第1章 随机事件与概率

🔔 课前激活（花30秒想想再往下读）

你每天出门前会看天气预报——"明天降雨概率70%"。这个70%到底是什么意思？是明天有70%的时间下雨？还是100个像明天这样的日子里有70天会下雨？又或者是你带伞就有70%的把握不会淋湿？

带着这个问题往下读。读完这章，你不但能回答这个问题，还能算清楚更复杂的事——比如"抽奖先抽后抽哪个更赚""体检阳性到底多大概率真病了"。

📌 学完这章你能回答：

• 概率为0的事件一定不可能发生吗？
• "独立"和"互斥"到底有什么区别？
• 先抽签和后抽签，中奖概率一样吗？
• 体检阳性，真有病的概率是多少？为什么跟直觉差距那么大？
• 给你一个抽奖或体检的场景，能从条件概率一路推到贝叶斯公式，算出最终答案。

本章考什么

考纲要求：数三概率论第一块基石——所有后续章节（随机变量、数字特征、统计推断）都建立在本章概念之上。

① 核心知识

1.1 随机现象与随机试验

📌 学完这节，你能回答： 什么是随机现象？一个事情要成为"随机试验"需要满足哪三个条件？

先想一个场景：食堂阿姨的手抖不抖，你能提前算准吗？

你在食堂打饭，阿姨今天手抖不抖——结果不确定。但你明天、后天、大后天去，阿姨每次都可能抖也可能不抖。这种结果事先不确定、但可以在同样条件下重复观察的事情，就是随机现象。

现在问题来了：出门看天气、买彩票、掷骰子，都是"结果不确定"。可它们有的能拿来研究规律，有的不能。区别在哪？ 我们拿三件事比比看：

看到区别了吗？掷骰子、买彩票——能反复重来，所有可能的结果也一清二楚，这样的随机现象就可以拿来"做实验"研究。股市明天涨不涨——结果虽不确定，但不能重复（明天重来不了），它就没法变成实验。

🧠 这一步在想什么：能研究的随机现象，必须满足三个"硬性条件"。正好用上面的三件事来对号入座——以后看到任何一个新现象，就用这三条去"过筛子"。

📌 一个事情要成为随机试验，必须同时满足三个条件：

1. 可重复性：可以在相同条件下重复进行
2. 结果不确定性：每次试验前无法确定具体结果
3. 结果可知性：所有可能的结果是已知的

随机试验就是对随机现象的"科学化"——把它变成可以反复做的实验。买彩票就是一个随机试验：每次买之前不知道中不中，但你知道所有可能的结果（中奖或不中奖），而且可以反复买。

🛑 停一下：拿上面那张表自查一遍——"抛一枚硬币"为什么算随机试验？"中国队下次世界杯能进几个球"为什么不算？（答案：抛硬币三条全满足。进几个球呢？可重复和结果可知两关都过不去——一是不可重复：比赛环境条件没法完全重复，世界杯踢完就重来不了一遍；二是结果可知性也过不去：你甚至没法确定"所有可能结果"到底是哪几个（0个、1个、2个……？到底怎么算进几球？）。）

注意：随机试验 ≠ 物理/化学实验。"抛一枚硬币""掷一颗骰子""观察一台设备的使用寿命"都是随机试验。

✍️ 立刻练一道：下面哪个是随机试验？哪个不是？为什么？
(1) 今天中午食堂做什么菜；(2) 抛一枚硬币看正反面；(3) 观察一台新手机能正常使用多少年。

1.2 样本空间与随机事件

📌 学完这节，你能回答： 为什么要用"集合"来描述随机事件？同一个随机试验里，有哪些不同"级别"的事件？

先想一个场景：抽奖箱里有什么，就是你唯一能摸到的

抽奖箱里有红、蓝、绿三种球——你伸手进去摸一个。摸之前你不知道会摸到什么颜色，但你很清楚：跑不出 {红, 蓝, 绿} 这三种。这个"把所有可能结果列出来"的动作，看似平平无奇，却是整个概率论的起点——因为它把一个随机试验"所有的可能性"一次性锁死了。

你走进一家饭店，服务员递上菜单。菜单上列了所有能点的菜——红烧肉、清蒸鱼、炒青菜……这整张菜单就是你的"选择空间"。同样，抽奖箱里所有可能摸到的颜色放在一起：{红, 蓝, 绿}。这个"所有可能结果的大集合"，数学上就叫样本空间，记作 $S$（或 $\Omega$）。

每个基本结果叫一个样本点。比如掷骰子：$S = {1, 2, 3, 4, 5, 6}$，6个样本点——"1"是一个样本点，"2"是另一个样本点，以此类推。

🛑 停一下：一个袋子里有红球2个、蓝球1个，伸手摸一个。样本空间是 {红, 蓝}。样本点有几个？答：2个样本点（"红"和"蓝"）。注意样本点只看结果种类，不看每种结果有几个球。

✍️ 立刻练一道：把下面每个随机试验的样本空间写出来：
(1) 掷一枚硬币；(2) 掷两颗骰子，看两枚点数和；(3) 观察一台设备的使用寿命（单位：小时）。

第二块：随机事件和四种事件分类

在继续之前，先花30秒搞懂"集合"这个工具——后面全程都要用，现在搞清楚了一劳永逸。

📦 30秒集合入门（用菜单打比方）：

• 集合就是把一堆东西放在一起，用大括号{}包起来。比如菜单上所有菜 = {红烧肉, 清蒸鱼, 炒青菜, ...}
• 全集 = 所有东西（整张菜单）
• 子集 = 挑出来的某几样（你点的菜：{红烧肉, 炒青菜}）
• 空集 $\varnothing$ = 什么都没选（空盘子）
• 并集 $\cup$ = 两个小集合合在一起（你点的菜 $\cup$ 朋友点的菜 = 所有被点过的菜）
• 交集 $\cap$ = 两个集合共同的部分（你和朋友都点了红烧肉 → 交集里有它）
• 补集 $\bar{A}$ = 全集里去掉A剩下的（菜单上你没点的那些菜）

好，搞懂了集合，现在说回随机事件。

先想一个场景：菜单上有那么多菜，你关心的只是其中几道

菜单（样本空间）上所有菜都能点，但今天你真正关心的只有两道菜。同样，掷骰子的所有结果有 {1,2,3,4,5,6} 六种，但你可能只关心"掷出偶数"——那就是从 6 个结果里圈出 {2,4,6} 这一部分。在全部可能结果里，圈出你关心的那一部分——这个动作，就是"事件"。

随机事件（简称事件）：样本空间的某个子集。说白了就是"从所有可能结果中圈出你关心的那一部分"。

同样是用集合圈结果，"圈几个"不一样，事件的"级别"就不一样。自己试着分分类：

按"圈了几个结果"，事件分为四种：

• 基本事件：只包含一个样本点的事件（如掷出"3"——只圈了{3}这一个结果）
• 复合事件：包含多个样本点的事件（如掷出"偶数"——圈了{2, 4, 6}三个结果）
• 必然事件：整个样本空间 $S$ 本身（把全部结果都圈进去了，一定发生）
• 不可能事件：空集 $\varnothing$（一个结果都没圈，一定不发生）

🛑 停一下：掷一颗骰子——"掷出奇数"是基本事件还是复合事件？"掷出7点"是什么事件？（答案：复合事件 = {1,3,5}；不可能事件，因为骰子没有7点）

✍️ 立刻练一道：掷一颗骰子，下面的语句各是什么事件（基本/复合/必然/不可能）？
(1) 掷出小于10的点数；(2) 掷出5点；(3) 掷出0点；(4) 掷出大于等于3的点数。

1.3 事件之间的关系

📌 学完这节，你能回答： "互斥"和"对立"到底有什么区别？什么时候 $P(A \cup B)$ 可以直接写成 $P(A)+P(B)$？德摩根律是干什么用的？

事件之间有多种关系，考研中判断事件关系是最基础的技能。下面分两组来介绍——第一组是"集合运算型"（像加减法一样操作事件），第二组是"关系判断型"（判断两个事件是什么关系）。

第一组：事件的运算（和、积、差、对立）

先想一个困境：一句话里藏了好几个条件，怎么翻译成数学？

先给一个贯穿本节的生活场景：掷一颗骰子。 A = "掷出偶数" = {2,4,6}，B = "掷出大于3的点" = {4,5,6}。

现在问你三个问题，你会发现用大白话很难说清，得发明一套"说法"：

• 问1："掷出偶数或掷出大于3的点"——这俩条件加一起，是哪些点数？→ 4、5、6里，4和6既是偶数又大于3，2只是偶数，5只是大于3。合起来 {2,4,5,6}。这件事以后就叫 A 和事件（并）$A \cup B$——至少一个发生。
• 问2："同时既是偶数又大于3"——是哪些点数？→ 只有 {4,6}。这件事以后就叫 A 积事件（交）$A \cap B$——同时发生。
• 问3："是偶数但不大于3"——是哪些点数？→ 只剩 {2}。这件事叫 A 差事件 $A - B$——A 发生但 B 不发生。

🧠 这一步在想什么：三个"一句话问题"逼迫我们给"或/且/但"各配一个符号。以后遇到一句话里带"至少""同时""但不"，你就要自动想到对应的运算符号。

💡 记法诀窍：$\cup$ 像杯子装东西，越装越多（并集）；$\cap$ 像帽子盖下来，只留共有的（交集）。

✍️ 立刻练一道：掷一颗骰子，A = "掷出奇数" = {1,3,5}，B = "掷出小于4的点" = {1,2,3}。请写出：
(1) $A \cup B$；(2) $A \cap B$；(3) $A - B$；(4) $\bar{A}$。

第二组：事件的关系（包含、相等、互斥）

先想一个场景：知道一件事发生了，你能顺藤摸瓜到什么？

"小明考了满分"——你能立刻推断"小明考及格了"吗？能，因为满分必然及格。这种"小范围发生，大范围自动成立"的连带关系，数学上叫包含。"北京下雨了"自动意味着"中国下雨了"，同理。

最容易混淆的一对：互斥 vs 对立

先想一个困境：说好"不能一起"，可结果不只有两个选项

"掷出1点"和"掷出2点"不能同时发生（互斥）——可是这一局还可能是掷出5点，两个都没发生。那如果我说"掷出1点"和"没掷出1点"呢？同样不能同时发生，但这局一定是二者之一——没有第三种可能。

🧠 这一步在想什么：同样是"不能同时"，第一种留下了"两个都不发生"的余地，第二种却把话说绝了、逼你二选一。这个区别就是互斥 vs 对立的全部秘密。

一句话记住：互斥是"不能一起"，对立是"不能一起且总得有一个"。

✍️ 立刻练一道：判断下列各对事件是"互斥""对立"还是"都不是"：
(1) A="明天下雨"，B="明天不下雨"；(2) A="明天下雨"，B="明天晴天"；(3) A="掷出偶数点"，B="掷出大于2的点"。

🚨 翻车现场：互斥当对立

• ❌ 错误做法：A="明天下雨"，B="明天晴天"。学生认为P(A∪B)=P(A)+P(B)=0.3+0.5=0.8就算出了"明天下雨或晴天的概率"。
• ✅ 正确做法：下雨和晴天确实是互斥的（不会同时发生）——所以P(A∪B)=P(A)+P(B)=0.3+0.5=0.8这个加法没问题。但这个"互斥"恰好也是"对立"吗？不是！因为还有"阴天"这种可能。互斥时加法简化成立，但别忘了互斥≠对立——对立要求穷尽所有可能。
• 💡 怎么记：互斥只管"不能一起"，不管"有没有覆盖全"。

德摩根律（对偶律）

先看两张"文字韦恩图"——用脑子画，不用笔：

想象一个长方形代表全集S。里面画两个有重叠的圆：左边A、右边B。

• 第一条 $\overline{(A \cup B)} = \bar{A} \cap \bar{B}$：先看 $A \cup B$——两个圆合起来的部分，涂成灰色。它的"反面"（补集）就是长方形里灰色之外的区域——恰好是"既不在A里也不在B里"的地方，也就是 $\bar{A} \cap \bar{B}$。所以公式成立。
• 第二条 $\overline{(A \cap B)} = \bar{A} \cup \bar{B}$：先看 $A \cap B$——两个圆重叠的那个橄榄形区域。它的"反面"是长方形里除了橄榄形之外的所有地方——恰好是"不在A里或不在B里"，也就是 $\bar{A} \cup \bar{B}$。

通俗记忆：

• $\overline{(A \cup B)} = \bar{A} \cap \bar{B}$ —— "至少一个发生"的反面 = "两个都不发生"
• $\overline{(A \cap B)} = \bar{A} \cup \bar{B}$ —— "两个都发生"的反面 = "至少一个不发生"

💡 这个公式最大的用处：把"或"变"且"、把"且"变"或"，让计算变简单。比如要算"不是A且不是B的概率"，直接用 $1 - P(A \cup B)$ 就行了——后面不少题要用到这个技巧。

🛑 停一下：A="明天下雨"，B="明天刮大风"。请用大白话说出 $\overline{A \cup B}$ 和 $\bar{A} \cap \bar{B}$ 各自是什么意思，它们相等吗？（答案：前者="不是'下雨或刮风'"="既不下雨也不刮风"；后者="不下雨且不刮风"。两者完全一样。）

✍️ 立刻练一道（用德摩根律"翻译"）：掷一颗骰子，A = "掷出1点" = {1}，B = "掷出偶数点" = {2,4,6}。请写出 $\overline{A \cup B}$ 和 $\bar{A} \cap \bar{B}$ 分别包含哪些点数，它们相等吗？

