}$ 直接对应，是热力学统计描述的核心。

---

期望值与方差

期望值（均值）$\langle X \rangle$ 是随机变量取值的概率加权平均，代表大量实验的平均结果：

$$\langle X \rangle = \sum_i x_i \, p_i$$

对掷均匀骰子，期望值为：

$$\langle X \rangle = 1 \times \frac{1}{6} + 2 \times \frac{1}{6} + \cdots + 6 \times \frac{1}{6} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$

注意 $3.5$ 不是骰子能出现的点数，它是大量实验结果趋向的平均值。

期望值只告诉了分布的“中心位置”，还需要一个量描述数据的分散程度。方差 $\text{Var}(X)$ 定义为偏差平方的期望：

$$\text{Var}(X) = \langle (X - \langle X \rangle)^2 \rangle = \langle X^2 \rangle - \langle X \rangle^2$$

标准差 $\sigma$ 是方差的平方根，与 $X$ 具有相同的量纲，物理意义更为直观：

$$\sigma = \sqrt{\text{Var}(X)}$$

对掷骰子，先计算 $\langle X^2 \rangle$：

$$\langle X^2 \rangle = \frac{1^2+2^2+3^2+4^2+5^2+6^2}{6} = \frac{1+4+9+16+25+36}{6} = \frac{91}{6} \approx 15.17$$ $$\text{Var}(X) = 15.17 - (3.5)^2 = 15.17 - 12.25 \approx 2.92, \quad \sigma \approx 1.71$$

三个统计量的物理对照：

---

连续概率分布

许多物理量（如分子速度、粒子位置）可以取连续的实数值，需要用概率密度函数 $f(x)$ 来描述。$f(x)$ 的含义是：随机变量落在 $[x,\, x+\mathrm{d}x]$ 内的概率为 $f(x)\,\mathrm{d}x$。对有限区间积分得到概率：

$$P(a \leq X \leq b) = \int_a^b f(x) \, \mathrm{d}x$$

归一化条件要求：

$$\int_{-\infty}^{+\infty} f(x) \, \mathrm{d}x = 1$$

连续分布的期望值与方差计算，将求和替换为积分：

$$\langle X \rangle = \int_{-\infty}^{+\infty} x \, f(x) \, \mathrm{d}x$$ $$\text{Var}(X) = \int_{-\infty}^{+\infty} (x - \langle X \rangle)^2 \, f(x) \, \mathrm{d}x$$

以均匀分布为例：在区间 $[0, L]$ 上取 $f(x) = 1/L$，在区间外 $f(x) = 0$。直接积分可得 $\langle X \rangle = L/2$（恰好在区间中点），方差 $\text{Var}(X) = L^2/12$。这与气体分子在容器中均匀分布的物理图像完全吻合——每个位置等概率出现，平均位置在容器中心。

---

独立随机变量的叠加

设 $X_1, X_2, \ldots, X_N$ 是 $N$ 个相互独立的随机变量，各自的期望值和方差分别为 $\mu_i$ 和 $\sigma_i^2$。定义它们的总和 $S_N = X_1 + X_2 + \cdots + X_N$，则：

$$\langle S_N \rangle = \sum_{i=1}^N \mu_i$$ $$\text{Var}(S_N) = \sum_{i=1}^N \sigma_i^2$$

方差的可加性要求随机变量相互独立，这是关键假设。若所有 $X_i$ 同分布（均值 $\mu$、方差 $\sigma^2$），则：

$$\langle S_N \rangle = N\mu, \quad \sigma_{S_N} = \sqrt{N}\,\sigma$$

相对涨落（标准差与均值之比）为：

$$\frac{\sigma_{S_N}}{\langle S_N \rangle} = \frac{\sqrt{N}\,\sigma}{N\mu} = \frac{\sigma}{\mu\sqrt{N}}$$

随着 $N$ 增大，相对涨落按 $1/\sqrt{N}$ 衰减，绝对涨落在增大，而相对于均值的涨落在缩小。下表展示了这种趋势：

当 $N = 10^{23}$ 时，相对涨落约为 $10^{-12}$，远低于任何仪器的分辨率。宏观量之所以高度稳定，原因不是粒子运动变得“整齐”，而是大量随机量叠加后相对涨落极小——这正是热力学规律得以精确成立的统计学根基。

