# 📌 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。