1.4 概率的定义

📌 学完这节，你能回答： 概率有哪三种定义方式？各自适合什么场景？古典概率和几何概率有什么共同前提？

🎲 ① 生活场景：三种不同的"量概率"方式

先想一个具体问题：摸出红球的概率是多少？

概率是什么？就是"这件事有多大的可能发生"。但要把它变成一个可以计算的数字，不同的场景得用不同的方法——就像量长度可以用卷尺（量布）、游标卡尺（量零件）、激光测距（量大楼）。概率也有三把不同的"尺子"。同样都是"量概率"，下面三个场景差的不是一点半点：

• 抽奖箱（古典）：箱子里有10个一样的球，3个红的。因为每个球被摸到的机会一样，所以摸到红球的概率 = 3/10——数个数就行。
• 飞镖靶（几何）：往圆形靶子上扔飞镖，落到红色区域的概率 = 红色面积 ÷ 总面积。结果有无限种可能（靶子上有无穷多个点），不能数个数，得算面积比例。
• 抛硬币（统计）：不知道硬币是不是公平制造的——那就抛10000次，正面向上了4987次，得出结论"正面概率大约0.5"。用的不是推理，而是大量重复实验来"逼近"真实概率。

🧠 这一步在想什么：同一个"概率"，为什么一会儿数个数、一会儿算面积、一会儿抛一万次硬币？——因为三种场景的"可能性结构"根本不一样：结果个数有限且等可能、结果无限但等可能、连等不等可能都不知道。三种结构，逼出三把尺子。

② 正式陈述

概率的三种定义：

注意：古典概率和几何概率都要求"等可能"——这是它们共同的命门。如果条件不满足（比如袋子里红球比白球大、更容易摸到），这两种定义都不能直接用。统计概率不要求等可能，但它需要大量实验。

📝 ④ 复盘：三种定义的关系

三者的共同本质都是 "有利 ÷ 全部"：

• 古典概率：有利结果数 ÷ 全部结果数
• 几何概率：有利度量 ÷ 全部度量
• 统计概率：有利频率 ÷ 全部次数（取极限）

它们的递进关系：古典和几何是"理论推导型"——不用做实验，靠推理就能算出概率。但它们都需要"等可能"这个前提。统计概率是"实践逼近型"——不等可能也没关系，多做几次实验，频率自然向真实概率靠拢。

在考研中，99%的题目用古典概率就足够——剩下1%的几何概型用面积比搞定，统计概率基本不考计算、只考概念。但理解三者的关系，能帮你建立完整的"概率观"——知道什么时候该用什么尺子。

🧮 古典概型的"先题后招"：先卡住，再悟出三步

先看一道题：袋中有5个红球、3个白球，任取4个，恰好取到2个红球的概率是多少？

看到这题，先别慌。难在哪？——球有8个，取4个，"恰好2红2白"的取法不止一种，你得先想清楚"一共有多少种取法"，再想"其中多少种算你要的"。古典概型的所有题目，卡的都是同一个地方：数数。

试着数：

• 从8个球里任取4个，总共有 $C_8^4 = 70$ 种取法。
• 要恰好2红2白：从5个红里挑2个（$C_5^2 = 10$ 种），从3个白里挑2个（$C_3^2 = 3$ 种），两类都要，所以 $10 \times 3 = 30$ 种。
• 概率 = 30 ÷ 70 = 3/7。

🧠 这一步在想什么：我们从头到尾只做了三件事——先数"全部"有多少种，再数"有利"有多少种，最后相除。而且数"有利"时特别注意：红、白两类都要挑，"两个组合缺一不可"。

🔍 回头看看：古典概型的题目，不管换什么场景，数数的方式全是这同一套动作：

📌 以后看到"等可能""随机抽取""随机排列""不放回抽样"，结果个数有限，就这么办：

第1步：找出样本空间——所有可能的结果有多少种？
第2步：找出有利事件——"满足条件"的结果有多少种？
第3步：P = 有利 ÷ 全部

⚠️ 最容易错：分子两个组合缺一不可！取球时两类都要考虑。

古典概型的第一个子类型：抽球问题

📌 模板：袋中有a个白球、b个黑球，随机取出n个，求恰好取到k个白球的概率。做法还是刚才那三步：

第1步：总取法 = C_{a+b}^n
第2步：有利取法 = C_a^k × C_b^{n-k}
第3步：P = C_a^k × C_b^{n-k} / C_{a+b}^n

✍️ 立刻练一道（就按刚悟的三步）：袋中有4个红球和6个白球，从中随机取3个球。求恰好取到1个红球的概率。

总共10个球，取3个：
总取法 = C₁₀³ = 120

恰好1个红球 = 从4个红球中取1个 × 从6个白球中取2个
           = C₄¹ × C₆² = 4 × 15 = 60

P = 60/120 = 1/2
答案：1/2

古典概型的第二个子类型：排队/相邻问题

先看一道题：5个人随机排成一排，求甲和乙相邻的概率。

看到这题，先别慌。难在哪？——"甲乙相邻"不是一个固定位置，他们俩在队伍里可能出现在任意两个挨着的位置上。换个招：既然要求他俩"必须挨着"，那就把他俩先"绑"成一个人——甲和乙先变成一个整体，这个整体再跟其余3人一起排队。

总排列 = 5! = 120
甲、乙绑在一起 = 4! × 2! = 24 × 2 = 48
P = 48/120 = 2/5
答案：2/5

🧠 这一步在想什么："绑在一起"之后别忘了两件事：一是内部甲、乙还能换位置（×2!），二是这个整体要和其余 n-1 个人一起排（所以是 (n-1)! 不是 n!）。这两点漏一个，答案就错了。

🔍 回头看看：排队问题难就难在"两个人要挨着"——但这么一绑，难的题变成了简单的题：两人变成一个整体，问题立刻退化成"5个人排一排"的老问题。"相邻"这个麻烦条件，被"绑"这个动作消掉了。

📌 以后看到"排成一排""相邻""挨着""一起"，就这么办：

第1步：总排列数 = n!
第2步：把"要相邻的"绑在一起当一个整体 → (n-1)! × 2!（内部可换位置）
第3步：P = 有利排列 ÷ n!

✍️ 立刻练一道（试试"绑起来"这一招）：6个人随机排成一排，求指定的2个人排在一起的概率。

总排列数：6! = 720

把2个人"绑在一起"看作一个整体：
- 这个整体和其余4人，共5个"对象"排列：5!
- 内部2人可交换：2!
- 有利排列：5! × 2! = 120 × 2 = 240

P = 240 / 720 = 1/3

答案：1/3

📝 配套练习（排队·相邻）

练习（排队相邻）：7个人随机排成一排，求指定的3个人排在一起的概率。

总排列数：7! = 5040

把3个人"绑在一起"看作一个整体：
- 这个整体和其余4人，共5个"对象"排列：5!
- 内部3人可交换：3!
- 有利排列：5! × 3! = 120 × 6 = 720

P = 720 / 5040 = 1/7

答案：1/7

古典概型的第三个子类型：放球入箱问题

先看一道经典题（生日问题）：30个人，求至少有两个人生日相同的概率。（一年按365天算）

看到这题，先别慌。难在哪？——"至少有两个相同"要一个个算会疯掉（30个人两两配对的组合多到爆炸）。换个思路：正着难，反着来。"至少两个相同"的反面，是"全部人的生日各不相同"。把反面算出来，用1一减就行。

思路：用对立事件——全部人的生日各不相同。
总放法：365^30
全部不同：P_365^30 = 365 × 364 × ... × (365-29)
P(至少两人同一天) = 1 - P_365^30 / 365^30 ≈ 0.706

结论：30个人里，有70%的概率至少两人同一天生日——比直觉大很多！

🧠 这一步在想什么："至少一个"类的概率，正着数往往巨复杂，但它的反面永远只有一个（一个都没有）。先算反面、再用1减——这个技巧在这一章后面（伯努利试验）还会反复用到，先记住这种感觉。

🔍 回头看看：生日问题其实暗藏着一个"放球入箱"——把30个人看成30个不同的球，把365天看成365个不同的盒子，每个人落进哪天生日，就是把一个球放进一个盒子。这样看，两个问题的结构一模一样，只是问题反着问：

• 放球入箱模板问："每个盒子最多一个球"的概率 → 直接套"全部各不相同"的算法。
• 生日问题问："至少有一个盒子放了两个球" → 正好是上面那个问题的反面，用 $1 -$ 一减就行。

📌 以后看到"不同的物体放入不同的格子""生日问题""至少有两个相同"，就这么办：

第1步：每个球有N种放法 → 总放法 = N^n
第2步：每个盒子最多一个 → 相当于选n个盒子，排列放球 → P_N^n = N!/(N-n)!
第3步：P(最多一个) = P_N^n / N^n
第4步（问"至少两个相同"时）：P = 1 - P_N^n / N^n

💡 为什么是排列 $P_N^n$？因为球是不同的，盒子也是不同的。选好n个盒子后，哪个球放进哪个盒子——不同的分配方式算不同的放法。

🛑 途中停顿：停下来想一想——古典概型的核心是"有利结果数 ÷ 总结果数"。但这个公式有个前提条件：每种结果必须是等可能的。如果一个袋子里红球比白球大、更容易摸到，还能直接用古典概型吗？不能——因为每种结果不再是等可能的了。确认你理解了这个前提，再往下。

📐 几何概型的"先题后招"：数不了个数，就量面积

先看一道题（会面问题）：甲乙两人约好12:00-13:00之间见面，先到的人等15分钟就离开。求两人能见面的概率。

看到这题，先别慌。难在哪？——甲乙到达的时间是连续的（几点几分几秒都行），有无限多种可能，没法数个数。古典概型的三步在这里失灵了——"全部结果有多少种"这个问题根本没有答案。

那怎么办？换个"尺子"：个数数不了，但长度、面积能量。把"甲几点到"和"乙几点到"当成两个坐标，画在平面坐标系里：

第1步：设甲到达时间为x，乙到达时间为y（以12:00为原点，单位：分钟）
      则 0 ≤ x ≤ 60, 0 ≤ y ≤ 60
      两人能见面 ⇔ |x - y| ≤ 15

第2步：在xOy坐标系中：
      总面积 = 60×60 = 3600（正方形）
      满足条件的面积 = 正方形 - 两个三角形
                     = 3600 - 45² = 1575

第3步：P = 1575/3600 = 7/16 ≈ 0.4375
答案：7/16

🧠 这一步在想什么：我们做了一件很妙的事——把"两个时刻"翻译成"坐标系里的一个点"（x, y），于是一个没法数的"连续问题"变成了一个能算面积的"几何问题"。"满足条件"这个条件翻译成了不等式 |x−y| ≤ 15，在图上圈出一块区域。

🔍 回头看看：几何概型和古典概型的套路几乎一模一样——都是"有利 ÷ 全部"，只是把"数个数"换成了"量面积/长度/体积"。

📌 以后看到"随机取点""在区间上随机""在区域中随机""会面问题"，结果个数无限但等可能，就这么办：

第1步：识别"几何度量"是什么——长度？面积？体积？
第2步：把题目条件翻译成几何条件（不等式、方程）
第3步：计算"满足条件的几何度量" / "总的几何度量"

✍️ 立刻练一道（把时间换成坐标，试试看）：在区间[0, 2]上随机取两个数x和y，求 $x + y \leq 1$ 的概率。

总范围：0 ≤ x ≤ 2, 0 ≤ y ≤ 2（正方形，面积 = 4）

条件 x+y ≤ 1 对应正方形左下角的等腰直角三角形：
顶点：(0,0), (1,0), (0,1)
面积 = 1/2 × 1 × 1 = 0.5

P = 0.5 / 4 = 1/8

答案：1/8（即0.125）

🛑 途中停顿：几何概型和古典概型的本质区别在哪？古典概型算"个数"（有限个结果），几何概型算"面积/长度/体积"（无限个结果）。但它们有一个共同的前提——等可能。古典概型要求每个样本点等可能，几何概型要求每个"点"在几何区域里等可能。想清楚这个共同点，再往下走。

1.5 加法公式

📌 学完这节，你能回答： 为什么 $P(A \cup B)$ 不能直接写成 $P(A)+P(B)$？减去 $P(AB)$ 到底在减去什么？

🍕 ① 生活场景：切蛋糕——重叠的那块被数了两遍

先看一道具体题：这周"至少有一个晚上吃蛋糕"的概率是多少？

小明每周三晚上吃蛋糕的概率是 $P(A)=0.5$，小红每周五晚上吃蛋糕的概率是 $P(B)=0.4$，两人各吃各的，互不影响（独立），且两人都吃的概率 $P(AB)=0.2$。现在问："这周至少有一人吃了蛋糕"的概率 $P(A \cup B)$ 是多少？

你可能会想：直接把两人的概率加起来，$P(A) + P(B) = 0.5 + 0.4 = 0.9$。但仔细一算就发现不对劲——小明吃的晚上和小红吃的晚上可能有重叠（两人都吃的那晚 $P(AB)=0.2$），加起来时这一晚被数了两遍！就像你有两块圆形纸片，把它们叠在一起——你要算"被纸盖住的桌面总面积"，不能把两张纸的面积直接相加，得减去重叠那块，不然就多算了。

所以正确的算法是：$P(A) + P(B) - P(AB) = 0.5 + 0.4 - 0.2 = 0.7$。

🧠 这一步在想什么：不是 $P(A)+P(B)$ 错了，而是它多算了一遍重叠的部分。凡是"至少一个"（∪）类的概率，都要当心两块是否重叠——重叠就要减一次。

② 正式陈述

加法公式（对任意两个事件 A、B）：

$$\boxed{P(A \cup B) = P(A) + P(B) - P(AB)}$$

其中 $P(AB)$ 是 A 和 B 同时发生的概率（也就是交集 $A \cap B$ 的概率）。

两个重要特殊情况：

• 互斥时简化：如果 A 和 B 互斥（不能同时发生），则 $P(AB) = 0$，公式退化为 $P(A \cup B) = P(A) + P(B)$——就像两张完全不重叠的纸，总面积直接相加。
• 独立时替换：如果 A 和 B 独立，则 $P(AB) = P(A) \cdot P(B)$，公式变成 $P(A \cup B) = P(A) + P(B) - P(A) \cdot P(B)$。