---

二项分布

抛一枚硬币 $N$ 次，每次正面出现的概率为 $p$，反面的概率为 $1-p$。$N$ 次独立实验中恰好出现 $n$ 次正面的概率，由二项分布给出：

$$P(n;\, N,\, p) = \binom{N}{n} p^n (1-p)^{N-n}$$

其中组合数 $\dbinom{N}{n} = \dfrac{N!}{n!\,(N-n)!}$ 计算了从 $N$ 次实验中选出 $n$ 次“成功”的方案总数。二项分布的期望值与方差：

$$\langle n \rangle = Np, \quad \text{Var}(n) = Np(1-p), \quad \sigma_n = \sqrt{Np(1-p)}$$

以 $N = 4$、$p = 1/2$ 为例，列出完整分布：

期望值 $\langle n \rangle = 4 \times 0.5 = 2$，标准差 $\sigma = \sqrt{4 \times 0.5 \times 0.5} = 1$。出现 2 次正面的概率最大（37.5%），偏离越远概率越小，分布关于均值对称。

二项分布在统计物理中有直接的物理类比：将容器分为体积相等的左右两半，每个气体分子以概率 $p = 1/2$ 出现在左半。$N$ 个分子中恰好有 $n$ 个在左半的概率，精确地由二项分布描述。当 $N$ 非常大时，几乎所有分子几乎均等地分布在两侧——偏离均值的概率按指数规律衰减，这正是气体自发均匀分布的统计学根源。

---

高斯近似

当 $N$ 很大时，直接计算组合数 $\dbinom{N}{n}$ 极为困难。利用斯特林近似 $\ln(N!) \approx N\ln N - N$，可以证明：当 $N \gg 1$ 且 $n$ 在均值附近时，二项分布收敛到高斯（正态）分布：

$$P(n) \approx \frac{1}{\sqrt{2\pi N p(1-p)}} \exp\!\left(-\frac{(n - Np)^2}{2Np(1-p)}\right)$$

这是均值为 $\mu = Np$、标准差为 $\sigma = \sqrt{Np(1-p)}$ 的高斯函数，呈现出标志性的“钟形”曲线，关于均值左右对称，在 $\mu \pm \sigma$ 处有拐点。

高斯分布的几个重要性质：

这被称为“68–95–99.7 规则”，在实验误差估计和数据分析中广泛使用。

以 $N = 100$ 次抛硬币（$p = 0.5$）为例：均值 $\mu = 50$，标准差 $\sigma = 5$。正面次数落在 $[45, 55]$ 的概率约为 $68.3\%$，落在 $[40, 60]$ 的概率约为 $95.4\%$。对气体中的粒子分布，$N = 10^{23}$ 时，$\sigma = \sqrt{N}/2 \approx 1.6 \times 10^{11}$，而相对涨落 $\sigma/\mu \approx 6.3 \times 10^{-12}$，远低于任何实验仪器的分辨能力——宏观上气体密度看起来完全均匀。

---

练习

选择题

• 题一（基本概率计算）

掷一枚均匀骰子，点数大于 $4$ 的概率为

A. $\dfrac{1}{6}$   B. $\dfrac{1}{3}$   C. $\dfrac{1}{2}$   D. $\dfrac{2}{3}$

显示答案

答案：B

点数大于 $4$ 的结果为 $\{5,\,6\}$，共 $2$ 个，样本空间共 $6$ 个等可能结果，故：

$$P = \frac{2}{6} = \frac{1}{3}$$

---

• 题二（期望值的计算）

某随机变量 $X$ 的分布为：$P(X=1)=0.2$，$P(X=2)=0.5$，$P(X=3)=0.3$，期望值 $\langle X \rangle$ 为

A. $1.8$   B. $2.0$   C. $2.1$   D. $2.5$

显示答案

答案：C

$$\langle X \rangle = 1 \times 0.2 + 2 \times 0.5 + 3 \times 0.3 = 0.2 + 1.0 + 0.9 = 2.1$$

