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：

$P(A) = 0$ 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：

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

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 ：

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：

对掷均匀骰子，期望值为：

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：

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：

对掷骰子，先计算 $\langle X^2 \rangle$：

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：

归一化条件要求：

连续分布的期望值与方差计算，将求和替换为积分：

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 。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 和 。定义它们的总和 ，则：

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：

相对涨落（标准差与均值之比）为：

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：

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

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 且 在均值附近时，二项分布收敛到高斯（正态）分布：

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 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 ，落在 的概率约为 。对气体中的粒子分布， 时，，而相对涨落 ，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.

• 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 为

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

• 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.

• 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. $50.0\%$

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 ；③ 相对于期望值的相对涨落 。

• 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 。

• ③ 相对涨落

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。

• ② 方差

• ③ 标准差

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。