三个事件的推广（了解即可）：
$$P(A \cup B \cup C) = P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)$$

规律：单个全加上 → 减去两两重叠 → 加回三个重叠。口诀：奇加偶减（奇数个事件重叠就加，偶数个就减）。

✍️ 立刻练一道（先想：重叠在哪？要不要减？）：已知 $P(A)=0.4$，$P(B)=0.3$，$P(A \cup B)=0.6$。求 $P(AB)$。

由加法公式：P(A∪B) = P(A) + P(B) - P(AB)
代入：0.6 = 0.4 + 0.3 - P(AB)
所以：P(AB) = 0.7 - 0.6 = 0.1

答案：0.1

🧠 ③ 完整推导：从概率公理出发

前提：概率有三条基本公理（就像"测量可能性的尺子"必须遵守的基本规矩）——①非负性（概率 ≥ 0）；②规范性（必然事件概率 = 1）；③可列可加性（互斥的事件概率可以直接相加）。加法公式就是从第③条公理推导出来的。

第1步：在脑子里画文氏图——看清"重叠"

想象两个有重叠的圆：左边是 A，右边是 B。两个圆重叠的那块橄榄形区域，就是 $AB$（A 和 B 的交集）。

大白话：如果直接 $P(A)+P(B)$，重叠区域 $AB$ 被数了两遍——A 的圆里数了一遍，B 的圆里又数了一遍。所以要减去一遍。

第2步：把 $A \cup B$ 拆成互斥的三块

$A \cup B$（"A 或 B 发生"）可以拆成互不重叠的三块：

• 只在 A、不在 B 的部分：$A - B$
• 只在 B、不在 A 的部分：$B - A$
• 同时在 A 和 B 的部分：$AB$

这三块互斥（互不重叠），所以根据公理③可列可加性，它们的概率可以直接相加：

$$P(A \cup B) = P(A - B) + P(B - A) + P(AB)$$

大白话：把"至少一人吃蛋糕"拆成"只有小明吃""只有小红吃""两人都吃"——这三种情况不可能同时发生（互斥），所以总概率 = 三者直接相加。

第3步：用减法公式展开"独有部分"

"只在 A 不在 B"的部分 $A - B$，其概率等于 A 的总概率减去和 B 重叠的部分：
$$P(A - B) = P(A) - P(AB)$$

同理：
$$P(B - A) = P(B) - P(AB)$$

大白话：A 的整个圆，挖掉和 B 重叠的那块，剩下的就是"A 独有的区域"。B 同理。

第4步：代入，化简

把第3步的结果代入第2步：

$$P(A \cup B) = [P(A) - P(AB)] + [P(B) - P(AB)] + P(AB)$$
$$= P(A) + P(B) - P(AB) - P(AB) + P(AB)$$
$$= P(A) + P(B) - P(AB)$$

大白话：先放上全部 A（含重叠），再放上全部 B（含重叠），此时重叠 $AB$ 被数了两遍，所以减去一遍 $P(AB)$。恰好每一块都被数了一遍——不多不少。

📝 ④ 推导复盘：用大白话重讲一遍

加法公式的核心就一句话：$P(A)+P(B)$ 把重叠部分数了两遍，所以减去一遍 $P(AB)$。 就像两个圆的并集面积 = A 圆面积 + B 圆面积 - 重叠面积——这是小学生也懂的几何直觉，只不过把"面积"换成了"概率"。

推导全程只用了两个工具：

1. 互斥可加（公理③）——把 $A \cup B$ 切成互斥的三块，分别算再加起来。
2. 减法公式（$A-B$ 的概率 = A 的概率 - 重叠概率）——把"独有区域"的表达式展开。

没有引入任何新概念——它只是把"两个可能有重叠的圆，合起来的面积怎么算"这件事，用最基础的工具讲清楚了。

⚠️ ⑤ 易错边界

翻车一：减的是 $P(AB)$，不是 $P(A)P(B)$（本章最高频错误之一）

• ❌ $P(A \cup B) = P(A) + P(B) - P(A)P(B)$ —— 大错！
• ✅ $P(A \cup B) = P(A) + P(B) - P(AB)$ —— 减的是交集概率。
• $P(AB)$ 只有在 A、B 独立时才等于 $P(A)P(B)$。题目没说独立——就老老实实用 $P(AB)$，不能自动换成乘积。

翻车二：加完结果超过 1 没察觉

$P(A \cup B)$ 必须在 0 到 1 之间。如果你算出 $P(A \cup B) > 1$，要么题目数据有矛盾（比如 $P(A)+P(B)>1$ 且题目说 A、B 互斥——但互斥意味着 $P(AB)=0$，那 $P(A \cup B)=P(A)+P(B)>1$ 不可能），要么你忘了减 $P(AB)$。概率超过 100% 和概率是负数一样荒谬——把它当作一个免费的警报器。

翻车三：互斥和独立用混导致公式选错

• 互斥 → $P(AB)=0$ → 加法公式简化成 $P(A)+P(B)$
• 独立 → $P(AB)=P(A)P(B)$ → 加法公式变成 $P(A)+P(B)-P(A)P(B)$
• 既不互斥也不独立 → 只能用完整公式 $P(A)+P(B)-P(AB)$

速记口诀：加完减重合，减的是交不是乘；互斥重合等于零，直接相加就搞定。

🔗 ⑥ 在整条链中的位置

加法公式是第 1 章最基础的"组装工具"——告诉你如何把两个事件的概率拼在一起：

加法公式往前走一步：

• 到 条件概率（1.6）：$P(A|B) = P(AB)/P(B)$ —— 加法公式的"重叠区域" $P(AB)$ 会在条件概率的分子里反复出现。
• 到 独立性（1.10）：当 A、B 独立时，$P(AB)=P(A)P(B)$，加法公式有了新的简化形式。
• 到 第 2 章：这个公式会自然推广到多个随机变量——同样的"奇加偶减"规律一直管用。

附：其他常用公式速查

例题：已知 $P(A)=0.5$，$P(B)=0.4$，$P(AB)=0.2$。求 $P(A-B)$ 和 $P(A \cup B)$。

P(A-B) = P(A) - P(AB) = 0.5 - 0.2 = 0.3
P(A∪B) = P(A) + P(B) - P(AB) = 0.5 + 0.4 - 0.2 = 0.7

注意：P(A-B) ≠ P(A) - P(B) = 0.1 ← 这是错的！

上面这道例题用的正是减法公式 $P(A-B) = P(A)-P(AB)$ 和加法公式 $P(A \cup B)=P(A)+P(B)-P(AB)$——和本节刚讲的内容一模一样。

上面重点讲了加法公式的来龙去脉。下面几条公式也是从三条公理推出的，死记硬背不如理解来历——但考试中必须能闭眼写出来：

✍️ 立刻练一道（把"独有部分"用减法公式拆出来）：已知 $P(A)=0.6$，$P(B)=0.5$，$P(A-B)=0.3$。求 $P(AB)$ 和 $P(B-A)$。

由 P(A-B) = P(A) - P(AB)
  0.3 = 0.6 - P(AB)
  所以 P(AB) = 0.3

由 P(B-A) = P(B) - P(AB) = 0.5 - 0.3 = 0.2

答案：P(AB)=0.3，P(B-A)=0.2

💡 符号说明：$P(AB)$ 就是 $P(A \cap B)$ 的简写。概率论里习惯把交集符号 $\cap$ 省掉。就像中文里"男生且戴眼镜"简说成"男生戴眼镜"——$AB$ 就是说"A且B同时发生"。

1.6 条件概率

📌 学完这节，你能回答： "已知是男生，戴眼镜的概率"和"戴眼镜的人里男生占多少"是一回事吗？条件概率的公式分母为什么是 $P(B)$？怎么证明条件概率也是合法的概率？

🏫 ① 生活场景：从"全班"缩小到"男生"

全班 40 人，20 个男生，其中 5 个戴眼镜。问两个不同的问题：

• 不加条件："随机点一个人，他戴眼镜的概率？" → 看全班：5/40 = 12.5%
• 加了条件："已知这个人是男生，他戴眼镜的概率？" → 只看男生：5/20 = 25%

同样的"戴眼镜"，概率从 12.5% 跳到 25%。发生了什么？你换了一个更小的世界——从"全班 40 人"缩小到"男生 20 人"。原来在 40 人的世界里，戴眼镜的只有 5 人；但在 20 个男生的世界里，戴眼镜的还是有 5 人——占比自然变大了。条件概率的本质就是：知道了 B 已经发生，就把样本空间从 S 缩小到 B，然后在 B 这个新世界里重新算概率。

② 正式陈述

事件 B 发生的条件下，事件 A 发生的条件概率为：

$$\boxed{P(A|B) = \frac{P(AB)}{P(B)}} \quad (P(B) > 0)$$

解释：分子 $P(AB)$ 是"A 和 B 同时发生"的概率（在 B 的新世界里，A 发生意味着 AB 发生），分母 $P(B)$ 是"新世界的大小"。整个公式就是 "在 B 的地盘里，AB 占多大比例"。

对称形式（B 在 A 条件下的概率）：$P(B|A) = \dfrac{P(AB)}{P(A)}$，分母换成了 $P(A)$。竖线后面是谁，分母就是谁——记住这个，永远不会搞反。

✍️ 立刻练一道（用"缩小世界"的直觉直接心算）：袋子里有3个红球、2个蓝球。先摸一个（不放回），再摸一个。已知第一次摸到红球，问第二次摸到蓝球的概率是多少？

例题（基础·条件概率）：已知 $P(A)=0.5$，$P(B)=0.4$，$P(AB)=0.2$。求 $P(A|B)$ 和 $P(B|A)$。

P(A|B) = P(AB) / P(B) = 0.2 / 0.4 = 0.5
P(B|A) = P(AB) / P(A) = 0.2 / 0.5 = 0.4

注意：P(A|B) = 0.5 ≠ P(B|A) = 0.4 —— 条件不同结果不同！

这道例题把条件概率公式的两个方向都算了一遍——竖线后是谁，分母就是谁。

🧠 ③ 完整推导：从"样本空间缩小"出发

第1步：把"条件"理解为"换了一个新世界"

没加条件时，我们活在整个样本空间 S 里，任何事件的概率 = 该事件在 S 中的"占比"。

一旦知道了"B 发生了"，S 里那些 B 之外的样本点就跟你没关系了——它们不可能发生了。你的"新世界"缩小到了 B。

大白话：就像你原来关心"全班戴眼镜的比例"。一旦知道"这个人是男生"，女生就跟你没关系了——你只在乎男生堆里戴眼镜的占比。女生被排除在新世界之外。

第2步：在新世界 B 里，A 发生 = A 和 B 同时发生

在 B 这个新世界里，A 要发生——那 A 的样本点必须在 B 里面才可能。换言之，新世界里"A 发生"这件事，等价于原来世界里的 $A \cap B$（即 $AB$）。

大白话：在"男生"这个世界里说"戴眼镜"，指的一定是"男生且戴眼镜"——因为女生的存在已经被你排除了。

第3步：在 B 里算 A 的"占比"——这就是条件概率

在 B 这个新世界里，$AB$ 的"占比"应该等于 $AB$ 的大小除以 B 的大小：

$$P(A|B) = \frac{P(AB)}{P(B)}$$

大白话：用男生人数做分母，用"男生且戴眼镜"的人数做分子，除法做完就是"男生中戴眼镜的比例"。这和小学学的"部分 ÷ 整体"完全一样——只是"整体"从 S 换成了 B。

第4步：验证条件概率是否合法的概率（满足三条公理）

条件概率 $P(\cdot|B)$ 能不能叫"概率"？它必须满足概率的三条公理。我们来逐条验证（把 B 固定，让 A 变化）：

• 非负性：$P(A|B) = P(AB)/P(B)$，分子分母都 ≥ 0，所以 ≥ 0。✅
• 规范性：$P(S|B) = P(SB)/P(B) = P(B)/P(B) = 1$。整个样本空间 S 在 B 的条件下概率为 1——因为在 B 的新世界里，B 本身就是"全部"。✅
• 可列可加性：若 $A_1, A_2, \dots$ 两两互斥，则 $P((A_1 \cup A_2 \cup \dots)|B) = P(A_1B \cup A_2B \cup \dots)/P(B) = [P(A_1B) + P(A_2B) + \dots]/P(B) = P(A_1|B) + P(A_2|B) + \dots$。✅

三条全通过！所以条件概率 $P(\cdot|B)$ 是合法的概率——它只是把"尺子"的起点从 S 换到了 B，尺子本身还是那把尺子。

📝 ④ 推导复盘：用大白话重讲一遍

条件概率的推导不需要任何新公式——从头到尾只用了一个思想实验：把样本空间从 S 换成 B，然后在新世界里重新做"部分 ÷ 整体"。

三步走：

1. 知道 B 发生了 → 世界缩小到 B
2. 在 B 里 A 要发生 → 就是 A 和 B 的交集 $AB$
3. $AB$ 在 B 里的占比 = $P(AB) \div P(B)$

