first commit
This commit is contained in:
@@ -0,0 +1,631 @@
|
||||
# 📌 第一章 概率论的基本概念 考研核心通关笔记
|
||||
|
||||
> 概率论的"地基"——所有随机变量、分布、期望都从这里出发
|
||||
|
||||
---
|
||||
|
||||
## ① 本章核心知识框架 (Core Concept Map)
|
||||
|
||||
### 1.1 随机试验与样本空间
|
||||
|
||||
#### 一、随机试验 $E$
|
||||
|
||||
**定义**:满足以下三条特征的试验称为随机试验:
|
||||
1. 试验**可在相同条件下重复进行**
|
||||
2. 试验**所有可能结果事先已知**
|
||||
3. 试验**每次具体结果事前不可预测**
|
||||
|
||||
- *极简例子:* 掷一颗骰子,记录点数(满足三条 → 是随机试验)
|
||||
|
||||
#### 二、样本空间 $\Omega$
|
||||
|
||||
**定义**:随机试验 $E$ 的**所有可能基本结果**组成的集合。
|
||||
|
||||
- *极简例子:* 掷骰子 $\Omega = \{1, 2, 3, 4, 5, 6\}$
|
||||
- *极简例子:* 抛硬币两次 $\Omega = \{HH, HT, TH, TT\}$
|
||||
|
||||
#### 三、随机事件
|
||||
|
||||
**事件**:样本空间 $\Omega$ 的子集 $A \subseteq \Omega$ 称为随机事件。
|
||||
- **基本事件**:单个样本点 $\omega$ 构成的集合 $\{\omega\}$
|
||||
- **必然事件**:$\Omega$ 本身(一定发生)
|
||||
- **不可能事件**:$\varnothing$(一定不发生)
|
||||
|
||||
*极简例子:* 掷骰子 $A = \{$点数为偶数$\} = \{2, 4, 6\}$,$B = \{$点数 $> 6\} = \varnothing$
|
||||
|
||||
---
|
||||
|
||||
### 1.2 事件的关系与运算
|
||||
|
||||
#### 一、事件的关系(重点!概念题高频)
|
||||
|
||||
| 关系 | 符号 | 含义 | 文氏图 |
|
||||
|------|------|------|--------|
|
||||
| **包含** | $A \subset B$ | $A$ 发生必导致 $B$ 发生 | $A$ 在 $B$ 内 |
|
||||
| **相等** | $A = B$ | $A \subset B$ 且 $B \subset A$ | 完全重合 |
|
||||
| **和(并)** | $A \cup B$($A + B$) | $A$ 或 $B$ 至少一个发生 | 合并区域 |
|
||||
| **积(交)** | $A \cap B$($AB$) | $A$ 与 $B$ 同时发生 | 重叠区域 |
|
||||
| **差** | $A - B$ | $A$ 发生而 $B$ 不发生 | $A$ 减去 $B$ |
|
||||
| **互不相容(互斥)** | $AB = \varnothing$ | 不能同时发生 | 不重叠 |
|
||||
| **对立(逆)** | $A \cup \bar{A} = \Omega$, $A \bar{A} = \varnothing$ | 必有一个且仅一个发生 | 互补 |
|
||||
|
||||
#### 二、事件运算律(与集合运算相同)
|
||||
|
||||
| 律名 | 公式 |
|
||||
| ------------- | ----------------------------------------------------------------------------------------- |
|
||||
| **交换律** | $A \cup B = B \cup A$; $AB = BA$ |
|
||||
| **结合律** | $(A \cup B) \cup C = A \cup (B \cup C)$; $(AB)C = A(BC)$ |
|
||||
| **分配律** | $A \cup (BC) = (A \cup B)(A \cup C)$;$A(B \cup C) = AB \cup AC$ |
|
||||
| **德摩根律(对偶律)** | $\overline{A \cup B} = \bar{A} \cap \bar{B}$;$\overline{A \cap B} = \bar{A} \cup \bar{B}$ |
|
||||
| **吸收律** | $A \cup \Omega = \Omega$; $A \cap \varnothing = \varnothing$; $A \cup A = A$ |
|
||||
| | |
|
||||
|
||||
> 🔑 **德摩根律**:考试最高频的对偶律——"和的逆 = 逆的积";"积的逆 = 逆的和"。记忆口诀:**"长变短,$\cup$ 变 $\cap$,全加逆"**。
|
||||
|
||||
#### 三、完备事件组
|
||||
|
||||
**定义**:若事件组 $B_1, B_2, \ldots, B_n$ 满足
|
||||
- 两两互斥:$B_i B_j = \varnothing$($i \neq j$)
|
||||
- 穷尽性:$B_1 \cup B_2 \cup \cdots \cup B_n = \Omega$
|
||||
|
||||
则称 $\{B_i\}$ 为 $\Omega$ 的一个**划分(完备事件组)**。
|
||||
|
||||
*极简例子:* 掷骰子按奇偶划分:$B_1 = \{1,3,5\}$, $B_2 = \{2,4,6\}$,两两互斥且覆盖 $\Omega$。
|
||||
|
||||
---
|
||||
|
||||
### 1.3 频率与概率
|
||||
|
||||
#### 一、频率
|
||||
|
||||
**定义**:在 $n$ 次重复试验中,事件 $A$ 出现 $n_A$ 次,则 $f_n(A) = \dfrac{n_A}{n}$ 称为频率。
|
||||
|
||||
**性质**:
|
||||
- $0 \le f_n(A) \le 1$
|
||||
- $f_n(\Omega) = 1$
|
||||
- 若 $A_1, A_2, \ldots, A_k$ 两两互斥,则 $f_n(\bigcup A_i) = \sum f_n(A_i)$
|
||||
|
||||
> 🔑 **频率的稳定性**:当 $n \to \infty$ 时,频率 $f_n(A)$ 会稳定到一个常数,这个常数就是**概率**——这是概率的"统计定义"的实验依据。
|
||||
|
||||
#### 二、概率的公理化定义(Kolmogorov, 1933)
|
||||
|
||||
设 $E$ 是随机试验,$\Omega$ 是样本空间,对 $\Omega$ 上的每个事件 $A$ 赋予实数 $P(A)$,满足:
|
||||
|
||||
**公理 1(非负性)**:$P(A) \ge 0$
|
||||
|
||||
**公理 2(规范性)**:$P(\Omega) = 1$
|
||||
|
||||
**公理 3(可列可加性)**:若 $A_1, A_2, \ldots$ 两两互斥,则 $P(\bigcup_{i=1}^{\infty} A_i) = \sum_{i=1}^{\infty} P(A_i)$
|
||||
|
||||
则 $P(A)$ 称为事件 $A$ 的**概率**。
|
||||
|
||||
#### 三、由公理推出的概率性质
|
||||
|
||||
| 性质 | 公式 |
|
||||
| --------- | ------------------------------------------------------------ |
|
||||
| **不可能事件** | $P(\varnothing) = 0$ |
|
||||
| **有限可加性** | 若 $A_1, \ldots, A_n$ 互斥,$P(\bigcup A_i) = \sum P(A_i)$ |
|
||||
| **逆事件** | $P(\bar{A}) = 1 - P(A)$ |
|
||||
| **加法公式** | $P(A \cup B) = P(A) + P(B) - P(AB)$ |
|
||||
| **差事件** | $P(A - B) = P(A) - P(AB)$(当 $B \subset A$ 时 $= P(A) - P(B)$) |
|
||||
| **单调性** | 若 $A \subset B$,则 $P(A) \le P(B)$ |
|
||||
| | |
|
||||
|
||||
*极简例子:* $P(A) = 0.6, P(B) = 0.5, P(AB) = 0.3$,则 $P(A \cup B) = 0.6 + 0.5 - 0.3 = 0.8$
|
||||
|
||||
---
|
||||
|
||||
### 1.4 等可能概型(古典概型)
|
||||
|
||||
#### 一、古典概型的条件
|
||||
|
||||
1. 样本空间 $\Omega$ 是**有限集**($|\Omega| = n$)
|
||||
2. 每个基本事件发生的**可能性相等**
|
||||
|
||||
#### 二、计算公式
|
||||
|
||||
$$
|
||||
P(A) = \frac{\text{事件 } A \text{ 包含的基本事件数}}{\text{样本空间 } \Omega \text{ 的基本事件总数}} = \frac{k}{n}
|
||||
$$
|
||||
|
||||
#### 三、核心工具:排列组合
|
||||
|
||||
| 抽样方式 | 样本数 | 有利事件数 |
|
||||
|---------|--------|----------|
|
||||
| **有序抽取(排列)** | $A_n^k = \dfrac{n!}{(n-k)!}$ | 选出的 $k$ 个有序 |
|
||||
| **无序抽取(组合)** | $C_n^k = \dfrac{n!}{k!(n-k)!}$ | 选出的 $k$ 个无序 |
|
||||
| **重复抽样(放回)** | $n^k$ | 每位独立选择 |
|
||||
|
||||
> 🔑 **核心判断**:题目区分"摸到的是什么"(组合)还是"摸到的顺序"(排列)。**球是否可区分、是否放回、是否有序**是三个维度。
|
||||
|
||||
#### 四、典型题型
|
||||
|
||||
- **摸球模型**:盒中 $N$ 个球(白 $W$ 黑 $B$),求"摸出 $k$ 个有 $j$ 个白球"概率
|
||||
- **不放回 + 一次取 $k$ 个**:$\dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$
|
||||
- **不放回 + 逐个取 $k$ 次**:$\dfrac{C_W^j \cdot C_B^{k-j} \cdot \text{(排列系数)}}{C_N^k \cdot \text{(排列系数)}} = \dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$(组合形式相同)
|
||||
- **放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{2^k} \cdot C_k^j$($\text{不放回和放回公式核心区别}$)
|
||||
|
||||
- **分房模型**:$n$ 个人进 $N$ 个房间(每房不限人数):总排列 $N^n$;某指定 $n$ 个房各 1 人:$n!$;至少两人同房:$1 - \dfrac{N!}{(N-n)! N^n}$(错位排列衍生)
|
||||
|
||||
- **随机取数模型**:$\{1, 2, \ldots, n\}$ 随机取 $k$ 个数的各种概率
|
||||
|
||||
*极简例子:* 5 个产品中 2 个次品,随机取 2 个,求"恰有 1 个次品"概率:
|
||||
- 不放回:$\dfrac{C_2^1 C_3^1}{C_5^2} = \dfrac{6}{10} = 0.6$
|
||||
- 放回:$\dfrac{C_2^1 C_3^1}{5^2} = \dfrac{6}{25}$(不同!)
