Files
MathNotesVersion1/公式笔记/概率论/Ch01_概率论的基本概念/Ch01_Basic_Concepts_of_Probability.md
T
2026-10-04 11:44:56 +08:00

27 KiB
Raw Blame History

📌 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,事件的概率将升级为随机变量的分布律。