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。
|
||||
Reference in New Issue
Block a user