而且这个"缩小世界"的操作是合法的——验证了三条概率公理全部成立。所以条件概率不是"大概""可能"那种模糊说法，而是确确实实有数学担保的概率。

📝 配套练习

练习（条件概率公式）：已知 $P(A)=0.6$，$P(B)=0.5$，$P(AB)=0.3$。求 $P(A|B)$ 和 $P(B|A)$。

P(A|B) = P(AB) / P(B) = 0.3 / 0.5 = 0.6
P(B|A) = P(AB) / P(A) = 0.3 / 0.6 = 0.5

注意：P(A|B) ≠ P(B|A) —— 条件不同结果不同！

⚠️ ⑤ 易错边界

翻车一：$P(A|B)$ 和 $P(B|A)$ 搞反（本章最高频错误，没有之一）

• $P(A|B)$：已知 B，求 A → 分母是 $P(B)$，分子是 $P(AB)$
• $P(B|A)$：已知 A，求 B → 分母是 $P(A)$，分子是 $P(AB)$

大白话记法：竖线后面是谁，就用谁做分母。 $P(\text{戴眼镜} | \text{男生})$ 的分母是男生的概率；$P(\text{男生} | \text{戴眼镜})$ 的分母是戴眼镜的概率。两个数通常不相等——"男生中戴眼镜的比例"和"戴眼镜的人中男生的比例"完全是两码事。

翻车二：忘了分母必须大于 0

公式要求 $P(B) > 0$。如果 $P(B) = 0$（B 是不可能事件），条件概率没有定义——你不能问"在不可能发生的事发生了的前提下……"，逻辑上就没意义。

翻车三：把条件概率的分子写成 $P(A)$

$P(A|B) \neq P(A)/P(B)$！分子是 $P(AB)$（交集），不是 $P(A)$。"在 B 的条件下 A 发生"说的是 A 和 B 一起发生，不是 A 单独发生。

速记口诀：竖线后面做分母，分子必是交集；竖线前后别搞反，搞反答案全乱。

🔗 ⑥ 在整条链中的位置

条件概率是第 1 章公式链条的"第一块多米诺骨牌"——它自己很简单，但推动了后面所有重要公式：

$$\text{条件概率定义} \xrightarrow{\text{两边乘 } P(B)} \text{乘法公式} \xrightarrow{\text{划分+求和}} \text{全概率} \xrightarrow{\text{颠倒}} \text{贝叶斯}$$

条件概率是这根链条的起点——把它吃透，后面乘法公式、全概率、贝叶斯都是水到渠成的"组合拳"。

1.7 乘法公式

📌 学完这节，你能回答： 条件概率公式翻个跟头变成了什么？怎么算"既是男生又戴眼镜"这种"同时满足两个条件"的概率？

先想一个具体问题："既是男生又戴眼镜"的概率怎么算？

全班 40 人，男生占 $P(\text{男}) = 0.5$，而在男生里戴眼镜的占 $P(\text{眼镜}|\text{男}) = 0.25$。问：随便点一个人，既是男生又戴眼镜的概率是多少？

难在哪？——"又是男生、又戴眼镜"是两个条件叠在一起，你手上只有"男生的概率"和"男生中戴眼镜的比例"，怎么把它们凑出"男且眼镜"？

试着算：用缩小世界的思路反过来想。$P(\text{眼镜}|\text{男}) = 0.25$ 的意思是"男生世界里，戴眼镜的占 1/4"。那男生世界里有多少人呢？全世界 40 人，男生占一半（20 人），其中 1/4 戴眼镜（5 人）。所以"男且眼镜"占全班的 5/40 = 12.5%。

🧠 这一步在想什么：我们其实是先取男生这一部分（×0.5），再从这一部分里取戴眼镜的（×0.25）——两步乘起来：$0.5 \times 0.25 = 0.125$。"先分叉、再缩小"两步相乘，这就是乘法公式的直觉。

两步走：

• 第一步：先看他是男生的概率 $P(\text{男})$
• 第二步：在他是男生的条件下，戴眼镜的概率 $P(\text{眼镜}|\text{男})$
• 乘起来：$P(\text{男且眼镜}) = P(\text{男}) \times P(\text{眼镜}|\text{男})$

这正是把条件概率公式 $P(A|B) = \dfrac{P(AB)}{P(B)}$ 两边同时乘以 $P(B)$ 翻个跟头得到的——原来"已知B求A"的关系反过来用，就变成"已知A和B怎么算出一起发生的概率"。

一般形式：
$$\boxed{P(AB) = P(A) \cdot P(B|A) = P(B) \cdot P(A|B)}$$

推广到三个事件：
$$P(ABC) = P(A) \cdot P(B|A) \cdot P(C|AB)$$

推广到n个事件：
$$P(A_1A_2\dots A_n) = P(A_1) \cdot P(A_2|A_1) \cdot P(A_3|A_1A_2) \cdot \dots \cdot P(A_n|A_1A_2\dots A_{n-1})$$

✍️ 立刻练一道（试试"两步相乘"）：袋中有一个盒子，里面装有编号1、2、3、4的4张卡片。不放回地依次抽两张。求第一张抽到1号、第二张抽到2号的概率。

第一步：第一张抽到1号的概率 P(1号) = 1/4
第二步：在已抽走1号的情况下，剩3张卡片，第二张抽到2号的概率 P(2号|1号) = 1/3
乘起来：P(第一张1号 且 第二张2号) = 1/4 × 1/3 = 1/12

答案：1/12

1.8 全概率公式

📌 学完这节，你能回答： 全概率公式本质是在做什么？怎么把复杂事件拆成"分情况讨论"？什么叫"划分"？推导的每一步在想什么？

🏭 ① 生活场景：三家工厂供货

想象你是一家手机店老板。你的手机从三个工厂进货：

• 甲厂供了60%的货，但它的次品率是5%（20部里坏1部）
• 乙厂供了30%的货，次品率8%
• 丙厂供了10%的货，次品率2%

所有手机混在一起摆在仓库里。你闭着眼睛随手拿一部——它坏掉的概率有多大？

直觉上你可能会想："甲厂供的最多（60%），它好坏大概决定了一切"——但不对。正确答案是把三条"路"全算进去：

• 手机来自甲厂（60%）且在甲厂是坏的（5%）→ 这条路概率 = 60% × 5% = 3%
• 手机来自乙厂（30%）且在乙厂是坏的（8%）→ 这条路概率 = 30% × 8% = 2.4%
• 手机来自丙厂（10%）且在丙厂是坏的（2%）→ 这条路概率 = 10% × 2% = 0.2%

三条路加起来：3% + 2.4% + 0.2% = 5.6%。

这就是全概率公式要干的事：把一个大问题拆成互不重叠的"情况"（来自哪个厂），分别算每种情况下目标事件（坏掉）的概率，再按各情况占比加权求和。

② 正式陈述

条件：设 $B_1, B_2, \dots, B_n$ 是样本空间 $S$ 的一个划分（partition），即同时满足两点：

• 互斥：$B_i \cap B_j = \varnothing$（任意两个不重叠，例如一部手机不可能同时来自甲厂又来自乙厂）
• 穷尽：$B_1 \cup B_2 \cup \dots \cup B_n = S$（合起来覆盖所有可能，例如手机只有这三个来源）

A 是任意一个事件（例如"手机是坏的"）。

结论：

$$\boxed{P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i)}$$

展开写就是：
$$P(A) = P(B_1) \cdot P(A|B_1) + P(B_2) \cdot P(A|B_2) + \dots + P(B_n) \cdot P(A|B_n)$$

一句话：A 的总概率 = 每条"路径"（$B_i$ 发生且 A 发生）的概率之和。

✍️ 立刻练一道（用"分情况再加权求和"试试）：甲盒子有2个红球、3个白球；乙盒子有1个红球、2个白球。先掷一枚硬币：正面选甲盒，反面选乙盒，再从选中的盒子里摸一个球。求摸到红球的概率。

划分：选中甲盒B₁（概率1/2）、选中乙盒B₂（概率1/2）
P(红|B₁) = 2/5，P(红|B₂) = 1/3
P(红) = (1/2)×(2/5) + (1/2)×(1/3)
      = 1/5 + 1/6 = 6/30 + 5/30 = 11/30

答案：11/30

🧠 这一步在想什么：硬币没掷之前，红球可能来自甲盒也可能来自乙盒——你没法直接说"红球概率是多少"，只能分两种情况各算一条路，再按选盒概率加权求和。这正是全概率公式的套路：先分叉，每条路算出贡献，再加总。

🧠 ③ 完整推导：从"划分"走到全概率公式

我们一步步把上面那个"三家工厂"的思路，用数学语言证明出来。

第1步：用"划分"切开 A

$B_1, B_2, \dots, B_n$ 是 S 的一个划分。既然它们合起来就是整个样本空间 S，那么任何一个事件 A 都可以写成 A 与每个 $B_i$ 的交集之并：

$$A = (A \cap B_1) \cup (A \cap B_2) \cup \dots \cup (A \cap B_n)$$

大白话：把"A 发生"这件事拆成 n 种互斥的情况——"A 发生了，而且情况是 $B_1$""A 发生了，而且情况是 $B_2$"……以此类推。因为 $B_1$ 到 $B_n$ 覆盖了所有可能性，所以"A 发生"一定跑不出这 n 种情况。

第2步：互斥 → 概率可以拆开加

因为 $B_1, B_2, \dots, B_n$ 两两互斥，所以 $(A \cap B_1), (A \cap B_2), \dots, (A \cap B_n)$ 也两两互斥（交集已经分开了，各自待在自己的 $B_i$ 里，不可能重叠）。既然互斥，概率可以直接相加：

$$P(A) = P(A \cap B_1) + P(A \cap B_2) + \dots + P(A \cap B_n)$$

大白话：互斥事件的概率可以直接加——就像"抽到甲厂次品""抽到乙厂次品""抽到丙厂次品"这三种事不可能同时发生，所以"抽到次品"的总概率就是它们各自的概率直接相加。

第3步：每一项用乘法公式展开

对每一项 $P(A \cap B_i)$，用乘法公式 $P(AB) = P(B) \cdot P(A|B)$：

$$P(A \cap B_i) = P(B_i) \cdot P(A|B_i)$$

大白话：$A \cap B_i$ 的意思是"既是 $B_i$ 这种情况，A 又发生了"。这等于——先看 $B_i$ 发生的概率（$P(B_i)$），再乘以"在 $B_i$ 已经发生的前提下 A 发生的概率"（$P(A|B_i)$）。就像先看手机来自甲厂的概率（60%），再乘上甲厂条件下手机是坏的概率（5%）。

第4步：全部代入，得到全概率公式

把第3步的结果代入第2步的式子：

$$P(A) = P(B_1) \cdot P(A|B_1) + P(B_2) \cdot P(A|B_2) + \dots + P(B_n) \cdot P(A|B_n)$$

用求和号写成紧凑形式：

$$\boxed{P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i)}$$

大白话：全概率公式本质上就是把"A 发生的总概率"拆成"每种情况发生的概率 × 该情况下 A 的条件概率"，再全加起来。 它之所以叫"全"概率，是因为它把 A 在所有可能路径上的概率"一网打尽"了。

📝 ④ 推导复盘：用大白话重讲一遍

刚才那四步，换成大白话复述一遍就是：

1. 先把世界分成几块（找"划分"）：把样本空间切成互斥且穷尽的 $B_1, B_2, \dots, B_n$。就像把仓库里所有手机按"来自哪个厂"分成三堆——每部手机属于且只属于一堆。
2. 在每一块里分别算 A 的概率：比如甲厂那一堆里，坏手机的比例是 $P(A|B_1)=5%$；乙厂那一堆里是 8%；丙厂是 2%。
3. 每块的概率 = 这块的占比 × 这块里 A 的概率：甲厂贡献 = $P(B_1) \times P(A|B_1)$ = 60% × 5% = 3%。以此类推。
4. 全加起来就是 A 的总概率：3% + 2.4% + 0.2% = 5.6%。

整个推导的核心只有两把刀：划分（把世界切开）+ 乘法公式（切开的每一块里再算条件概率）。没有引入任何新东西——全概率公式完全是条件概率和乘法公式的"组合拳"。

📝 配套练习

练习①（全概率公式）：有甲乙两个口袋。甲袋有2白3黑，乙袋有4白1黑。随机选一个口袋，再从中随机取一球。求取到白球的概率。

划分：选中甲袋B₁，选中乙袋B₂，各概率1/2

P(白|B₁) = 2/5
P(白|B₂) = 4/5

P(白) = (1/2)×(2/5) + (1/2)×(4/5)
      = 1/5 + 2/5 = 3/5

答案：3/5（即0.6）

练习②（全概率公式·抽签公平性）：10个球中有3个红球7个白球。甲、乙、丙三人依次各摸一球（不放回）。证明三人摸到红球的概率相等。

甲：P(R₁) = 3/10

乙：全概率公式，以甲为条件
P(R₂) = P(R₁)·P(R₂|R₁) + P(R̄₁)·P(R₂|R̄₁)
      = (3/10)×(2/9) + (7/10)×(3/9)
      = 6/90 + 21/90 = 27/90 = 3/10

丙：同样用全概率公式（四种情况，结果也是3/10）

结论：先抽后抽，概率相同！抽签是中立的。

⚠️ ⑤ 易错边界：三个最容易翻车的地方

翻车一：划分不"穷尽"——漏了一种情况

例题：某产品由甲、乙两厂生产，甲占 70%、乙占 30%。但你忘了丙厂（其实不存在）。这时候用甲和乙算 $P(A)$，算出来对不对？

• 如果只有甲和乙两厂，且它们合起来占 100%，那划分是穷尽的，没问题。
• 但如果实际上还有一个丙厂占了 5%，而你没把它算进划分里——那算出的 $P(A)$ 就漏掉了丙厂的贡献，结果是错的。