|
||||
|
||||
---
|
||||
|
||||
### 1.5 几何概型
|
||||
|
||||
#### 一、几何概型条件
|
||||
|
||||
1. 样本空间 $\Omega$ 是**几何区域**(线段、平面、空间),有有限测度(长度、面积、体积)
|
||||
2. 每个基本事件**等可能**落入(均匀分布)
|
||||
|
||||
#### 二、计算公式
|
||||
|
||||
$$
|
||||
P(A) = \frac{\text{事件 } A \text{ 对应子区域的测度}}{\text{样本空间 } \Omega \text{ 的测度}}
|
||||
$$
|
||||
|
||||
*极简例子:* 在 $[0, 2]$ 上随机取一点,求"该点在 $[0, 1]$ 内"的概率 $= \dfrac{1}{2}$
|
||||
|
||||
#### 三、与古典概型的对比
|
||||
|
||||
| | 古典概型 | 几何概型 |
|
||||
|---|---|---|
|
||||
| 样本空间 | 有限离散 | 无限连续(几何区域)|
|
||||
| 等可能 | 每个基本事件 | 每个点 |
|
||||
| 计算方式 | 计数 | 测度(长/面/体)|
|
||||
|
||||
---
|
||||
|
||||
### 1.6 条件概率
|
||||
|
||||
#### 一、条件概率定义
|
||||
|
||||
设 $A, B$ 是两个事件,且 $P(B) > 0$,则
|
||||
$$
|
||||
P(A \mid B) = \frac{P(AB)}{P(B)}
|
||||
$$
|
||||
|
||||
称为在 $B$ 发生的条件下 $A$ 发生的概率。
|
||||
|
||||
*极简例子:* 掷两颗骰子,已知点数之和为 7(事件 $B$),求"其中一颗为 1"(事件 $A$)的概率:
|
||||
- $B = \{(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)\}$,$|B| = 6$
|
||||
- $A \cap B = \{(1,6), (6,1)\}$,$|A \cap B| = 2$
|
||||
- $P(A \mid B) = 2/6 = 1/3$
|
||||
|
||||
> 🔑 **本质**:条件概率 $P(A|B)$ 是**缩小样本空间**(从 $\Omega$ 缩到 $B$),再求 $A$ 在 $B$ 中的比例。
|
||||
|
||||
#### 二、乘法公式
|
||||
|
||||
$$
|
||||
P(AB) = P(B) \cdot P(A \mid B) = P(A) \cdot P(B \mid A)
|
||||
$$
|
||||
|
||||
推广(链式法则):若 $P(A_1 A_2 \cdots A_{n-1}) > 0$,则
|
||||
$$
|
||||
P(A_1 A_2 \cdots A_n) = P(A_1) \cdot P(A_2 \mid A_1) \cdot P(A_3 \mid A_1 A_2) \cdots P(A_n \mid A_1 \cdots A_{n-1})
|
||||
$$
|
||||
|
||||
---
|
||||
|
||||
### 1.7 全概率公式与贝叶斯公式 ⭐⭐⭐
|
||||
|
||||
#### 一、全概率公式(**考研第一热门**)
|
||||
|
||||
设 $\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的一个完备事件组(划分),且 $P(B_i) > 0$,则对任意事件 $A$:
|
||||
$$
|
||||
P(A) = \sum_{i=1}^n P(B_i) \cdot P(A \mid B_i)
|
||||
$$
|
||||
|
||||
**直观理解**:"分阶段 → 分情况 → 求总和"
|
||||
- 第一阶段(原因 $B_i$ 发生)
|
||||
- 第二阶段(结果 $A$ 在 $B_i$ 下发生)
|
||||
- 目标:求 $A$ 发生的总概率
|
||||
|
||||
*极简例子:* 三台机器生产产品,产量占比 50%/30%/20%,次品率分别为 1%/2%/3%。求随机取一件是次品的概率:
|
||||
$$
|
||||
P(\text{次品}) = 0.5 \times 0.01 + 0.3 \times 0.02 + 0.2 \times 0.03 = 0.005 + 0.006 + 0.006 = 0.017
|
||||
$$
|
||||
|
||||
#### 二、贝叶斯公式(**考研必考**)
|
||||
|
||||
设 $\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的一个完备事件组,$P(A) > 0, P(B_i) > 0$,则
|
||||
$$
|
||||
P(B_i \mid A) = \frac{P(B_i) \cdot P(A \mid B_i)}{P(A)} = \frac{P(B_i) \cdot P(A \mid B_i)}{\sum_{j=1}^n P(B_j) \cdot P(A \mid B_j)}
|
||||
$$
|
||||
|
||||
**直观理解**:"已知结果 $A$,反推原因 $B_i$ 的概率"——**由果寻因**
|
||||
|
||||
*极简例子:* 接上例,随机取一件发现是次品,求"它是第 2 台机器生产"的概率:
|
||||
$$
|
||||
P(B_2 \mid \text{次品}) = \frac{0.3 \times 0.02}{0.017} = \frac{0.006}{0.017} = \frac{6}{17} \approx 35.3\%
|
||||
$$
|
||||
|
||||
> 🔑 **全概率 vs 贝叶斯**:
|
||||
> - **全概率**:已知"原因"求"结果"——**正向**(先验 + 似然 = 边际)
|
||||
> - **贝叶斯**:已知"结果"求"原因"——**逆向**(似然 × 先验 / 边际 = 后验)
|
||||
|
||||
---
|
||||
|
||||
### 1.8 事件的独立性
|
||||
|
||||
#### 一、两个事件的独立性
|
||||
|
||||
若 $P(AB) = P(A) P(B)$,则称 $A, B$ **相互独立**。
|
||||
|
||||
**等价条件**(当 $P(A) > 0$ 时):$A, B$ 独立 $\iff P(B \mid A) = P(B)$
|
||||
|
||||
#### 二、多个事件的相互独立性
|
||||
|
||||
事件 $A_1, A_2, \ldots, A_n$ **相互独立**:对任意子集 $\{i_1, i_2, \ldots, i_k\}$($1 \le k \le n$),都有
|
||||
$$
|
||||
P(A_{i_1} A_{i_2} \cdots A_{i_k}) = P(A_{i_1}) P(A_{i_2}) \cdots P(A_{i_k})
|
||||
$$
|
||||
|
||||
**重要区分**:
|
||||
- **相互独立** $\Rightarrow$ **两两独立**(反之不成立!)
|
||||
- **互不相容** $\neq$ **独立**(互不相容时 $P(AB)=0 \neq P(A)P(B)$,除非 $P(A)=0$ 或 $P(B)=0$)
|
||||
|
||||
#### 三、独立事件的性质
|
||||
|
||||
| 性质 | 说明 |
|
||||
|------|------|
|
||||
| 独立事件的对立事件也独立 | 若 $A, B$ 独立,则 $\bar{A}, B$; $A, \bar{B}$; $\bar{A}, \bar{B}$ 均独立 |
|
||||
| 独立事件的运算仍独立 | 若 $A, B, C$ 独立,则 $A \cup B$ 与 $C$ 独立等 |
|
||||
|
||||
---
|
||||
|
||||
## ② 必考题型分类索引
|
||||
|
||||
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。点击链接查看详情。
|
||||
|
||||
| # | 题型 | 核心判据 | 详细笔记 |
|
||||
|---|------|---------|---------|
|
||||
| 1 | 事件的关系与运算 | 文氏图 / 德摩根律 / 对偶律 | [[题型1_事件关系与运算]] |
|
||||
| 2 | 古典概型(排列组合) | 有限等可能 + 计数 | [[题型2_古典概型]] |
|
||||
| 3 | 几何概型 | 连续等可能 + 测度 | [[题型3_几何概型]] |
|
||||
| 4 | 条件概率 + 乘法公式 | 已知部分信息,求新概率 | [[题型4_条件概率与乘法公式]] |
|
||||
| 5 | 全概率公式 + 贝叶斯公式 | 多阶段问题 / 因果反推 | [[题型5_全概率与贝叶斯公式]] |
|
||||
| 6 | 事件独立性判定 | $P(AB) = P(A)P(B)$ 验证 | [[题型6_事件独立性]] |
|
||||
|
||||
---
|
||||
|
||||
## ③ 高频考点与多维变换
|
||||
|
||||
### Top 5 高频考点
|
||||
|
||||
| 排名 | 考点 | 近15年考频 | 典型分值 |
|
||||
| --- | ------------- | ------ | ----- |
|
||||
| 1 | 全概率公式 + 贝叶斯公式 | 12次 | 4-10分 |
|
||||
| 2 | 古典概型(排列组合) | 10次 | 4分 |
|
||||
| 3 | 事件独立性 | 6次 | 4分 |
|
||||
| 4 | 条件概率 + 乘法公式 | 5次 | 4分 |
|
||||
| 5 | 几何概型 | 3次 | 4分 |
|
||||
| | | | |
|
||||
|
||||
### 【示例:一题多角度】
|
||||
|
||||
**核心概念**:同一个概率问题,三种考法层次
|
||||
|
||||
> **同一情境**:袋中有 5 个白球、3 个黑球。不放回地依次取出 2 个球,求"两次都取到白球"的概率。
|
||||
|
||||
**角度一:选择题(概念辨析)**
|
||||
|
||||
下列说法哪个正确?