---

• 题三（二项分布）

抛一枚均匀硬币 $3$ 次，恰好出现 $2$ 次正面的概率为

A. $\dfrac{1}{8}$   B. $\dfrac{2}{8}$   C. $\dfrac{3}{8}$   D. $\dfrac{4}{8}$

显示答案

答案：C

由二项分布公式，$N=3$，$n=2$，$p=1/2$：

$$P\!\left(2;\,3,\,\tfrac{1}{2}\right) = \binom{3}{2}\left(\frac{1}{2}\right)^{\!2}\left(\frac{1}{2}\right)^{\!1} = 3 \times \frac{1}{4} \times \frac{1}{2} = \frac{3}{8}$$

---

• 题四（高斯分布性质）

某测量值服从正态分布，均值 $\mu = 50$，标准差 $\sigma = 2$。测量值落在区间 $[46,\,54]$ 内的概率约为

A. $68.3\%$   B. $95.4\%$   C. $99.7\%$   D. $50.0\%$

显示答案

答案：B

区间 $[46,\,54] = [\mu - 2\sigma,\; \mu + 2\sigma]$，根据高斯分布的“68–95–99.7 规则”，落在均值 $\pm 2\sigma$ 内的概率约为 $95.4\%$。

---

计算题

• 题五（二项分布的期望与标准差）

一个容器被隔板分为体积相等的左右两半，其中共有 $N = 1000$ 个气体分子，每个分子独立地以概率 $p = 0.5$ 出现在左半。设左半的分子数为 $n$。求：① $n$ 的期望值 $\langle n \rangle$；② $n$ 的标准差 $\sigma_n$；③ $n$ 相对于期望值的相对涨落 $\sigma_n / \langle n \rangle$。

显示答案

• ① 期望值

$$\langle n \rangle = Np = 1000 \times 0.5 = 500$$

• ② 标准差

$$\sigma_n = \sqrt{Np(1-p)} = \sqrt{1000 \times 0.5 \times 0.5} = \sqrt{250} \approx 15.8$$

• ③ 相对涨落

$$\frac{\sigma_n}{\langle n \rangle} = \frac{15.8}{500} \approx 3.16\% = \frac{1}{\sqrt{N}} = \frac{1}{\sqrt{1000}} \approx 3.16\%$$

若粒子数增至 $N = 10^{23}$，相对涨落降至约 $10^{-12}$，宏观上完全不可察觉，气体表现为完美的均匀分布。

---

• 题六（连续均匀分布的期望与方差）

一个随机变量 $X$ 在区间 $[0,\,4]$ 上均匀分布，概率密度函数为 $f(x) = 1/4$（区间外为零）。求：① 期望值 $\langle X \rangle$；② 方差 $\text{Var}(X)$；③ 标准差 $\sigma$。

显示答案

• ① 期望值

$$\langle X \rangle = \int_0^4 x \cdot \frac{1}{4} \, \mathrm{d}x = \frac{1}{4} \cdot \frac{x^2}{2}\,\Bigg|_0^4 = \frac{1}{4} \times 8 = 2$$

• ② 方差

$$\langle X^2 \rangle = \int_0^4 x^2 \cdot \frac{1}{4} \, \mathrm{d}x = \frac{1}{4} \cdot \frac{x^3}{3}\,\Bigg|_0^4 = \frac{1}{4} \times \frac{64}{3} = \frac{16}{3}$$$$\text{Var}(X) = \langle X^2 \rangle - \langle X \rangle^2 = \frac{16}{3} - 4 = \frac{4}{3} \approx 1.33$$

• ③ 标准差

$$\sigma = \sqrt{\frac{4}{3}} = \frac{2}{\sqrt{3}} \approx 1.15$$

均匀分布 $[0,\,L]$ 的通用结论：$\langle X \rangle = L/2$，$\text{Var}(X) = L^2/12$。本题 $L=4$，代入验证：$L/2 = 2$，$L^2/12 = 16/12 = 4/3$，与积分结果完全吻合。