大白话：划分必须"覆盖全集"。就像你统计全班身高时漏掉了最后一排的同学——不管你前面算得多精确，总数都不对。

翻车二：划分不"互斥"——有重叠

如果 $B_1$ 和 $B_2$ 有重叠（不互斥），那么 $A \cap B_1$ 和 $A \cap B_2$ 也可能重叠。这时第2步里"概率直接相加"就不合法了——重叠部分会被算两遍！

大白话：就像你数仓库里坏手机时，如果有一部手机同时被归入"甲厂"和"乙厂"，那它被数了两次，总数就多了。互斥保证每部手机只属于一个厂。

翻车三：忘记乘 $P(B_i)$——只加了条件概率

最最常见的错误：

$$P(A) \neq P(A|B_1) + P(A|B_2) + \dots + P(A|B_n) \quad \text{❌ 错误！}$$

• ❌ 错写：$P(\text{坏}) = 5% + 8% + 2% = 15%$（把条件概率直接相加）
• ✅ 正写：$P(\text{坏}) = 60% \times 5% + 30% \times 8% + 10% \times 2% = 5.6%$

大白话：条件概率 $P(A|B_i)$ 只是"在 $B_i$ 里面 A 的比例"，但 $B_i$ 本身只占世界的一部分（$P(B_i)$）！你得先把 $B_i$ 的"权重"乘上去，才能贡献到全局。就像甲厂虽然次品率 5%，但它只供了 60% 的货，它对总坏手机率的贡献不能是 5%，而应该是 60% × 5% = 3%。

速记口诀：划分要互斥穷尽不漏不重；每块贡献是"占比 × 条件概率"；忘乘占比是最高频错误。

🔗 ⑥ 在整条链中的位置

全概率公式不是空中楼阁——它站在两个"前辈"的肩膀上：

全概率公式往前一步，就引出了贝叶斯公式：

• 全概率：原因 → 结果（已知各厂次品率和供货占比，问总次品率）——算分母 $P(A)$
• 贝叶斯：结果 → 原因（已知抽到的是坏的，问它来自哪个厂）——用全概率做分母，反推 $P(B_i|A)$

$$\text{条件概率} \xrightarrow{\text{翻个跟头}} \text{乘法公式} \xrightarrow{\text{划分+求和}} \boxed{\text{全概率公式}} \xrightarrow{\text{分子分母颠倒}} \text{贝叶斯公式}$$

1.9 贝叶斯公式

📌 学完这节，你能回答： 体检阳性就真的有病吗？贝叶斯公式和全概率公式是什么关系？推导的每一步在想什么？分子分母搞反了会怎样？

🏥 ① 生活场景：体检阳性的惊吓

你去做了一项体检，查一种罕见病。医生告诉你三个数据：

• 这种病在人群中的发病率是 1%（每1000人里约10人真有病）
• 如果你真的有病，检测出阳性的概率是 99%（基本都能查出来）
• 如果你没病，检测误报为阳性的概率是 5%（每100个健康人里5个被错报）

你拿到报告——阳性。你慌了："我有 99% 的概率得病了？"

别急。直觉在骗你。真正有病的概率大约是 16.7%——远低于你直觉中的 99%。

为什么？ 我们来数人头：假设有 10000 个人来做体检。

• 真病人：10000 × 1% = 100 人。其中检出阳性：100 × 99% = 99 人。
• 健康人：10000 × 99% = 9900 人。其中误报阳性：9900 × 5% = 495 人。

所有阳性的人 = 99（真病阳性）+ 495（健康误报）= 594 人。

在这 594 个拿到阳性报告的人里，真正有病的只有 99 人。所以：

$$P(\text{真有病} \mid \text{阳性}) = \frac{99}{594} \approx 0.167 = 16.7%$$

大白话：病太罕见了（1%），所以绝大多数阳性都是健康人被误报的——这 495 个"假阳性"淹没了那 99 个"真阳性"。贝叶斯公式就是一台"反推机器"：拿到检测结果后，帮你从"先验的估计"算出"修正后的真实概率"。

② 正式陈述

条件：

• $B_1, B_2, \dots, B_n$ 是样本空间 S 的一个划分（互斥且穷尽）
• A 是一个已经发生的事件（$P(A) > 0$），例如"检测阳性"
• 已知每个 $P(B_i)$（先验概率）和 $P(A|B_i)$（在 $B_i$ 条件下 A 的概率）

结论：在 A 已经发生的条件下，$B_i$ 发生的概率为：

$$\boxed{P(B_i|A) = \frac{P(B_i) \cdot P(A|B_i)}{\displaystyle\sum_{j=1}^{n} P(B_j) \cdot P(A|B_j)} = \frac{P(B_i) \cdot P(A|B_i)}{P(A)}}$$

一句话：贝叶斯 = 某一条路径的贡献 ÷ 所有路径的贡献总和。

其中分母 $\sum P(B_j) \cdot P(A|B_j)$ 正是全概率公式算出的 $P(A)$——所以贝叶斯和全概率共享同一个分母。

✍️ 立刻练一道（已知结果，反推原因——用"路径贡献 ÷ 路径总和"）：某零件由甲乙两箱供货：甲箱供70%（次品率1%），乙箱供30%（次品率3%）。任取一件恰好是次品，问它来自甲箱的概率是多少？

B₁ = 甲箱, B₂ = 乙箱, A = 取到次品
P(B₁)=0.7, P(B₂)=0.3
P(A|B₁)=0.01, P(A|B₂)=0.03

分母（全概率）：
P(A) = 0.7×0.01 + 0.3×0.03 = 0.007 + 0.009 = 0.016

分子（甲箱这条路的贡献）：
P(B₁)·P(A|B₁) = 0.007

贝叶斯：P(B₁|A) = 0.007 / 0.016 = 7/16 = 0.4375

答案：约43.75%

🧠 这一步在想什么：题目问"是次品，来自哪"——是由果反推因，跟全概率（由因算果）正好相反。套路固定：先算分母（所有路径的总和，用全概率），再把"你关心的那条路"除以总和。记着"分子是某条路，分母是总盘子"就不会搞反。

🧠 ③ 完整推导：从条件概率定义走向贝叶斯公式

我们用体检例子跟着走一遍——每一步都有一个具体数字可以摸着。

设定：$B_1$ = 有病，$B_2$ = 没病；A = 检测阳性。

• $P(B_1) = 0.01$（发病率 1%）
• $P(B_2) = 0.99$（没病概率 99%）
• $P(A|B_1) = 0.99$（有病时检出率 99%）
• $P(A|B_2) = 0.05$（没病时误报率 5%）

我们要算：$P(B_1|A)$——已知检测阳性，真有病的概率。

第1步：从条件概率定义出发

根据条件概率的定义，$P(B_1|A)$（已知 A 发生，$B_1$ 的概率）是：

$$P(B_1|A) = \frac{P(B_1 \cap A)}{P(A)}$$

大白话：条件概率本质上就是"缩小世界"。原来世界是整个样本空间 S，现在知道了 A 发生了——就把世界缩小到 A 里面。在 A 这个"新世界"里，$B_1$ 占多大比例？答案是 $B_1$ 和 A 的交集（$B_1 \cap A$）占 A 的比例。所以公式 = 交集概率 ÷ A 的概率。

用体检例子代入：$P(B_1|A)$ = "真有病且阳性"的人数 ÷ "所有阳性"的人数。从刚才的人头数：99 ÷ 594 ≈ 0.167。

第2步：展开分子——用乘法公式

分子 $P(B_1 \cap A)$ 可以写成什么？用乘法公式：
$$P(B_1 \cap A) = P(B_1) \cdot P(A|B_1)$$

大白话：$B_1 \cap A$ 是"有病且阳性"——这等于"先看有病的概率（$P(B_1)=0.01$）"，再乘以"有病的人里阳性的比例（$P(A|B_1)=0.99$）"。两步乘起来 = 0.01 × 0.99 = 0.0099。对应人头数：10000 × 0.0099 = 99 人——正是我们之前数的"真病人中的阳性者"。

第3步：展开分母——用全概率公式

分母 $P(A)$ 怎么算？A（检测阳性）可以在两种情况下发生——有病的人被检出，或者没病的人被误报。这正是全概率公式的用武之地：

$$P(A) = P(B_1) \cdot P(A|B_1) + P(B_2) \cdot P(A|B_2)$$

大白话：总共有多少阳性？= "有病的人查出阳性"的数量 + "没病的人误报阳性"的数量。对应数字：0.01 × 0.99 + 0.99 × 0.05 = 0.0099 + 0.0495 = 0.0594。等价于 594 人——所有拿到阳性报告的人。

第4步：分子分母合在一起——贝叶斯公式诞生

把第2步的分子和第3步的分母代回第1步的条件概率公式：

$$P(B_1|A) = \frac{P(B_1) \cdot P(A|B_1)}{P(B_1) \cdot P(A|B_1) + P(B_2) \cdot P(A|B_2)}$$

代入数字：
$$P(B_1|A) = \frac{0.01 \times 0.99}{0.01 \times 0.99 + 0.99 \times 0.05} = \frac{0.0099}{0.0594} \approx 0.167$$

推广到 n 个 $B_i$ 的一般形式：

$$\boxed{P(B_i|A) = \frac{P(B_i) \cdot P(A|B_i)}{\displaystyle\sum_{j=1}^{n} P(B_j) \cdot P(A|B_j)}}$$

大白话：分母是所有原因导致 A 发生的总概率（全概率），分子是其中第 i 个原因的"贡献"。整个公式做的就一件事——在 A 这个结果的总盘子里，第 i 个原因分到了多大一块。就像在 594 个阳性者中数一数有多少是真的病人——99 个，占比 16.7%。

📝 ④ 推导复盘：用大白话重讲一遍

贝叶斯公式的推导三步走，换大白话再说一遍：

1. 起点是条件概率：想知道"已知阳性后真有病的概率"→ 按定义就是"有病且阳性 ÷ 所有阳性"。
2. 分子从乘法来："有病且阳性"拆成"先有病（1%）× 有病时检出阳性（99%）"。
3. 分母从全概率来："所有阳性"拆成两条路——有病阳性（1% × 99%）+ 没病误报（99% × 5%）。

合起来就是：分子 = 你关心的那条路；分母 = 所有路的总和。 贝叶斯公式没有引入任何新概念——它只是把条件概率定义、乘法公式、全概率公式串在一起用了一次。

和全概率公式的关系：

• 全概率：从原因 $B_i$ 出发，顺着箭头 $B_i \to A$ 算出 A 的总概率（$P(A)$）。
• 贝叶斯：从结果 A 出发，逆着箭头 $A \to B_i$ 反问"A 已经发生了，原因是 $B_i$ 的可能性有多大"（$P(B_i|A)$）。

两者共享同一个分母 $P(A)$——先用全概率算出分母（所有路的总和），再用贝叶斯算出各条路的占比。它们是同一枚硬币的两面。

📝 配套练习

练习①（贝叶斯公式）：一批零件由A、B两台机器生产。A生产60%，次品率2%；B生产40%，次品率5%。任取一件恰好是次品，问这个次品是B生产的概率。

B₁ = A生产, B₂ = B生产
P(B₁)=0.6, P(B₂)=0.4
P(次|B₁)=0.02, P(次|B₂)=0.05

全概率：P(次) = 0.6×0.02 + 0.4×0.05 = 0.012 + 0.020 = 0.032

贝叶斯：P(B₂|次) = 0.4×0.05 / 0.032 = 0.020/0.032 = 5/8 = 0.625

答案：62.5%

练习②（全概率+贝叶斯综合·经典真题型）：一条自动生产线，正常运转时产品合格率90%；不正常时合格率30%。历史数据表明，正常运转的概率为80%。

(1) 求任意一件产品的合格率。
(2) 某天随机抽取一件产品发现不合格，问此时生产线正常运转的概率是多少？

设B₁ = 正常, B₂ = 不正常
P(B₁)=0.8, P(B₂)=0.2
设A = 合格

P(A|B₁)=0.9, 所以P(Ā|B₁)=0.1（不合格）
P(A|B₂)=0.3, 所以P(Ā|B₂)=0.7（不合格）

(1) 全概率（合格率）：
P(A) = 0.8×0.9 + 0.2×0.3 = 0.72 + 0.06 = 0.78
答案：78%

(2) 贝叶斯（发现不合格，反推正常）：
P(Ā) = 0.8×0.1 + 0.2×0.7 = 0.08 + 0.14 = 0.22

P(B₁|Ā) = 0.8×0.1 / 0.22 = 0.08/0.22 = 8/22 = 4/11 ≈ 0.3636

答案：约36.4%

💡 虽然正常运转概率高达80%，但一旦发现不合格产品，
生产线正常的概率就降到约36%——因为正常时几乎不出废品。

⚠️ ⑤ 易错边界：贝叶斯翻车的三大重灾区

翻车一：分子分母搞反（全章最高频错误，没有之一）

这是概率论考试里最经典的翻车现场：

• ❌ 错误写法：$P(B_i|A) = \dfrac{P(A)}{P(B_i) \cdot P(A|B_i)}$ ——把全概率当分子、路径贡献当分母，整个颠倒！
• ✅ 正确写法：$P(B_i|A) = \dfrac{P(B_i) \cdot P(A|B_i)}{P(A)}$ ——分子是路径贡献，分母是全概率。

大白话记忆法：分母是"总共多大块"（所有阳性的人 = 594人），分子是"我占多大块"（真有病的阳性者 = 99人）。我占的比例 = 我这一块 ÷ 总共那一大块。 分子永远比分母小（概率不超过100%）——如果你的计算结果大于1，一定是搞反了。