|
||||
- (A) 第一次取到白球的概率 $= 5/8$,第二次取到白球的概率也是 $5/8$ ✓/✗?
|
||||
- (B) 两次都取到白球的概率 $= (5/8)^2$ ✓/✗?
|
||||
- (C) 第一次取到白球后,第二次取到白球的概率 $= 4/7$ ✓/✗?
|
||||
|
||||
**答案**:(A) 错误——不放回,第二次少了白球;(B) 错误——独立事件公式仅适用于"放回";(C) 正确——条件概率。
|
||||
|
||||
**角度二:填空题(直接计算)**
|
||||
|
||||
$$
|
||||
P(\text{两次都白}) = \frac{C_5^2 \cdot C_3^0}{C_8^2} = \frac{10}{28} = \frac{5}{14}
|
||||
$$
|
||||
|
||||
或用乘法公式:
|
||||
$$
|
||||
P = P(\text{第1次白}) \cdot P(\text{第2次白} \mid \text{第1次白}) = \frac{5}{8} \cdot \frac{4}{7} = \frac{20}{56} = \frac{5}{14}
|
||||
$$
|
||||
|
||||
**角度三:解答题(综合应用)**
|
||||
|
||||
若改为"放回抽样":$P = (5/8)^2 = 25/64$
|
||||
若改为"第一次取到白球才取第二次":用条件概率 $P = 5/8 \cdot 4/7 = 5/14$
|
||||
|
||||
**启示**:
|
||||
- **选择题**考"放回/不放回"的概念辨析
|
||||
- **填空题**考"组合公式 vs 条件概率"两种算法的等价性
|
||||
- **解答题**考"放回与不放回"的对比与综合
|
||||
|
||||
**核心公式速记**:
|
||||
- **不放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$(一次取 $k$ 个)或 $\dfrac{k(k-1)\cdots}{n(n-1)\cdots}$(逐个取)
|
||||
- **放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{N^k} \cdot C_k^j$ 或 $\left(\dfrac{W}{N}\right)^j \left(\dfrac{B}{N}\right)^{k-j} \cdot C_k^j$
|
||||
|
||||
---
|
||||
|
||||
## ④ 方法论与解题通法 (Methodology)
|
||||
|
||||
### 方法〇:概率计算的"四步决策树"
|
||||
|
||||
```
|
||||
概率计算题
|
||||
├── 第一步:定型
|
||||
│ ├── 题目条件等价且有限 → 古典概型(计数)
|
||||
│ ├── 题目条件几何/连续 → 几何概型(测度)
|
||||
│ ├── 题干有"已知某事件发生" → 条件概率
|
||||
│ ├── 多阶段/分层问题 → 全概率公式(正向)或贝叶斯(逆向)
|
||||
│ └── 题干说"独立" → 直接用 P(AB)=P(A)P(B)
|
||||
├── 第二步:建模
|
||||
│ ├── 古典:确定样本空间 Ω,事件 A 包含的样本数
|
||||
│ ├── 几何:确定测度(长度/面积/体积)
|
||||
│ ├── 条件:明确 A|B 的样本空间是 B
|
||||
│ ├── 全概率:找出"原因"的完备事件组 {B_i}
|
||||
│ └── 贝叶斯:先写全概率,再做比值
|
||||
└── 第三步:计算 + 化简
|
||||
```
|
||||
|
||||
### 方法一:全概率公式与贝叶斯公式的"三层判别"
|
||||
|
||||
**判别口诀**:
|
||||
- "**已经看到结果**,求某个原因的概率" → 贝叶斯
|
||||
- "**还没看到结果**,求结果的概率" → 全概率
|
||||
- "**分阶段**问题:原因 → 结果" → 全概率正向
|
||||
|
||||
**完整套路**(以"机器生产次品"为例):
|
||||
|
||||
```
|
||||
1. 识别"原因":三台机器 {B1, B2, B3}
|
||||
2. 写先验概率:P(B1), P(B2), P(B3)(已知占比)
|
||||
3. 写似然概率:P(A|Bi)(每台机器的次品率)
|
||||
4. 全概率:P(A) = Σ P(Bi) P(A|Bi)
|
||||
5. 贝叶斯:P(Bi|A) = P(Bi) P(A|Bi) / P(A)
|
||||
```
|
||||
|
||||
### 方法二:古典概型中"计数"的判别技巧
|
||||
|
||||
**三步判别法**:
|
||||
|
||||
1. **是否有序?** 取出的样本需不需要考虑顺序
|
||||
- 有序 → 排列 $A_n^k$
|
||||
- 无序 → 组合 $C_n^k$
|
||||
2. **是否放回?** 取出一个后是否归位再取
|
||||
- 放回 → 各次独立,可用乘法公式
|
||||
- 不放回 → 条件概率,$P(B|A)$ 的样本空间缩小
|
||||
3. **是否等价?** 每个基本事件是否等可能
|
||||
- 古典概型必备条件;否则不能用 $k/n$
|
||||
|
||||
*极简例子:*
|
||||
- "从 5 个球中**有序**取 2 个" → $A_5^2 = 20$
|
||||
- "从 5 个球中**无序**取 2 个" → $C_5^2 = 10$
|
||||
- "从 5 个球中**放回**取 2 个" → $5^2 = 25$
|
||||
- "从 5 个球中**不放回**取 2 个" → $5 \times 4 = 20$
|
||||
|
||||
### 方法三:条件概率的"缩域"思维
|
||||
|
||||
**核心**:条件概率 $P(A|B)$ 就是把样本空间从 $\Omega$ **缩小**到 $B$,再求 $A$ 在新空间中的占比。
|
||||
|
||||
*极简例子:* 掷两骰,已知点数和为 7,求两骰相同的概率:
|
||||
- 朴素:$P(A) = 6/36 = 1/6$
|
||||
- 条件:$B = \{(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)\}$(6 种)
|
||||
- $A = \{(1,1), (2,2), \ldots, (6,6)\}$(6 种)
|
||||
- $A \cap B = \varnothing$(和为 7 时不可能相同)
|
||||
- $P(A|B) = 0/6 = 0$
|
||||
|
||||
> "缩域"思维能避免"原始样本空间求 $P(A)$"的陷阱。
|
||||
|
||||
### 方法四:独立性的"三种验证法"
|
||||
|
||||
| 方法 | 适用情况 |
|
||||
|------|---------|
|
||||
| **定义法**:验证 $P(AB) = P(A)P(B)$ | 最通用 |
|
||||
| **条件概率法**:$P(B\|A) = P(B)$(或 $P(A\|B) = P(A)$) | 已知条件概率 |
|
||||
| **对称法**:$A$ 独立等价于 $\bar{A}$ 独立;与对立事件独立保留 | 简化问题 |
|
||||
|
||||
### 方法五:跨章节通法速查表
|
||||
|
||||
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|
||||
|---------|------------|------------|---------|
|
||||
| **分类讨论(完备事件组)** | 全概率公式 | Ch04 贝叶斯决策、Ch08 参数估计 | 事件可按"原因"分类 |
|
||||
| **条件概率思维** | $P(A\|B)$ | Ch02 条件分布、Ch04 条件期望 | 已知部分信息 |
|
||||
| **等价变换** | $P(A \cup B)$ 拆分 | Ch02 边缘分布、Ch04 联合分布 | 复杂事件化简 |
|
||||
| **独立性应用** | $P(AB)=P(A)P(B)$ | Ch02 随机变量独立、Ch03 协方差 | 多变量无关联 |
|
||||
| **逆向思维(贝叶斯)** | $P(B_i \| A)$ | Ch08 假设检验、最小风险决策 | 由结果反推原因 |
|
||||
|
||||
### 方法六:独立性 vs 互不相容 vs 对立(辨析链)
|
||||
|
||||
```
|
||||
互不相容 ↔ AB = ∅ (集合关系)
|
||||
↓ P(AB) = 0
|
||||
独立 ↔ P(AB) = P(A)P(B) (概率关系)
|
||||
↓ P(A)P(B) > 0(一般情况下)
|
||||
对立 ↔ A ∪ Ā = Ω, A Ā = ∅ (互不相容的特殊情况 + 穷尽)
|
||||
```
|
||||
|
||||
**核心判别**:
|
||||
- 互不相容 $\neq$ 独立(除非某事件概率为 0)
|
||||
- 对立 $\Rightarrow$ 互不相容,但**不独立**(除非某事件概率为 0)
|
||||
- **三个"对立事件"也两两互不相容,但不一定两两独立**(如掷骰子 $A_1=\{1\}, A_2=\{2\}, A_3=\{3,4,5,6\}$)
|
||||
|
||||
---
|
||||
|
||||
## ⑤ 易错点红黑榜 (The Pitfall List)
|
||||
|
||||
### ❌ 错误 1:把"互不相容"和"独立"混为一谈
|
||||
|
||||
- **错误表现**:认为 $A, B$ 互不相容就是独立
|
||||
- **正确理解**:互不相容 $\Rightarrow P(AB) = 0$,而独立要求 $P(AB) = P(A)P(B)$。两者关系:
|
||||
- 若 $A, B$ 互不相容且 $P(A)P(B) > 0$,则**不独立**
|
||||
- 反例:掷骰子 $A = \{1\}, B = \{2\}$ 互不相容,但不独立
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ "A, B 不可能同时发生" → 独立
|
||||
✅ "P(AB) = P(A)P(B)" → 独立
|
||||
```
|
||||
|
||||
### ❌ 错误 2:放回/不放回公式混用
|
||||
|
||||
- **错误表现**:不放回抽样用了放回公式 $(W/N)^j (B/N)^{k-j}$
|
||||
- **正确理解**:放回用乘法公式(独立),不放回用条件概率或组合
