27 KiB
📌 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:
- 试验可在相同条件下重复进行
- 试验所有可能结果事先已知
- 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 1f_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
- 样本空间
\Omega是有限集($|\Omega| = n$) - 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:$\dfrac{C_W^j \cdot C_B^{k-j}}{2^k} \cdot C_k^j$($\text{不放回和放回公式核心区别}$)
- 不放回 + 一次取
-
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
- 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) - 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:
- 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
- 有序 → 排列
- 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
- 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
- 古典概型必备条件;否则不能用
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
- 若
【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。