翻车二：先验和后验混淆

• 先验概率 $P(B_i)$：在看到任何证据之前的判断。比如"在拿到检测报告前，我觉得自己得这个病的概率是 1%"。
• 后验概率 $P(B_i|A)$：看到证据（A 发生了）之后，修正过的判断。比如"拿到阳性报告后，我真正有病的概率变成了约 17%"。

大白话：贝叶斯公式是一个"认知更新机"——输入先验判断 + 新证据（A 发生），输出修正后的判断。常见错误是直接把先验 $P(B_i)$ 当成最终答案，忘了更新；或者把 $P(A|B_i)$（有病时阳性的概率）当成 $P(B_i|A)$（阳性时有病的概率）——这两个完全不同！前者是"病人中阳性的比例（99%）"，后者是"阳性者中病人的比例（16.7%）"——混了就全错了。

翻车三：忘了"所有后验加起来等于1"这个自检武器

计算完贝叶斯后，所有 $P(B_i|A)$ 加起来必须等于 1：
$$P(B_1|A) + P(B_2|A) + \dots + P(B_n|A) = 1$$

大白话：既然 A 已经发生了，那么"原因是 $B_1$""原因是 $B_2$"……"原因是 $B_n$"这几种情况中，一定有一个是真的（因为它们互斥且穷尽了整个样本空间）。所以它们的后验概率加起来必等于 100%。如果你算出来的加起来不等于 1——那一定是某个环节算错了。这是一条免费的验算工具，别忘了用！

记忆口诀：分母全概率，分子路径贡献；先验是事前判断，后验是事后修正；算完求和必为1，不等于1就重算。

🔗 ⑥ 在整条链中的位置

贝叶斯公式是第1章公式链条的终点——它把前面学过的几乎所有东西都串起来了：

链式关系图（一张图记住整章的公式血缘）：

$$P(A|B) = \frac{P(AB)}{P(B)} \quad \text{（条件概率定义）}$$

$$\Downarrow \text{翻个跟头（两边乘 } P(B) \text{）}$$

$$P(AB) = P(B) \cdot P(A|B) \quad \text{（乘法公式）}$$

$$\Downarrow \text{引入划分 + 求和}$$

$$P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i) \quad \text{（全概率公式）}$$

$$\Downarrow \text{分子分母颠倒（条件概率 + 全概率）}$$

$$P(B_i|A) = \frac{P(B_i) \cdot P(A|B_i)}{\sum P(B_j) \cdot P(A|B_j)} \quad \text{（贝叶斯公式）}$$

一句话总结整条链：条件概率告诉你"在 B 的世界里 A 占多大比例"；乘法公式帮你算"A 和 B 一起发生的概率"；全概率把 A 在所有可能路径上的概率加总；贝叶斯则反过来——看到 A 发生了，反推各条路径各有多大嫌疑。这四个公式不是孤立的，而是环环相扣的一条项链。 到了后面章节（第2章随机变量、第4章数字特征），全概率和贝叶斯会反复出现——现在把根扎深，后面事半功倍。

1.10 事件的独立性

📌 学完这节，你能回答： 独立和互斥到底有什么区别？怎么判断两个事件是否独立？"独立必不互斥，互斥必不独立"怎么用数学证明？

🎬 ① 生活场景：你吃饭 vs 朋友看电视

先想一个场景：你知道你在吃饭，能推断出你朋友在干嘛吗？

你在家吃饭，你朋友在另一个城市看电视。知道你在吃饭，能推断出你朋友在干嘛吗？不能——两件事各干各的，互不干扰。这就是独立。

反过来，如果两个事互斥——比如"你吃的是米饭"和"你吃的是面条"——它们不能同时发生，但知道"你吃的是米饭"就自动知道了"你没吃面条"。互斥的事，知道一个就必然知道另一个——信息量拉满了，跟独立完全相反。

🧠 这一步在想什么：独立和互斥关心的是完全不同的两件事——独立问"知道一个，对判断另一个有没有用"；互斥问"两个能不能一起发生"。这个区别是这节最核心的考点，先记住这个感觉。

② 正式陈述

A 和 B 独立的定义：

$$\boxed{P(AB) = P(A) \cdot P(B)}$$

等价判断方式（以下三条互相等价，满足任一条即可判定独立）：

• $P(A|B) = P(A)$ —— B 发生不改变 A 的概率
• $P(B|A) = P(B)$ —— A 发生不改变 B 的概率
• $P(AB) = P(A) \cdot P(B)$ —— 乘法可以直接拆开

独立性的重要性质：如果 A 和 B 独立，那么 A 和 $\bar{B}$、$\bar{A}$ 和 B、$\bar{A}$ 和 $\bar{B}$ 也都独立。通俗理解：如果知道 B 不影响对 A 的判断，那么知道"不是 B"同样不影响。

多个事件的独立性：

A, B, C 满足两两独立：$P(AB)=P(A)P(B)$，$P(AC)=P(A)P(C)$，$P(BC)=P(B)P(C)$

A, B, C 满足相互独立（更强）：上面三条 + $P(ABC)=P(A)P(B)P(C)$

⚠️ 高频考点：两两独立 ≠ 相互独立。存在只两两独立但不是相互独立的例子——考概念题时一定小心。

✍️ 立刻练一道（判断独立，就比一个等式）：已知 $P(A)=0.5$，$P(B)=0.4$，$P(AB)=0.2$。问A和B是否独立？

P(A)·P(B) = 0.5 × 0.4 = 0.2
P(AB) = 0.2

因为 P(AB) = P(A)·P(B)，所以A和B独立。

🧠 ③ 推导与证明

推导一：从条件概率走向独立定义

条件概率的定义是 $P(A|B) = P(AB)/P(B)$。现在问：什么时候 B 的发生"不影响"A 的概率？

"不影响"在数学上的意思是：$P(A|B) = P(A)$——加了条件 B 之后，A 的概率和没加条件时一样。

把条件概率定义代入：

$$P(A|B) = \frac{P(AB)}{P(B)} = P(A)$$

两边同乘 $P(B)$：

$$\boxed{P(AB) = P(A) \cdot P(B)}$$

大白话：独立的定义 $P(AB)=P(A)P(B)$ 不是凭空发明的——它就是"加不加条件，概率都一样"这句话的数学翻译。把条件概率公式 $P(A|B)=P(AB)/P(B)$ 里的 $P(A|B)$ 换成 $P(A)$，移项就得到了独立的定义。

同理，从 $P(B|A) = P(B)$ 出发也能推出同样的结论——两条路殊途同归。

推导二："独立 ≠ 互斥"的数学证明

这是全章最经典的结论：当 $P(A) > 0$ 且 $P(B) > 0$ 时，独立和互斥不可能同时成立。

证明分两半：

一半：若 A 和 B 独立，则它们不互斥。

已知 A、B 独立，所以 $P(AB) = P(A) \cdot P(B)$。因为 $P(A) > 0$ 且 $P(B) > 0$，所以 $P(AB) > 0$。

互斥的定义是 $AB = \varnothing$（交集为空），这意味着 $P(AB) = 0$。

但 $P(AB) > 0$，与 $P(AB) = 0$ 矛盾！所以 A 和 B 不能互斥。

大白话：独立意味着 $P(AB) = P(A) \times P(B)$——两个正数相乘一定大于 0，所以 A 和 B 一定有可能同时发生。互斥却要求它们决不能同时发生（交集概率为 0）。自相矛盾——所以独立必不互斥。

另一半：若 A 和 B 互斥，则它们不独立。

已知 A、B 互斥，所以 $AB = \varnothing$，$P(AB) = 0$。

如果 A、B 又独立，则必须有 $P(AB) = P(A) \cdot P(B)$。但 $P(A) \cdot P(B) > 0$（两个正数相乘），而 $P(AB) = 0$，矛盾！所以 A、B 不独立。

大白话：互斥意味着 $P(AB) = 0$（绝不一起发生）。但独立要求 $P(AB) = P(A) \times P(B)$——如果 P(A) 和 P(B) 都大于 0，乘积一定大于 0，不可能等于 0。自相矛盾——所以互斥必不独立。

结论：$P(A)>0$ 且 $P(B)>0$ 的条件下，独立 ⇔ 不互斥（两者互为对立）。公式记忆：互斥 = 交集为零（$P(AB)=0$），独立 = 交集等于乘积（$P(AB)=P(A)P(B)>0$）→ 零不可能等于正数。

📝 ④ 推导复盘：用大白话重讲一遍

独立性的来龙去脉三句话：

1. 从哪儿来：独立是从条件概率"长出来的"——"加不加条件，概率都一样"翻译成公式就是 $P(AB)=P(A)P(B)$。
2. 本质上是什么：独立说的是"知道 A 有没有发生，不影响你对 B 的判断"——是一种概率关系（信息关系），不是集合关系。
3. 和互斥为什么不共戴天：互斥说的是"不能一起发生"（$AB$ 为空），独立说的是"发生概率互不影响"。当两个事件都可能发生时（概率都 > 0），互斥要求 $P(AB)=0$，独立要求 $P(AB)=P(A)P(B)>0$——0 和正数不可能相等，所以两者不共戴天。

📝 配套练习

练习①（独立+基本公式综合）：设A、B独立，$P(A)=0.4$，$P(B)=0.6$。求 $P(A \cup B)$ 和 $P(\bar{A}\bar{B})$。

A、B独立 → P(AB) = P(A)·P(B) = 0.4×0.6 = 0.24

P(A∪B) = P(A) + P(B) - P(AB) = 0.4 + 0.6 - 0.24 = 0.76

P(ĀB̄) = 1 - P(A∪B) = 1 - 0.76 = 0.24

答案：P(A∪B)=0.76，P(ĀB̄)=0.24

练习②（独立+互斥辨析·概念判断题）：判断下列说法是否正确，并说明理由：

(1) 若 $P(A)=0$，则A是不可能事件。

(2) 若A与B独立，B与C独立，则A与C独立。

(3) 若A与B互斥，则A与B不独立（除非 $P(A)=0$ 或 $P(B)=0$）。

⚠️ ⑤ 易错边界

翻车一：题目没提"独立"就自动用 $P(AB) = P(A)P(B)$

这是最常见的翻车姿势。$P(AB) = P(A) \cdot P(B)$ 只在独立时成立。题目没给出"独立"两个字时，只能用通用公式 $P(AB) = P(B) \cdot P(A|B)$（乘法公式），不能用乘积代替。

怎么判断题目有没有给"独立"？看关键词："相互独立""各自独立""互不影响""有放回抽取"。没有这些词就不能直接用乘积。

翻车二：以为互斥和独立差不多

互斥和独立是完全不同的两回事：

一句话分家：互斥 = "有我没你"（不能共存），独立 = "关我屁事"（互不干扰）。

翻车三：两两独立当成了相互独立

三个事件两两独立（$P(AB)=P(A)P(B)$, $P(AC)=P(A)P(C)$, $P(BC)=P(B)P(C)$）不等于相互独立。相互独立还额外要求 $P(ABC)=P(A)P(B)P(C)$。存在精心构造的例子只有两两独立而不相互独立。碰到概念判断题时，检查是否满足全部等式。

翻车四：独立性有传递性吗？

没有。A 与 B 独立、B 与 C 独立，不能推出 A 与 C 独立。例子：掷两次骰子，A="第一次为1"，B="第二次为1"，C="点数之和为偶数"——A和B独立，B和C独立，但A和C不独立。

速记口诀：独立来自条件概率，互斥说的是交集；乘积为零必不独立，没有独立别用乘积。

🔗 ⑥ 在整条链中的位置

独立性是第 1 章里一个承上启下的概念：

在后续章节中：

• 第 2 章随机变量：独立性的定义推广到"两个随机变量独立"，是联合分布和边缘分布关系的基础。
• 伯努利试验（1.11）：n 次试验相互独立，是二项公式成立的前提。
• 大数定律（第 5 章）：独立同分布是大数定律的核心条件。

独立性是概率论的分水岭——没有独立，只能老老实实走条件概率 → 乘法公式 → 全概率这条复杂路径；事件独立了，所有公式简化，计算量断崖式下降。

1.11 伯努利试验与二项概率公式

📌 学完这节，你能回答： 什么是伯努利试验？罚球 10 次恰好中 7 次的概率怎么算？"至少成功 1 次"用什么技巧最快？公式 $C_n^k p^k (1-p)^{n-k}$ 是怎么一步步推出来的？

🏀 ① 生活场景：罚球线上的数学

你站在罚球线上。每次罚球只有两个结果——进或不进。你的命中率是 70%（$p=0.7$），而且每次罚球互不影响（上次进没进跟这次没关系——独立）。这就是一个伯努利试验。

现在你连罚 5 次。问：恰好进 3 次的概率是多少？

直觉上你可能想：进 3 次、不进 2 次，概率 = $0.7 \times 0.7 \times 0.7 \times 0.3 \times 0.3 = 0.7^3 \times 0.3^2 \approx 0.031$。但等等——这只是一个特定顺序的概率（比如前 3 次进、后 2 次不进）。还有一种可能是第 1、2、4 次进、第 3、5 次不进——顺序不同，但也是"恰好 3 次进"。一共有多少种不同的顺序？答案是 $C_5^3 = 10$ 种。所以恰好进 3 次的概率 = $10 \times 0.7^3 \times 0.3^2 \approx 0.309$——比直觉大了 10 倍！

② 正式陈述

伯努利试验：只有两个可能结果（"成功"或"失败"）的随机试验。设每次试验成功的概率为 $p$（$0 < p < 1$），失败的概率为 $1-p$。

n 重伯努利试验：将同一个伯努利试验独立重复进行 $n$ 次。两个关键条件缺一不可：

• 每次试验相互独立（上次结果不影响下次）
• 每次试验成功概率相同（每次都是同一个 $p$）

二项概率公式：在 n 重伯努利试验中，恰好成功 k 次的概率为：

$$\boxed{P(\text{恰好 } k \text{ 次成功}) = C_n^k \ p^k \ (1-p)^{n-k} \quad (k = 0, 1, 2, \dots, n)}$$