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ 不放回取2球全白:P = (5/8)² = 25/64 (错!应用了独立假设)
|
||||
✅ 不放回取2球全白:P = 5/8 × 4/7 = 5/14 (条件概率)
|
||||
```
|
||||
|
||||
### ❌ 错误 3:贝叶斯公式分子分母颠倒
|
||||
|
||||
- **错误表现**:$P(B_i | A)$ 写成了 $P(A | B_i)$ 与 $P(B_i)$ 的商(虽然形式对,但概念上没分清)
|
||||
- **正确理解**:
|
||||
- **全概率**:$P(A) = \sum P(B_i) P(A | B_i)$(正向:原因 → 结果)
|
||||
- **贝叶斯**:$P(B_i | A) = \dfrac{P(B_i) P(A | B_i)}{\sum P(B_j) P(A | B_j)}$(逆向:结果 → 原因)
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ P(B_i|A) = P(A|Bi) / P(B_i) (错误对应)
|
||||
✅ P(B_i|A) = P(B_i) P(A|Bi) / P(A) (贝叶斯)
|
||||
```
|
||||
|
||||
### ❌ 错误 4:完备事件组穷尽性遗漏
|
||||
|
||||
- **错误表现**:写 $P(A) = \sum P(B_i) P(A|B_i)$ 时,$B_i$ 没有覆盖 $\Omega$ 全部情形
|
||||
- **正确理解**:$\{B_i\}$ 必须两两互斥**且**穷尽($\bigcup B_i = \Omega$)
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ A = {及格},B1 = {男生及格},B2 = {女生及格} → 缺"男生不及格 + 女生不及格"
|
||||
✅ B1 = {男生}, B2 = {女生}(穷尽),然后 P(A|Bi) 各算一次
|
||||
```
|
||||
|
||||
### ❌ 错误 5:德摩根律的符号方向错误
|
||||
|
||||
- **错误表现**:$\overline{A \cup B} = \bar{A} \cup \bar{B}$(错!)
|
||||
- **正确理解**:$\overline{A \cup B} = \bar{A} \cap \bar{B}$,$\overline{A \cap B} = \bar{A} \cup \bar{B}$(**长变短**)
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ "都不发生" 的 "或" → Ā ∪ B̄
|
||||
✅ "都不发生" 的 "且" → Ā ∩ B̄ (∩和∪在德摩根律中互换)
|
||||
```
|
||||
|
||||
### ❌ 错误 6:把"频率"和"概率"混淆
|
||||
|
||||
- **错误表现**:认为频率就是概率
|
||||
- **正确理解**:频率是**试验统计量**(随 $n$ 变化),概率是**理论常数**。频率稳定于概率,但二者不等。
|
||||
|
||||
### ❌ 错误 7:条件概率分母遗忘
|
||||
|
||||
- **错误表现**:$P(A | B)$ 算成 $P(AB)$ 而忘了除以 $P(B)$
|
||||
- **正确理解**:$P(A | B) = \dfrac{P(AB)}{P(B)}$(**分子是交,分母是条件**)
|
||||
|
||||
---
|
||||
|
||||
## ⑥ 考研导向复习策略 (Exam Strategy)
|
||||
|
||||
### 优先级与建议题量
|
||||
|
||||
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|
||||
|--------|--------|-----------|------|
|
||||
| 全概率 + 贝叶斯公式 | **高** | 30+ 道 | 每年必考,应用最广 |
|
||||
| 古典概型(排列组合) | **高** | 25+ 道 | 计数是基本功 |
|
||||
| 事件独立性 | **高** | 12 道 | 与 Ch02 随机变量独立直接关联 |
|
||||
| 条件概率 + 乘法公式 | **高** | 15 道 | 全概率公式的基础 |
|
||||
| 几何概型 | **中** | 6 道 | 套路固定,但近年偶有小题 |
|
||||
| 事件运算 / 文氏图 | **中** | 8 道 | 概念题,常与公理化定义结合 |
|
||||
| 频率 vs 概率 | **低** | 2 道 | 概念辨析,几乎不直接考 |
|
||||
|
||||
### 跨章节连接
|
||||
|
||||
```
|
||||
┌─────────────────────────────────┐
|
||||
│ 本章 (Ch01) 概率论的基本概念 │
|
||||
│ · 事件运算 / 概率公理 / 古典 │
|
||||
│ · 条件概率 / 全概率 / 贝叶斯 │
|
||||
│ · 独立性 │
|
||||
└───────────────┬─────────────────┘
|
||||
│
|
||||
┌───────────────┬───────────────┼───────────────┬───────────────┐
|
||||
↓ ↓ ↓ ↓ ↓
|
||||
Ch02 随机变量 Ch03 多维随机 Ch04 数字特征 Ch05 大数定律 Ch06 数理统计
|
||||
分布律↔事件概率 联合分布↔独立性 E(X)↔ΣxP(A) X̄→μ 依概率 样本→总体
|
||||
F(x)=P(X≤x) 条件分布 协方差↔独立 中心极限定理 参数估计
|
||||
独立性判定 协方差矩阵 相关系数 正态近似 假设检验
|
||||
```
|
||||
|
||||
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
|
||||
|
||||
**模式 1:全概率公式 + 古典概型**
|
||||
> 例题:甲乙两人轮流投篮,甲先投,命中即停。甲投篮命中率 0.6,乙 0.7。求"甲投篮"的概率。
|
||||
>
|
||||
> **解**:设 $A = $"甲投",$A_k = $"第 $k$ 次投篮轮到甲"。$P(A_k) = (1-0.6)(1-0.7) = 0.12$。
|
||||
> $P(A) = \sum_{k=0}^{\infty} (0.12)^k \cdot 0.6 = 0.6 / (1 - 0.12) = 0.6/0.88 = 15/22$
|
||||
>
|
||||
> **考点**:全概率公式 + 等比级数求和。
|
||||
|
||||
**模式 2:贝叶斯公式 + 条件概率**
|
||||
> 例题:保险公司给 1000 名司机承保。历史数据显示:年轻司机出险率 30%,年长司机 10%。年轻司机占 40%。现有一司机出险,求"他是年轻司机"的概率。
|
||||
>
|
||||
> **解**:$P(\text{年轻} | \text{出险}) = \dfrac{0.4 \times 0.3}{0.4 \times 0.3 + 0.6 \times 0.1} = \dfrac{0.12}{0.18} = 2/3$
|
||||
>
|
||||
> **考点**:贝叶斯公式直接应用,跨 Ch08 决策理论的基础。
|
||||
|
||||
**模式 3:古典概型 + 几何概型**
|
||||
> 例题:在 $[0, 1]$ 上随机取两个数,求"它们之和不超过 1"的概率。
|
||||
>
|
||||
> **解**:设 $x, y \in [0, 1]$,样本空间是单位正方形,面积 1。事件 $A$ 是 $x + y \le 1$ 的三角形,面积 $1/2$。$P(A) = 1/2$。
|
||||
>
|
||||
> **考点**:几何概型 + 坐标系图示。
|
||||
|
||||
**模式 4:独立性 + 乘法公式**
|
||||
> 例题:设 $A, B$ 独立,$P(A) = 0.4, P(B) = 0.5$。求 $P(A \cup B)$ 和 $P(\bar{A} | B)$。
|
||||
>
|
||||
> **解**:$P(A \cup B) = 0.4 + 0.5 - 0.4 \times 0.5 = 0.7$;$P(\bar{A} | B) = 1 - P(A | B) = 1 - P(A) = 0.6$(独立)
|
||||
>
|
||||
> **考点**:独立性 = 条件概率等于无条件概率。
|
||||
|
||||
#### 🔗 与 Ch02 随机变量的衔接(提前预告)
|
||||
|
||||
| 本章概念 | Ch02 对应 | 关系 |
|
||||
|---------|----------|------|
|
||||
| 事件 $A$ | $\{X \in I\}$ | 事件是随机变量取某值的集合 |
|
||||
| $P(A)$ | $P(X \in I)$ | 概率是分布律在某个区间上的累加 |
|
||||
| 独立性 $A, B$ | $X, Y$ 独立 | 随机变量独立的判定基础 |
|
||||
| 全概率公式 | 混合分布 | 离散型分布的全概率推导 |
|
||||
|
||||
---
|
||||
|
||||
### 【终极母题推荐】
|
||||
|
||||
> **题目**:设甲袋有 3 白 2 黑,乙袋有 2 白 3 黑。先从甲袋**不放回**地任取 1 球放入乙袋,再从乙袋**不放回**地任取 1 球。求:
|
||||
>
|
||||
> (1) 从乙袋取到白球的概率;
|
||||
> (2) 若已知从乙袋取到白球,求从甲袋放入乙袋的是白球的概率。
|
||||
|
||||
**此题融合**:
|
||||
- 全概率公式(问题 1):完备事件组 $\{B_1, B_2\}$ = "放入白球 / 放入黑球"
|
||||
- 贝叶斯公式(问题 2):在已知结果(取到白球)的条件下反推原因
|
||||
- 古典概型 + 乘法公式(每步概率)
|
||||
- **多阶段 + 不放回**的复合情境
|
||||
|
||||
**为什么这是"终极母题"**:
|
||||
✅ 全概率公式 + 贝叶斯公式是考研概率论第一热点
|
||||
✅ "甲→乙→再取"的多阶段结构是经典命题模板
|
||||
✅ 不放回 vs 放回的概念辨析(最易出错)
|
||||
✅ 涉及到的概念:事件划分、条件概率、乘法公式、独立性
|
||||
|
||||
**🔗 这道题的 Ch02 升级版(提前预告)**:
|
||||
> 条件不变,改为"甲袋每次放入 1 球后**放回**,重复 $n$ 次,求 $n$ 次中乙袋白球数 $Y$ 的分布律"。
|
||||
>
|
||||
> → 这就是**随机变量的分布律**。你会发现:本章的全概率公式对应 Ch02 的"混合分布",本章的事件独立性对应 Ch02 的"随机变量独立性"。**本章是 Ch02 的"事件视角",Ch02 是本章的"变量视角",二者互为镜像。**
|
||||
|
||||
**这道题做完且理解透彻 → 本章"通关"。**
|
||||
|
||||
---
|
||||
|
||||
> **下一步**:完成后可进入 [[Ch02_随机变量及其分布/Ch02_Random_Variables|Ch02 随机变量及其分布]],事件的概率将升级为随机变量的分布律。
|
||||
@@ -0,0 +1,94 @@
|
||||
# 题型一:事件的关系与运算
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干出现"且/或/至少/至多/同时发生"
|
||||
- 需要判断事件之间的**包含、相等、互斥、对立**关系
|
||||
- 需要化简复杂事件表达式(用**德摩根律**)
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:事件运算题] --> B{需要化简?}
|
||||
B -->|是| C[用德摩根律: ∪↔∩ 互换]
|
||||
B -->|否| D{需要画图?}
|
||||
D -->|是| E[画文氏图 标注区域]
|
||||
D -->|否| F[列运算律表]
|
||||
C --> G[写出最终事件表达式]
|
||||
E --> G
|
||||
F --> G
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、事件关系判断
|
||||
|
||||
| 关系 | 符号 | 判断 |
|
||||
|------|------|------|
|
||||
| $A \subset B$ | 包含 | $A$ 发生必导致 $B$ 发生 |
|
||||
| $A = B$ | 相等 | 双向包含 |
|
||||
| $A \cap B = \varnothing$ | 互斥 | 不可能同时发生 |
|
||||
| $A \cup \bar{A} = \Omega$, $A \bar{A} = \varnothing$ | 对立 | 必有一个且仅一个 |
|
||||
| $A \cap \bar{A} = \varnothing$ | 不相容 | 包含于对立关系 |
|
||||
|
||||
### 二、事件运算律
|
||||
|
||||
**关键口诀**:**"长变短,$\cup$ 变 $\cap$,全加逆"**(德摩根律)
|
||||
- $\overline{A \cup B} = \bar{A} \cap \bar{B}$
|
||||
- $\overline{A \cap B} = \bar{A} \cup \bar{B}$
|
||||
|
||||
**分配律**:
|
||||
- $A \cup (BC) = (A \cup B)(A \cup C)$
|
||||
- $A(B \cup C) = AB \cup AC$
|
||||
|
||||
### 三、文氏图(4 大经典)
|
||||
|
||||
**画图套路**:
|
||||
1. 长方形 = $\Omega$
|
||||
2. 圆形/椭圆 = 各个事件
|
||||
3. 重叠区域 = 交集
|
||||
4. 空白区域 = 全集减去各事件
|
||||
|
||||
**4 集合文氏图**:
|
||||
- 4 个圆分成 15 个非空区域(外区域、1-集合、2-交集、3-交集、4-交集)
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- 把**互斥**与**对立**混淆(对立是互斥的特殊情况,要求穷尽)
|
||||
- 德摩根律用错:$\overline{A \cup B} = \bar{A} \cup \bar{B}$(错!是 $\bar{A} \cap \bar{B}$)
|
||||
- 文氏图画错区域,导致 $P(A \cup B)$ 算错
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:设 $A, B, C$ 是三个事件,试用 $A, B, C$ 表示下列事件:
|
||||
> (1) 仅 $A$ 发生;
|
||||
> (2) $A, B, C$ 都不发生;
|
||||
> (3) $A, B, C$ 不都发生;
|
||||
> (4) 至少两个发生。
|
||||
|
||||
**解析**:
|
||||
|
||||
(1) 仅 $A$ 发生:$A \bar{B} \bar{C}$ 或 $A - (B \cup C)$
|
||||
|
||||
(2) $A, B, C$ 都不发生:$\bar{A} \bar{B} \bar{C}$ 或 $\overline{A \cup B \cup C}$
|
||||
|
||||
(3) $A, B, C$ 不都发生:$\overline{ABC} = \bar{A} \cup \bar{B} \cup \bar{C}$(注意:"不都" ≠ "都不"!)
|
||||
|
||||
(4) 至少两个发生:$AB \cup AC \cup BC$ 或 $AB \bar{C} \cup A \bar{B} C \cup \bar{A} BC \cup ABC$
|
||||
|
||||
**复盘**:
|
||||
- "**不都**"对应 $\overline{ABC}$,展开后是 $\bar{A} \cup \bar{B} \cup \bar{C}$(德摩根律)
|
||||
- "**至少两个**"是常见陷阱题,等于"两个都发生 + 三个都发生"的所有组合
|
||||
|
||||
---
|
||||
|
||||
> **变式**:用事件表示"事件 $A$ 发生但 $B$ 不发生":
|
||||
|
||||
**解**:$A \bar{B}$ 或 $A - B$ 或 $A - AB$(三种写法等价)
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**且**字用 $\cap$(或省略)"
|
||||
> - "**或**字用 $\cup$"
|
||||
> - "**都不**用德摩根律变成"都不的逆"
|
||||
> - "**不都**是 $\overline{ABC}$,不是 $\bar{A}\bar{B}\bar{C}$"
|
||||
@@ -0,0 +1,108 @@
|
||||
# 题型二:古典概型(排列组合)
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 样本空间**有限**且**等可能**
|
||||
- 涉及**摸球、分房、抽样、取数**等计数问题
|
||||
- 需要识别"有序/无序""放回/不放回"
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:古典概型] --> B[判断抽样方式]
|
||||
B --> C{有序/无序?}
|
||||
C -->|有序| D[用排列 Aᵏₙ]
|
||||
C -->|无序| E[用组合 Cᵏₙ]
|
||||
B --> F{放回/不放回?}
|
||||
F -->|放回| G[每次独立, 乘法公式]
|
||||
F -->|不放回| H[条件概率或组合]
|
||||
D --> I[计算样本总数 N]
|
||||
E --> I
|
||||
G --> I
|
||||
H --> I
|
||||
I --> J[计算有利事件数 M]
|
||||
J --> K["P(A) = M/N"]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、三种抽样模型
|
||||
|
||||
| 模型 | 描述 | 样本数 | 概率计算 |
|
||||
| ------------- | -------- | ------- | ------------------------------------------------------------------------ |
|
||||
| **一次取 $k$ 个** | 无放回,一次取出 | $C_N^k$ | $\dfrac{C_W^j C_B^{k-j}}{C_N^k}$ |
|
||||
| **逐个取 $k$ 次** | 无放回,逐次取出 | $A_N^k$ | $\dfrac{C_W^j C_B^{k-j}}{C_N^k}$(分子相同!原因:组合不依赖顺序) |
|
||||
| **放回取 $k$ 次** | 每次放回再取 | $N^k$ | $\dfrac{C_W^j C_B^{k-j}}{N^k} \cdot C_k^j$ 或 $(W/N)^j (B/N)^{k-j} C_k^j$ |
|
||||
| | | | |
|
||||
|
||||
### 二、排列组合公式速查
|
||||
|
||||
| 公式 | 含义 |
|
||||
|------|------|
|
||||
| $A_n^k = \dfrac{n!}{(n-k)!}$ | 从 $n$ 个**有序**取 $k$ 个 |
|
||||
| $C_n^k = \dfrac{n!}{k!(n-k)!}$ | 从 $n$ 个**无序**取 $k$ 个 |
|
||||
| $C_n^k = C_n^{n-k}$ | 对称性 |
|
||||
|
||||
### 三、典型模型
|
||||
|
||||
**模型 A:摸球模型**
|
||||
- 盒中 $N$ 个球($W$ 白 $B$ 黑),求"取 $k$ 个有 $j$ 个白"
|
||||
- **不放回 + 一次取**:$\dfrac{C_W^j C_B^{k-j}}{C_N^k}$
|
||||
- **放回**:$C_k^j \left(\dfrac{W}{N}\right)^j \left(\dfrac{B}{N}\right)^{k-j}$
|
||||
|
||||
**模型 B:分房模型**
|
||||
- $n$ 个人进 $N$ 个房间(不限人数):$N^n$
|
||||
- 某指定 $n$ 个房各 1 人:$n!$
|
||||
- 至少两人同房:$1 - \dfrac{n! N!/N!}{N^n} = 1 - \dfrac{n!}{N^n}$(其中 $\dfrac{n!}{N^n}$ 用错位公式)
|
||||
|
||||
**模型 C:随机取数模型**
|
||||
- $\{1, 2, \ldots, n\}$ 取 $k$ 个数(有序/无序)
|
||||
- 求"取出的数大于/小于某值"的概率
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- 区分**有序/无序**:题目问"两次都取到白球"是有序还是无序?