其中 $C_n^k = \frac{n!}{k!(n-k)!}$ 是从 n 次中选 k 次作为"成功"的组合数。

💡 这个公式也叫二项概率公式——因为 $C_n^k p^k (1-p)^{n-k}$ 恰好是 $(p + (1-p))^n$ 二项式展开的第 $k+1$ 项。到了第 2 章，它会被正式命名为"二项分布"——公式完全不变，只是换个名字。

✍️ 立刻练一道（定好 n、p、k，套公式）：一枚均匀硬币抛5次，求恰好出现3次正面的概率。

n = 5, p = 0.5, k = 3

P = C₅³ × 0.5³ × 0.5²
  = 10 × 0.125 × 0.25
  = 10 × 0.03125
  = 0.3125

答案：0.3125（即5/16）

🧠 ③ 完整推导：从"独立重复"一步步推出公式

设每次试验成功的概率为 $p$，失败的概率为 $1-p$。做了 n 次相互独立的重复试验。

第1步：挑出一种具体的"成功/失败"排列

先考虑其中一种具体的排列。比如 $n=5$ 次中，一种"恰好 $k=3$ 次成功"的排列是：

$$\text{成, 成, 成, 败, 败}$$

大白话：前 3 次成功、后 2 次失败。这只是一种排列方式。

第2步：算这种排列的概率——用独立性把乘法拆开

因为这 n 次试验相互独立，所以这 n 个结果同时发生的概率，等于各自概率的乘积：

$$P(\text{成, 成, 成, 败, 败}) = p \times p \times p \times (1-p) \times (1-p) = p^3 \times (1-p)^2$$

推广到一般情况：任何一种包含了"恰好 k 次成功、$n-k$ 次失败"的具体排列，其概率都是：

$$p^k \times (1-p)^{n-k}$$

大白话：k 次成功各自乘上概率 p → $p^k$；$n-k$ 次失败各自乘上概率 $(1-p)$ → $(1-p)^{n-k}$；因为独立，全部乘起来就是这种排列的概率。每种具体排列的概率都一样——都等于 $p^k (1-p)^{n-k}$。

第3步：算有多少种这样的排列——组合数 $C_n^k$

"恰好 k 次成功"但没指定是哪 k 次。在 n 个位置中选出 k 个位置给"成功"，剩下 $n-k$ 个给"失败"——选法有 $C_n^k$ 种。

$$C_n^k = \frac{n!}{k!(n-k)!}$$

比如 $n=5, k=3$：$C_5^3 = \frac{5 \times 4 \times 3}{3 \times 2 \times 1} = 10$ 种。

大白话：在 5 次罚球中选 3 次作为"进球"——可以是第(1,2,3)次、第(1,2,4)次、第(1,2,5)次……共 10 种选法。每一种选法对应一种概率为 $p^3(1-p)^2$ 的排列。

第4步：所有排列互斥 → 概率直接相加 → 二项公式诞生

这 $C_n^k$ 种排列是互斥的（同一次试验不可能同时按两种不同的排列发生）。既然互斥，概率可以直接相加：

$$P(\text{恰好 k 次成功}) = \underbrace{p^k(1-p)^{n-k} + p^k(1-p)^{n-k} + \dots + p^k(1-p)^{n-k}}_{C_n^k \text{ 个}}$$

$$= C_n^k \times p^k \times (1-p)^{n-k}$$

$$\boxed{P(X = k) = C_n^k \ p^k \ (1-p)^{n-k}}$$

大白话：二项概率公式 = （有多少种排列）$\times$（每种排列的概率）。其中"多少种排列"就是组合数 $C_n^k$，"每种排列的概率"就是 $p^k (1-p)^{n-k}$。整个推导只用到了两个东西：独立性（把乘法拆开）+ 互斥（把不同排列的概率加起来）。没有引入任何新工具。

📝 ④ 推导复盘：用大白话重讲一遍

二项概率公式的推导就三个关键词：独立、组合、互斥。

1. 独立让你能把 n 次试验的概率直接乘起来 → 每种"恰好 k 次成功"的排列概率都是 $p^k (1-p)^{n-k}$。
2. 组合告诉你——"n 次中选 k 次成功"有多少种不同的排列方式 → $C_n^k$ 种。
3. 互斥让这 $C_n^k$ 种排列的概率可以直接相加 → 最终公式 $C_n^k p^k (1-p)^{n-k}$。

形象理解：一枚硬币抛 n 次，正面概率为 p。"恰好 k 次正面"就相当于——在 n 个格子里挑 k 个放"正面"印章，剩下的放"反面"印章。每种盖章方式的概率都是 $p^k(1-p)^{n-k}$，一共有 $C_n^k$ 种盖章方式，总概率 = 种数 × 每种概率。

📝 配套练习

练习①（伯努利·至少型·真题常考）：某射手命中率0.7，独立射击5次。求：

(1) 至少命中3次的概率（保留4位小数）。
(2) 全都不中的概率。

n=5, p=0.7, q=0.3

(1) 至少命中3次 = P(3) + P(4) + P(5)
P(3) = C₅³ × 0.7³ × 0.3² = 10 × 0.343 × 0.09 = 0.3087
P(4) = C₅⁴ × 0.7⁴ × 0.3¹ = 5 × 0.2401 × 0.3 = 0.3602
P(5) = 0.7⁵ = 0.16807
P(≥3) = 0.3087 + 0.36015 + 0.16807 = 0.83692

答案：0.8369

(2) 全都不中：
P(0) = 0.3⁵ = 0.00243

答案：0.0024（两千分之一，极低）

🛑 途中停顿："至少成功1次"是伯努利试验里最常用的模式。直接用对立事件 $1-(1-p)^n$ 来算，比从 $k=1$ 累加到 $k=n$ 快得多。这个技巧在第2章二项分布里还会反复出现——现在记牢了，后面省大工夫。

⚠️ ⑤ 易错边界

翻车一：忘了乘组合数 $C_n^k$——只算了"特定顺序"的概率

• ❌ 错误：罚球 5 次恰好进 3 次的概率 = $0.7^3 \times 0.3^2 = 0.031$
• ✅ 正确：还要乘上 $C_5^3 = 10$ → $10 \times 0.031 = 0.309$

大白话：$p^k(1-p)^{n-k}$ 只是某一种特定顺序的概率（比如"前 k 次成功、后 n-k 次失败"）。但"恰好 k 次成功"没有指定是哪 k 次——有 $C_n^k$ 种不同的顺序，每种都算。忘乘组合数是最常见的翻车。

翻车二："至少成功 1 次"逐个累加——笨方法

"至少成功 1 次" = 恰好 1 次 + 恰好 2 次 + ... + 恰好 n 次。如果 n=10，要算 10 项——工作量爆炸。聪明做法：用对立事件。

$$P(\text{至少 1 次成功}) = 1 - P(\text{0 次成功}) = 1 - (1-p)^n$$

大白话：只要你不是"一次都没成功"（全部失败），那就"至少成功了一次"。全部失败的概率是 $(1-p)^n$，拿 1 一减就完事——一步到位，不用逐项加。

翻车三：$p$ 和 $1-p$ 搞反——看题不仔细

题目说"命中率 0.8，求恰好 3 次不中的概率"——这时候 $p$ 如果是"命中"，那不中的概率是 $1-p=0.2$。但如果你把"不中"定义成"成功"（$p=0.2$），那么公式里 $k$ 也得跟着换——"恰好 3 次不中"就是 $k=3$（不中是成功）、$p=0.2$。两种做法结果一样，但中间别混。

关键是：先定好谁叫"成功"（你想数什么），p 就是这件事的概率，k 就是这件事发生的次数。 定了就别中途换。

翻车四：不独立也用二项公式

二项公式的前提是 n 次试验相互独立。不放回抽样（第 2 次抽到的概率取决于第 1 次抽到了什么）不是独立试验，不能用二项公式，必须用超几何分布（第 2 章会讲）。

速记口诀：排列种数乘起来，忘乘组合是大坑；至少一次用减法，不独立时别乱用。

🔗 ⑥ 在整条链中的位置

伯努利试验和二项公式是第 1 章的"收官武器"——它把前面学的几个核心概念串起来用了一遍：

往前一步，伯努利试验通向：

一句话：第 1 章前半部分的所有公式（条件概率、乘法、全概率、贝叶斯）处理的是"一次试验中多个事件的关系"，而伯努利试验把这些工具串起来，回答了"独立重复做 n 次会怎样"——这是从"单次"到"多次"的飞跃，也是第 2 章"随机变量"的前奏。

② 题型与练习（讲练合一）

题型一：古典概型计算（⭐⭐⭐）

识别特征：题目里出现"等可能""随机抽取""随机排列""不放回抽样"，且所有可能结果的个数有限。

先题后招速览：看到这类题，先别慌。难在"数数"——先数"全部有多少种"，再数"有利有多少种"，一除就完事。我们已经在 1.4 节亲手用"袋中取球、排队相邻、放球入箱、生日问题"四道题把这三步悟出来了，这里只把结论摆出来：

第1步：找出样本空间——所有可能的结果有多少种？
第2步：找出有利事件——"满足条件"的结果有多少种？
第3步：P = 有利 ÷ 全部
第4步（可选）：排列组合化简

翻车现场：

1. 分母和分子的"计数口径"不一致——比如分母用排列算，分子用组合算
2. 忘了乘上内部排列数（排队问题中"绑在一起"后内部还可交换）

子类型①：抽球问题

📌 模板：袋中有a个白球、b个黑球，随机取出n个，求恰好取到k个白球的概率。

第1步：总取法 = C_{a+b}^n
第2步：有利取法 = C_a^k × C_b^{n-k}
第3步：P = C_a^k × C_b^{n-k} / C_{a+b}^n

⚠️ 最容易错：分子两个组合缺一不可！取球时两类都要考虑。
📌 发现过程与练习已就近放到 1.4 节（古典概型）。

子类型②：排队/相邻问题

📌 模板：n个人随机排成一排，求某两人相邻的概率。

第1步：总排列数 = n!
第2步：把"要相邻的"绑在一起当一个整体 → (n-1)! × 2!（内部可换位置）
第3步：P = 有利排列 ÷ n!

📌 发现过程与练习已就近放到 1.4 节（古典概型）。

子类型③：放球入箱问题

📌 模板：n个不同的球放入N个不同的盒子（N ≥ n），求每个盒子最多一个球的概率。

第1步：每个球有N种放法 → 总放法 = N^n
第2步：每个盒子最多一个 → 相当于选n个盒子，排列放球 → P_N^n = N!/(N-n)!
第3步：P = P_N^n / N^n

💡 为什么是排列 $P_N^n$？因为球是不同的，盒子也是不同的。选好n个盒子后，哪个球放进哪个盒子——不同的分配方式算不同的放法。
📌 发现过程与练习已就近放到 1.4 节（古典概型）。

🛑 途中停顿：停下来想一想——古典概型的核心是"有利结果数 ÷ 总结果数"。但这个公式有个前提条件：每种结果必须是等可能的。如果一个袋子里红球比白球大、更容易摸到，还能直接用古典概型吗？不能——因为每种结果不再是等可能的了。确认你理解了这个前提，再往下做练习。

📌 配套练习已就近移动：古典概型的练习（抽球、排队相邻）已挪到 1.4 节 对应知识点后面，请去那里练习。

题型二：几何概型（⭐）

识别特征：题目里出现"随机取点""在区间上随机""在区域中随机""会面问题"，结果个数无限但等可能。

先题后招速览：看到这类题，先别慌。难点在"结果无限、没法数个数"——所以把"数个数"换成"量面积/长度/体积"。我们已经在 1.4 节用"会面问题"和"区间取两点"两道题把这三步悟出来了，这里摆出结论：

第1步：识别"几何度量"是什么——长度？面积？体积？
第2步：把题目条件翻译成几何条件（不等式、方程）
第3步：计算"满足条件的几何度量" / "总的几何度量"

📌 发现过程与练习已就近放到 1.4 节（几何概型）。

🛑 途中停顿：几何概型和古典概型的本质区别在哪？古典概型算"个数"（有限个结果），几何概型算"面积/长度/体积"（无限个结果）。但它们有一个共同的前提——等可能。古典概型要求每个样本点等可能，几何概型要求每个"点"在几何区域里等可能。想清楚这个共同点，再往下走。

📌 配套练习已就近移动：几何概型的练习已挪到 1.4 节，请去那里练习。

题型三：概率基本公式运用（⭐⭐⭐）

识别特征：题目给了一些概率值，要求另一个概率——没有说"条件"或"已知…发生"。

先题后招速览：看到这类题，先别慌。套路是——把题目要求的事件用 A、B、C 和集合运算写出来，再从公式表里挑公式代入。这些公式我们已在 1.5 节亲手"发现"过（加法公式的具体数字演练 + 推导），这里把公式表摆出来：

解题公式速查：

① P(Ā) = 1 - P(A)
② P(A∪B) = P(A) + P(B) - P(AB)
③ P(A-B) = P(A) - P(AB)
④ P(ĀB̄) = 1 - P(A∪B)    ← "都不发生"
⑤ P(A∪B∪C) = P(A)+P(B)+P(C) - P(AB) - P(AC) - P(BC) + P(ABC)

解题模板：

第1步：把题目要求的事件用A, B, C和集合运算表示出来
第2步：查公式表，找出需要的公式
第3步：代入已知数值计算
第4步（自检）：P在[0,1]之间？符合常识吗？