|
||||
- 答案:看作"取出后**不放回**",结果只关心**集合**(不关心顺序),所以用**组合**。
|
||||
- 放回 vs 不放回:用 $(W/N)^j$ 还是条件概率?判断关键——"每次取后是否归位"
|
||||
- **超几何分布**的识别:"从 $N$ 个产品中取 $k$ 个,次品数 $X$ 的分布"是不放回模型
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:袋中有 5 个白球、3 个黑球。不放回地依次取 2 个球,求:
|
||||
> (1) 两次都取到白球;
|
||||
> (2) 第二次才取到白球;
|
||||
> (3) 至少取到一个白球。
|
||||
|
||||
**解析**:
|
||||
|
||||
**方法 1:组合公式**(一次取 2 个)
|
||||
- 总数:$C_8^2 = 28$
|
||||
|
||||
(1) 都取白:$\dfrac{C_5^2}{C_8^2} = \dfrac{10}{28} = \dfrac{5}{14}$
|
||||
|
||||
(2) 第二次才取到白(第一次黑,第二次白):$\dfrac{C_3^1 C_5^1}{C_8^2} = \dfrac{15}{28} = \dfrac{15}{28}$
|
||||
|
||||
(3) 至少取到一个白 $= 1 - $ 一个都取不到 $= 1 - \dfrac{C_3^2}{C_8^2} = 1 - \dfrac{3}{28} = \dfrac{25}{28}$
|
||||
|
||||
**方法 2:条件概率 / 乘法公式**(逐个取)
|
||||
|
||||
(1) $P = \dfrac{5}{8} \times \dfrac{4}{7} = \dfrac{20}{56} = \dfrac{5}{14}$ ✓
|
||||
|
||||
(2) $P = \dfrac{3}{8} \times \dfrac{5}{7} = \dfrac{15}{56}$(注意分母!)
|
||||
|
||||
> **注意**:方法 2 的分母是 $8 \times 7 = 56$,不是 $C_8^2 = 28$。因为方法 2 把"逐个取"看作**有序**,总数为 $A_8^2 = 56$。
|
||||
> **结论**:分子用 $C_W^j C_B^{k-j}$ 时,分母用 $C_N^k$(组合形式相同);分母用 $A_N^k$ 时,分子用 $\dfrac{W!}{(W-j)!} \cdot \dfrac{B!}{(B-k+j)!}$(排列形式)。
|
||||
|
||||
**复盘**:两种方法等价,但分母选择决定了样本数。**统一用"组合形式"**最安全。
|
||||
|
||||
---
|
||||
|
||||
> **变式**:6 名男生、4 名女生,从中选 4 人,求"恰好 2 男 2 女"的概率。
|
||||
|
||||
**解**:$\dfrac{C_6^2 C_4^2}{C_{10}^4} = \dfrac{15 \times 6}{210} = \dfrac{90}{210} = \dfrac{3}{7}$
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**有序**用 $A$,**无序**用 $C$"
|
||||
> - "**放回**用幂次,**不放回**用组合"
|
||||
> - "**至少**问题:用 $1 - $ 反面"
|
||||
@@ -0,0 +1,99 @@
|
||||
# 题型三:几何概型
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 样本空间是**连续几何区域**(线段、平面、空间)
|
||||
- **等可能**落入各点(均匀分布)
|
||||
- 求某几何子区域的概率
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:几何概型] --> B[确定维度]
|
||||
B -->|一维| C[长度比]
|
||||
B -->|二维| D[面积比]
|
||||
B -->|三维| E[体积比]
|
||||
C --> F["P = 有利长度 / 总长度"]
|
||||
D --> G["P = 有利面积 / 总面积"]
|
||||
E --> H["P = 有利体积 / 总体积"]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、核心公式
|
||||
|
||||
$$
|
||||
P(A) = \frac{\text{事件 } A \text{ 对应子区域的测度}}{\text{样本空间 } \Omega \text{ 的测度}}
|
||||
$$
|
||||
|
||||
### 二、典型模型
|
||||
|
||||
**模型 A:会面问题**
|
||||
- 两人约在 $[0, T]$ 内到达,先到者等 $t$ 分钟,求两人会面概率
|
||||
- 设到达时间 $x, y$,样本空间 $[0, T]^2$
|
||||
- 会面条件:$|x - y| \le t$
|
||||
- $P = 1 - \dfrac{(T-t)^2}{T^2} = \dfrac{2tT - t^2}{T^2}$(图形法求面积)
|
||||
|
||||
**模型 B:随机取数模型**
|
||||
- $[0, 1]$ 上取两个数 $x, y$,求 $x + y \le c$ 的概率
|
||||
- 样本空间是单位正方形,面积 1
|
||||
- $x + y \le c$ 的区域:当 $c \le 1$ 是三角形面积 $c^2/2$;当 $c > 1$ 是 1 - 缺角面积
|
||||
|
||||
**模型 C:投针问题(Buffon)**
|
||||
- 平面有等距平行线(间距 $d$),针长 $l \le d$,求针与线相交概率
|
||||
- $P = \dfrac{2l}{\pi d}$(蒲丰投针)
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **样本空间**不是 $[0,1]$,而是 $[0,1]^2$(两个变量)
|
||||
- 几何概型中**均匀分布**假设必须成立
|
||||
- 落入区域时**边界**(长度/面积为 0)忽略不计
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:在 $[0, 1]$ 上随机取两个数 $x, y$,求:
|
||||
> (1) $x + y \le 1$ 的概率;
|
||||
> (2) $xy \le 1/2$ 的概率。
|
||||
|
||||
**解析**:
|
||||
|
||||
设样本空间 $\Omega = \{(x, y) : 0 \le x \le 1, 0 \le y \le 1\}$,面积 = 1。
|
||||
|
||||
**问题 (1)**:$x + y \le 1$ 是直角三角形(直角边长 1),面积 = $\dfrac{1}{2}$。
|
||||
$P(x + y \le 1) = \dfrac{1/2}{1} = \dfrac{1}{2}$
|
||||
|
||||
**问题 (2)**:$xy \le 1/2$ 在单位正方形内。
|
||||
|
||||
- 当 $0 < x \le 1/2$:$y$ 任意都行($xy \le x/2 \le 1/4 < 1/2$)
|
||||
- 当 $1/2 < x \le 1$:$y \le \dfrac{1}{2x}$,即 $y \in [0, 1/(2x)]$
|
||||
|
||||
有利面积:
|
||||
$$
|
||||
\int_0^{1/2} 1 \, dx + \int_{1/2}^1 \frac{1}{2x} dx = \frac{1}{2} + \frac{1}{2}\ln x \Big|_{1/2}^1 = \frac{1}{2} + \frac{1}{2}(0 - \ln \frac{1}{2}) = \frac{1}{2} + \frac{\ln 2}{2}
|
||||
$$
|
||||
|
||||
$P(xy \le 1/2) = \dfrac{1 + \ln 2}{2} \approx 0.847$
|
||||
|
||||
**复盘**:
|
||||
- 问题 (1) 用**面积比**,是简单的几何概型
|
||||
- 问题 (2) 用**积分**,考察是否熟悉"几何概率 + 积分"综合题
|
||||
|
||||
> **陷阱**:直接写 $\dfrac{1/2}{1} = 1/2$ 来算 (2) 是错的,因为事件区域**不是**矩形。
|
||||
|
||||
---
|
||||
|
||||
> **变式**:甲在 $[0, 30]$ 分钟内等可能到达,乙在 $[10, 40]$ 分钟内等可能到达(独立),求"先到者等后到者不超过 5 分钟"的概率。
|
||||
|
||||
**解**:
|
||||
- 样本空间:$[0, 30] \times [10, 40]$,面积 $30 \times 30 = 900$
|
||||
- 设甲到达 $x \in [0, 30]$,乙到达 $y \in [10, 40]$
|
||||
- 条件:$|x - y| \le 5$
|
||||
- 有利区域:$(x - y)^2 \le 25$,即带状区域
|
||||
- 通过作图(不规则六边形),面积 = $30 \times 30 - (25 \times 25) = 900 - 625 = 275$(减去两个不满足的三角形)
|
||||
- $P = 275/900 = 11/36$
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**会面**问题:作图 → 求面积比"
|
||||
> - "**随机取数**问题:积分或作图"
|
||||
> - "**均匀分布** + **几何区域** = 几何概型"
|
||||
@@ -0,0 +1,104 @@
|
||||
# 题型四:条件概率与乘法公式
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干出现"**已知**"、"**在 ... 条件下**"、"**如果**"
|
||||
- 需要求 $P(A | B)$ 或 $P(AB)$
|
||||
- 涉及"分阶段"问题
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:条件概率] --> B{求什么?}
|
||||
B -->|"已知B, 求A"| C["P(A|B) = P(AB)/P(B)"]
|
||||
B -->|"已知A, 求B"| D["P(B|A) = P(AB)/P(A)"]
|
||||
B -->|"求联合P AB"| E["P(AB) = P(B) P(A|B)"]
|
||||
B --> F{多事件?}
|
||||
F -->|是| G[链式法则]
|
||||
F -->|否| H[用上述公式]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、条件概率公式
|
||||
|
||||
$$
|
||||
P(A | B) = \frac{P(AB)}{P(B)} \quad (P(B) > 0)
|
||||
$$
|
||||
|
||||
**核心**:把 $\Omega$ 缩小到 $B$,再求 $A$ 在 $B$ 中的占比。
|
||||
|
||||
### 二、乘法公式
|
||||
|
||||
$$
|
||||
P(AB) = P(B) \cdot P(A | B) = P(A) \cdot P(B | A)
|
||||
$$
|
||||
|
||||
### 三、链式法则
|
||||
|
||||
$$
|
||||
P(A_1 A_2 \cdots A_n) = P(A_1) \cdot P(A_2 | A_1) \cdot P(A_3 | A_1 A_2) \cdots P(A_n | A_1 \cdots A_{n-1})
|
||||
$$
|
||||
|
||||
要求 $P(A_1 A_2 \cdots A_{n-1}) > 0$。
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **分母搞错**:$P(A|B) = P(AB)/P(B)$,不是 $P(AB)/P(A)$
|
||||
- **条件概率无对称性**:$P(A|B) \neq P(B|A)$(二者通常不等!)
|
||||
- 多个条件概率连乘时,每步的"条件"必须满足**当前已知的所有事件**
|
||||
- **链式法则**的分母条件:每步条件概率的条件事件必须有正概率
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:设袋中有 $a$ 个白球、$b$ 个黑球。先后两次不放回地取球,求:
|
||||
> (1) 已知第一次取到白球,第二次取到黑球的概率;
|
||||
> (2) 两次都取到白球的概率。
|
||||
|
||||
**解析**:
|
||||
|
||||
**问题 (1)**:设 $A$ = "第一次取到白球",$B$ = "第二次取到黑球"。
|
||||
$$
|
||||
P(B | A) = \frac{\text{第一次取白后剩 } a-1 \text{ 白 } b \text{ 黑}}{\text{总数 } a+b-1} = \frac{b}{a+b-1}
|
||||
$$
|
||||
|
||||
**问题 (2)**:用乘法公式。
|
||||
$$
|
||||
P(AB) = P(A) \cdot P(B | A) = \frac{a}{a+b} \cdot \frac{b}{a+b-1} = \frac{ab}{(a+b)(a+b-1)}
|
||||
$$
|
||||
|
||||
也可用组合公式:
|
||||
$$
|
||||
P(AB) = \frac{C_a^1 C_b^1}{C_{a+b}^2} \cdot \text{(顺序系数约掉)} = \frac{a \cdot b}{(a+b)(a+b-1)}
|
||||
$$
|
||||
|
||||
**复盘**:不放回抽样是**链式法则**最经典的应用场景。两个方法结果一致,体现了**条件概率与组合计数**的等价性。
|
||||
|
||||
---
|
||||
|
||||
> **变式**:设事件 $A, B$ 满足 $P(A) = 0.5, P(B) = 0.6, P(A \cup B) = 0.8$,求 $P(A | B)$。
|
||||
|
||||
**解**:
|
||||
- $P(AB) = P(A) + P(B) - P(A \cup B) = 0.5 + 0.6 - 0.8 = 0.3$
|
||||
- $P(A | B) = P(AB) / P(B) = 0.3 / 0.6 = 0.5 = P(A)$
|
||||
|
||||
> **关键观察**:$P(A | B) = P(A)$ 意味着 $A, B$ **相互独立**(见题型 6)。
|
||||
|
||||
---
|
||||
|
||||
> **变式 2**:某城市居民患肝癌的概率为 $0.04$。普查时用甲方法检验,肝癌患者检出率 $0.95$,非患者误诊率 $0.05$。求"检验为阳性者确实患肝癌"的概率。
|
||||
|
||||
**解**(这是贝叶斯问题):
|
||||
- 设 $H$ = "患肝癌",$\bar{H}$ = "未患",$+$ = "检验阳性"
|
||||
- $P(H) = 0.04, P(\bar{H}) = 0.96$
|
||||
- $P(+ | H) = 0.95, P(+ | \bar{H}) = 0.05$
|
||||
- $P(+) = 0.04 \times 0.95 + 0.96 \times 0.05 = 0.038 + 0.048 = 0.086$
|
||||
- $P(H | +) = \dfrac{0.04 \times 0.95}{0.086} \approx 0.442$
|
||||
|
||||
**结论**:阳性者中仅约 44% 真患肝癌——这就是"假阳性率"问题。
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**已知B求A**:$P(A|B) = P(AB)/P(B)$"
|
||||
> - "**多阶段**:链式法则(条件概率连乘)"
|
||||
> - "**分母是当前的条件事件**,不是无条件概率"
|
||||
@@ -0,0 +1,116 @@
|
||||
# 题型五:全概率公式与贝叶斯公式 ⭐⭐⭐
|
||||
|
||||
## 识别特征
|
||||
|
||||
- **全概率**:题目有**多阶段**结构("原因 → 结果")
|
||||
- 例如:3 台机器生产产品,已知产量占比和次品率,求总次品率
|
||||
- **贝叶斯**:已知**结果**,求**原因**的概率
|
||||
- 例如:已知产品是次品,求"它来自第几台机器"
|
||||
- 题干必有**完备事件组**($B_1, B_2, \ldots, B_n$)作为"原因"
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:多阶段问题] --> B{求什么?}
|
||||
B -->|"原因已知, 求结果"| C[全概率公式]
|
||||
B -->|"结果已知, 求原因"| D[贝叶斯公式]
|
||||
C --> E[1. 识别完备事件组 Bi]
|
||||
E --> F[2. 写先验 P Bi 和似然 P A|Bi]
|
||||
F --> G[3. P A = Σ P Bi P A|Bi]
|
||||
D --> H[1. 先用全概率求 P A]
|
||||
H --> I[2. P Bi|A = P Bi P A|Bi / P A]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、全概率公式
|
||||
|
||||
**前提**:$\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的**完备事件组**(两两互斥 + 穷尽),$P(B_i) > 0$。
|
||||
|
||||
$$
|
||||
P(A) = \sum_{i=1}^n P(B_i) \cdot P(A | B_i)
|
||||
$$
|
||||
|
||||
**应用步骤**:
|
||||
1. 识别**原因**:找出"原因"的完备事件组 $B_i$(往往是"按某种标准分类")
|
||||
2. 写**先验**:$P(B_i)$(各原因的概率)
|
||||
3. 写**似然**:$P(A | B_i)$(每种原因下结果 $A$ 的概率)
|
||||
4. **加权求和**:$P(A) = \sum P(B_i) P(A | B_i)$
|
||||
|
||||
### 二、贝叶斯公式
|
||||
|
||||
$$
|
||||
P(B_i | A) = \frac{P(B_i) \cdot P(A | B_i)}{P(A)} = \frac{P(B_i) \cdot P(A | B_i)}{\sum_{j=1}^n P(B_j) \cdot P(A | B_j)}
|
||||
$$
|
||||
|
||||
**应用步骤**:
|
||||
1. 先用**全概率**算 $P(A)$
|
||||
2. 套**贝叶斯**公式:分子 $= P(B_i) P(A | B_i)$,分母 $= P(A)$
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **完备事件组漏项**:$B_1, B_2, \ldots, B_n$ 必须**穷尽** $\Omega$
|
||||
- **混淆全概率和贝叶斯**:前者正向(原因→结果),后者逆向(结果→原因)
|
||||
- 贝叶斯公式的**分子分母不对应**:分母是 $P(A)$(全概率公式的结果),不是某个 $P(A|B_j)$
|
||||
- 多阶段问题(嵌套):每层都需识别完备事件组
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:某厂有三台机床生产同种产品,产量分别占 $45\%$、$35\%$、$20\%$。各机床的次品率分别为 $4\%$、$2\%$、3\%$。现随机取一件产品,
|
||||
>
|
||||
> (1) 求它是次品的概率;
|
||||
> (2) 若发现是次品,求它最有可能是哪台机床生产的。
|
||||
|
||||
**解析**:
|
||||
|
||||
设 $B_i = $"第 $i$ 台机床生产"($i=1,2,3$),$A = $"次品"。
|
||||
|
||||
- 先验:$P(B_1) = 0.45, P(B_2) = 0.35, P(B_3) = 0.20$
|
||||
- 似然:$P(A | B_1) = 0.04, P(A | B_2) = 0.02, P(A | B_3) = 0.03$
|
||||
|
||||
**(1) 全概率公式**:
|
||||
$$
|
||||
P(A) = 0.45 \times 0.04 + 0.35 \times 0.02 + 0.20 \times 0.03 = 0.018 + 0.007 + 0.006 = 0.031
|
||||
$$
|
||||
|
||||
**(2) 贝叶斯公式**(比较三个 $P(B_i | A)$):
|
||||
$$
|
||||
P(B_1 | A) = \frac{0.018}{0.031} \approx 0.581, \quad
|
||||
P(B_2 | A) = \frac{0.007}{0.031} \approx 0.226, \quad
|
||||
P(B_3 | A) = \frac{0.006}{0.031} \approx 0.194
|
||||
$$
|
||||
|
||||
**结论**:
|
||||
- 次品率 $P(A) = 3.1\%$
|
||||
- 次品最可能来自第 1 台机床(58.1%)
|
||||
|
||||
**复盘**:本题完整演示了"全概率 → 贝叶斯"的两步流程。**核心要义**:先算"边际概率"(全概率),再做"后验推断"(贝叶斯)。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:假设工厂每天生产的次品来自白天或夜班。白天产量 60%,次品率 1%;夜班产量 40%,次品率 2%。求随机取一件为次品的概率,以及该次品来自白天的概率。
|
||||
|
||||
**解**:
|
||||
- $P(\text{白天}) = 0.6, P(\text{夜班}) = 0.4$
|
||||
- $P(\text{次品} | \text{白天}) = 0.01, P(\text{次品} | \text{夜班}) = 0.02$
|
||||
- 全概率:$P(\text{次品}) = 0.6 \times 0.01 + 0.4 \times 0.02 = 0.006 + 0.008 = 0.014$
|
||||
- 贝叶斯:$P(\text{白天} | \text{次品}) = 0.006 / 0.014 \approx 0.429$
|
||||
|
||||
---
|
||||
|
||||
> **变式 2**:选择题(概念辨析)
|
||||
|
||||
设 $B_1, B_2$ 是 $\Omega$ 的完备事件组,$P(B_1) = 0.6, P(A | B_1) = 0.1, P(A | B_2) = 0.3$。下列哪个是 $P(B_2 | A)$?
|
||||
|
||||
(A) $\dfrac{0.4 \times 0.3}{0.6 \times 0.1 + 0.4 \times 0.3}$ (正确)
|
||||
(B) $\dfrac{0.6 \times 0.1}{0.6 \times 0.1 + 0.4 \times 0.3}$
|
||||
(C) $\dfrac{0.4 \times 0.3}{0.6 + 0.4 \times 0.3}$
|
||||
(D) $\dfrac{0.6 \times 0.1}{0.4 \times 0.3}$
|
||||
|
||||
**答案**:(A)。**常见错选 (D)**——分子分母搞反。
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**先原因,后结果** → 全概率"
|
||||
> - "**先结果,后原因** → 贝叶斯"
|
||||
> - "贝叶斯公式 = 分子 / 分母(分母是全概率公式结果)"
|
||||
@@ -0,0 +1,115 @@
|
||||
# 题型六:事件独立性
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干出现"**独立**"、"**相互独立**"、"**两两独立**"
|
||||
- 需要验证 $P(AB) = P(A)P(B)$
|
||||
- 需要利用独立性计算概率
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:独立性] --> B{几个事件?}
|
||||
B -->|2 个| C["P(AB) = P(A)P(B) 验证"]
|
||||
B -->|3 个以上| D[验证所有子集满足乘积公式]
|
||||
C --> E[利用独立性计算概率]
|
||||
D --> E
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、两个事件独立
|
||||
|
||||
**定义**:若 $P(AB) = P(A) P(B)$,则 $A, B$ 相互独立。
|
||||
|
||||
**等价条件**($P(A) > 0, P(B) > 0$ 时):
|
||||
- $P(B | A) = P(B)$
|
||||
- $P(A | B) = P(A)$
|
||||
- $P(\bar{A} | B) = P(\bar{A})$
|
||||
- $A$ 与 $\bar{B}$ 独立、$\bar{A}$ 与 $B$ 独立、$\bar{A}$ 与 $\bar{B}$ 独立
|
||||
|
||||
### 二、多个事件独立
|
||||
|
||||
事件 $A_1, A_2, \ldots, A_n$ 相互独立:对**任意子集** $\{i_1, i_2, \ldots, i_k\}$($1 \le k \le n$):
|
||||
$$
|
||||
P(A_{i_1} A_{i_2} \cdots A_{i_k}) = P(A_{i_1}) P(A_{i_2}) \cdots P(A_{i_k})
|
||||
$$
|
||||
|
||||
### 三、关键判别
|
||||
|
||||
| 概念 | 关系 |
|
||||
|------|------|
|
||||
| 互不相容(互斥) | $P(AB) = 0$ |
|
||||
| 独立 | $P(AB) = P(A)P(B)$ |
|
||||
| 互不相容 + 独立 | 仅当 $P(A)=0$ 或 $P(B)=0$ |
|
||||
|
||||
> ⚠️ **核心警示**:互不相容**不蕴含**独立(反之亦然)。
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- 把**互斥**与**独立**混淆(最常见错误)
|
||||
- "**两两独立** $\neq$ **相互独立**"(三事件时区别显现)
|
||||
- 独立性的判定必须基于**已知分布**,不能凭直觉
|
||||
- 利用独立性计算概率时,**乘法公式**的 $P(A|B) = P(A)$ 简化要记牢
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目**:设 $A, B$ 相互独立,$P(A) = 0.4, P(B) = 0.5$。求:
|
||||
> (1) $P(A \cup B)$;
|
||||
> (2) $P(\bar{A} | B)$;
|
||||
> (3) $P(A | \bar{B})$。
|
||||
|
||||
**解析**:
|
||||
|
||||
**(1)** $P(A \cup B) = P(A) + P(B) - P(AB) = 0.4 + 0.5 - 0.4 \times 0.5 = 0.7$
|
||||
|
||||
**(2)** $\bar{A}$ 与 $B$ 独立(独立的对立事件也独立):
|
||||
$P(\bar{A} | B) = P(\bar{A}) = 1 - P(A) = 0.6$
|
||||
|
||||
**(3)** $A$ 与 $\bar{B}$ 独立:
|
||||
$P(A | \bar{B}) = P(A) = 0.4$
|
||||
|
||||
**复盘**:独立性下,条件概率等于无条件概率——这是判断独立性的"条件概率法"核心。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:设 $A, B, C$ 三事件满足 $P(A) = P(B) = P(C) = 1/4, P(AB) = P(BC) = 1/8, P(AC) = 0, P(ABC) = 0$。
|
||||
>
|
||||
> 验证:(1) $A, B, C$ 两两独立吗?(2) $A, B, C$ 相互独立吗?
|
||||
|
||||
**解析**:
|
||||
|
||||
**(1)** 两两独立:
|
||||
- $P(AB) = 1/8 = P(A)P(B) = 1/4 \times 1/4 = 1/16$?❌($1/8 \neq 1/16$)
|
||||
- **结论**:$A, B$ 不两两独立(更谈不上相互独立)
|
||||
|
||||
> 此题说明:**两两独立**和**相互独立**是有区别的。
|
||||
|
||||
**(2) 反例**:四枚硬币的经典反例。设 $\Omega$ 含 4 个等可能基本事件,定义:
|
||||
- $A = $ "第 1, 2 枚为正面"(2/4)
|
||||
- $B = $ "第 2, 3 枚为正面"(2/4)
|
||||
- $C = $ "第 1, 3 枚为正面"(2/4)
|
||||
- 两两独立(任意两事件交集都是 1/4)
|
||||
- $P(ABC) = 1/4 \neq P(A)P(B)P(C) = 1/8$
|
||||
|
||||
**结论**:$A, B, C$ 两两独立但**不**相互独立。
|
||||
|
||||
---
|
||||
|
||||
> **变式 2**:设 $A, B$ 独立,$P(A) = 0.5, P(\bar{A}B) = 0.3$。求 $P(B)$。
|
||||
|
||||
**解**:
|
||||
- $\bar{A}$ 与 $B$ 独立(独立的对立事件独立)
|
||||
- $P(\bar{A}B) = P(\bar{A}) P(B) = 0.5 \cdot P(B) = 0.3$
|
||||
- $P(B) = 0.6$
|
||||
|
||||
---
|
||||
|
||||
> **跨章节预告**:独立性的概念在 Ch02 升级为"随机变量独立"——对任意 Borel 集 $A, B$,$P(X \in A, Y \in B) = P(X \in A) P(Y \in B)$。事件独立性是随机变量独立性的特例。
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**独立** = 乘积公式成立"
|
||||
> - "**条件概率** = **无条件概率**(独立时)"
|
||||
> - "**对立事件**也独立(独立的对偶性)"
|
||||
> - "**互斥 ≠ 独立**(除非有零概率事件)"
|
||||
Reference in New Issue
Block a user