翻车现场：

1. 不要用 $P(A) - P(B)$ 替代 $P(A - B)$
2. $P(A \cup B) = P(A) + P(B) - P(AB)$，减的是 $P(AB)$ 不是 $P(A)P(B)$

🛑 途中停顿：$P(A-B)$ 和 $P(A)-P(B)$ 什么时候相等？只有当 $B \subset A$（B是A的子集）时，$P(AB)=P(B)$，两条公式才碰巧一样。一般情况下千万别直接用 $P(A)-P(B)$——翻车现场里的经典错误。

📌 配套练习已就近移动：基本公式的两道练习（加法公式求 $P(AB)$、减法公式画图）已挪到 1.5 节（加法公式），请去那里练习。

题型四：条件概率与乘法公式（⭐⭐⭐）

识别特征：题目里出现"已知…发生了，求……""在……条件下"。

先题后招速览：看到这类题，先别慌。核心就一句话——先看清谁是条件（竖线后面），再想题目给的是哪两个量。条件概率和乘法公式我们已在 1.6 / 1.7 节亲手"发现"过（缩小世界 + 两步相乘），这里把工具摆出来：

两个核心公式：

条件概率：P(A|B) = P(AB) / P(B)
乘法公式：P(AB) = P(B) · P(A|B)

解题模板：

第1步：确定谁是条件（|后面的），谁是要求的（|前面的）
第2步：看题目给了什么——
       给了P(AB)和P(B) → 直接用条件概率公式
       给了P(B)和P(A|B) → 用乘法公式先算P(AB)
       没直接给 → 画树状图梳理
第3步：代入计算

翻车现场：$P(A|B)$ 和 $P(B|A)$ 不是一回事！审题时看清条件是什么。

🛑 途中停顿：$P(A|B)$ 和 $P(B|A)$ 的分母完全不同——$P(A|B)$ 的分母是 $P(B)$，$P(B|A)$ 的分母是 $P(A)$。竖线后面的就是分母！搞反条件是本章最高频的错误之一。确认你能分清，再往下做练习。

📌 配套练习已就近移动：条件概率的练习（已知 $P(A),P(B),P(AB)$ 求 $P(A|B)$ 和 $P(B|A)$）已挪到 1.6 节（条件概率），请去那里练习。

题型五：全概率公式（⭐⭐⭐）

识别特征：题目里出现多种"情况"或"来源"，要求一个总概率；或者有先后两个阶段（先选来源，再选东西）。标志性关键词："任取一件""随机抽取""不放回，分两步"。

先题后招速览：看到这类题，先别慌。核心思路是"分情况讨论"——把一个复杂事件拆成几种互斥的情况，分别算每种情况下目标事件发生的概率，再按占比加权求和。我们已在 1.8 节用"三家工厂"和"口袋摸球"把每一步悟出来了，这里把套路摆出来：

解题模板：

第1步：找出"划分"——把样本空间分成互斥且穷尽的几块 B₁, B₂, ..., Bₙ
第2步：写出每块的 P(B_i) 和该块下A的条件概率 P(A|B_i)
第3步：代入公式 P(A) = Σ P(B_i) · P(A|B_i)
第4步（推荐）：画树状图核实一遍

树状图法：

        ┌─ P(A|B₁) → P(B₁)·P(A|B₁)    ← 这条路到A
B₁ ─────┤
        └─ ...

        ┌─ P(A|B₂) → P(B₂)·P(A|B₂)    ← 这条路也到A
B₂ ─────┤
        └─ ...

P(A) = 所有到A的路的概率之和

经典例题①：抽签问题

10个签中3个有奖。甲乙丙三人依次各抽一支（不放回）。证明：三人中奖概率相同。

甲：P(甲中) = 3/10 = 0.3

乙：用全概率公式，以甲作为"条件"
P(乙中) = P(甲中)·P(乙中|甲中) + P(甲不中)·P(乙中|甲不中)
        = (3/10)×(2/9) + (7/10)×(3/9)
        = 6/90 + 21/90 = 27/90 = 3/10

结论：先抽后抽，概率一样！

经典例题②：多来源混合抽取

三个箱子，1号箱有1白1黑，2号箱有2白1黑，3号箱有3白1黑。随机选一个箱子，再从中随机取一球。求取到白球的概率。

划分：选中第1、2、3号箱，各概率1/3
P(白|B₁) = 1/2
P(白|B₂) = 2/3
P(白|B₃) = 3/4

P(白) = (1/3)×(1/2) + (1/3)×(2/3) + (1/3)×(3/4)
      = 1/6 + 2/9 + 3/12
      = 6/36 + 8/36 + 9/36 = 23/36

答案：23/36

🛑 途中停顿：全概率公式本质上就是"分情况讨论"——把一个复杂事件拆成几种互斥的情况，分别算每种情况下目标事件发生的概率，再加起来。关键是要找对"划分"（互斥 + 穷尽）。你能用自己的话复述一遍这个思路吗？想清楚再往下。

📌 配套练习已就近移动：全概率的两道练习（口袋摸球、抽签公平性）已挪到 1.8 节（全概率公式），请去那里练习。

题型六：贝叶斯公式（⭐⭐⭐）

识别特征：题目里出现"已知结果，问来自哪个原因""发现是次品，问哪个厂生产的""检测阳性，问真有病吗"。

核心判断：全概率算的是"果"的概率；贝叶斯算的是"已知果，反推因"的概率。

先题后招速览：看到这类题，先别慌。套路固定——先算分母（所有路径的总和 = 全概率），再把"你关心的那条路"除以总和。我们已在 1.9 节用"体检阳性"和"甲箱次品"把每一步悟出来了，这里摆出流程：

解题模板：

第1步：找出"果"（题中已知发生的事件）和"因"（可能导致果的各种情况）
第2步：列出每个"因"的先验概率 P(B_i)
       列出每个"因"下"果"发生的概率 P(A|B_i)
第3步：先用全概率公式算出 P(A) = Σ P(B_i)·P(A|B_i)   ← 分母
第4步：对每个i，算 P(B_i|A) = P(B_i)·P(A|B_i) / P(A)   ← 分子÷分母
第5步（自检）：所有 P(B_i|A) 加起来 = 1 吗？

经典例题①：产品来源推断

甲乙丙三台机床生产同一种零件，产量分别占25%、35%、40%。次品率分别为5%、4%、2%。从总产品中任取一件恰好是次品，求这个次品来自甲机床的概率。

B₁,B₂,B₃ = 来自甲、乙、丙机床
A = 取到次品

P(B₁)=0.25, P(A|B₁)=0.05
P(B₂)=0.35, P(A|B₂)=0.04
P(B₃)=0.40, P(A|B₃)=0.02

全概率 P(A) = 0.25×0.05 + 0.35×0.04 + 0.40×0.02 = 0.0345

P(B₁|A) = 0.25×0.05 / 0.0345 = 0.0125/0.0345 ≈ 0.3623

答案：约36.23%

经典例题②：医学检测问题

某种疾病发病率0.5%。检测方法：有病者检出率98%，无病者误报率3%。某人检测阳性，求他真有病的概率。

B₁ = 有病, B₂ = 没病
A = 检测阳性

P(B₁) = 0.005,  P(A|B₁) = 0.98
P(B₂) = 0.995,  P(A|B₂) = 0.03

P(A) = 0.005×0.98 + 0.995×0.03 = 0.0049 + 0.02985 = 0.03475

P(B₁|A) = 0.005×0.98 / 0.03475 ≈ 0.1410

答案：约14.1%

💡 即使检测阳性，真有病的概率也只有14%左右。
原因：病太罕见了（0.5%），大量健康人的误报淹没了真正的病例。

🛑 途中停顿：贝叶斯公式和全概率公式的分母是同一个东西——$P(A)$（全概率）。区别在分子：全概率是各条路径全加起来，贝叶斯只取其中一条路径除以总和。所以贝叶斯 = 某条路径的贡献 ÷ 所有路径的贡献总和。记牢这个关系，两个公式就不会搞混了。

📌 配套练习已就近移动：贝叶斯的两道练习（次品来自哪台机器、全概率+贝叶斯综合）已挪到 1.9 节（贝叶斯公式），请去那里练习。

题型七：事件独立性判断与应用（⭐⭐）

识别特征：题目里出现"是否独立""相互独立""设A, B独立"。

先题后招速览：看到这类题，先别慌。判断独立就一件事——比一个等式：$P(AB)$ 和 $P(A)P(B)$ 相不相等。独立的意义、和互斥的区别，我们已在 1.10 节亲手"发现"过（"加不加条件概率都一样" → 乘积公式），这里把工具摆出来：

子类型①：判断是否独立

解题模板：

第1步：检查 P(AB) = P(A)P(B) 是否成立
       成立 → 独立；不成立 → 不独立
第2步（替代方案）：检查 P(A|B) = P(A) 是否成立

子类型②：利用独立简化计算

解题模板：

如果A, B独立：
  ① P(AB) = P(A)·P(B)          ← 直接乘
  ② P(A∪B) = P(A)+P(B)-P(A)P(B)
  ③ P(A-B) = P(A)P(B̄)
  ④ P(A|B) = P(A)

翻车现场：题目没说独立时，不能自动用 $P(AB)=P(A)P(B)$！必须先判断是否独立，或者用乘法公式 $P(AB)=P(A)·P(B|A)$。

例题：设 $P(A)=0.5$，$P(B)=0.4$。问：A、B互斥时 $P(A \cup B)=$？独立时 $P(A \cup B)=$？

互斥：P(A∪B) = P(A) + P(B) = 0.5 + 0.4 = 0.9（因为P(AB)=0）
独立：P(A∪B) = 0.5 + 0.4 - 0.5×0.4 = 0.7

注意两者的区别！互斥时概率更大（因为不重叠，合起来就是相加）。

🛑 途中停顿：互斥和独立是两个完全不同的概念。互斥说的是"能不能一起发生"（集合关系），独立说的是"知道一个有没有用"（概率关系）。当 $P(A)>0$ 且 $P(B)>0$ 时，互斥和独立能同时成立吗？不能——互斥意味着 $P(AB)=0$，但独立要求 $P(AB)=P(A)P(B)>0$，互相矛盾。所以：非零概率下，互斥必不独立，独立必不互斥。记牢这个结论！

📌 配套练习已就近移动：独立性的三道练习（判断独立、独立+基本公式综合、独立+互斥概念辨析）已挪到 1.10 节（事件的独立性），请去那里练习。

题型八：伯努利试验（二项概率）（⭐⭐）

识别特征：题目里出现"重复进行n次""每次成功概率相同""各次互不影响""至少成功k次"。

先题后招速览：看到这类题，先别慌。套路三步——①定 n 和 p；②定要"恰好 k 次"还是"至少 k 次"；③套公式。公式的来历（"排列种数 × 每种排列概率"）我们已在 1.11 节用罚球问题亲手推过，这里把公式摆出来：

核心公式：n次独立重复试验，每次成功概率p

恰好k次成功：P(k) = C_n^k · p^k · (1-p)^(n-k)
至少k次成功：P(≥k) = P(k) + P(k+1) + ... + P(n)
至少成功1次：P(≥1) = 1 - (1-p)^n   ← 最常用！

解题模板：

第1步：确定n（试验次数）和p（每次成功概率）
第2步：确定要求的是"恰好k次"还是"至少k次"
第3步：如果"恰好k次" → 直接套公式
       如果"至少k次" → k小用对立事件，k大直接累加
第4步：代入计算

例题：射击命中率0.8，独立射击4次。求：(1)恰好命中3次的概率；(2)至少命中1次的概率。

n=4, p=0.8

(1) 恰好3次：
P = C_4^3 · (0.8)^3 · (0.2)^1 = 4 × 0.512 × 0.2 = 0.4096

(2) 至少命中1次：
P = 1 - P(0次命中) = 1 - (0.2)^4 = 1 - 0.0016 = 0.9984

答案：(1) 0.4096 (2) 0.9984（几乎必然命中至少1次）

🛑 途中停顿："至少成功1次"是伯努利试验里最常用的模式。直接用对立事件 $1-(1-p)^n$ 来算，比从 $k=1$ 累加到 $k=n$ 快得多。这个技巧在第2章二项分布里还会反复出现——现在记牢了，后面省大工夫。

📌 配套练习已就近移动：伯努利的两道练习（抛硬币恰好3次、射手至少3次/全不中）已挪到 1.11 节（伯努利试验），请去那里练习。

🧠 学完自测（4选择 + 2判断 + 4简答）

混搭全章知识点，先自己做，再看答案。

选择题1：设 $P(A)=0.4$，$P(B)=0.3$，$P(A \cup B)=0.6$。则 $P(AB)=$？

A. 0.1　　B. 0.12　　C. 0.7　　D. 0.2

选择题2：A和B互斥，且 $P(A)>0$，$P(B)>0$。则下列说法正确的是：

A. A和B一定独立　　B. A和B一定不独立　　C. A和B可能独立　　D. 无法判断

选择题3：袋中有4红6白，取3球。恰好1红的概率是：

A. 1/2　　B. 3/10　　C. 4/10　　D. 1/3

选择题4：贝叶斯公式的分母是：

A. $P(B_i) \cdot P(A|B_i)$　　B. $P(A)$（全概率）　　C. $P(A|B_i)$　　D. $P(B_i)$

判断题1：若 $P(A)=0$，则A是不可能事件。

判断题2：若A与B独立，B与C独立，则A与C一定独立。

简答题1："互斥"和"对立"有什么区别？各举一个生活中的例子。

简答题2：写出全概率公式，并用"分情况讨论"的思路解释它在做什么。

简答题3：医疗检测中，某病发病率0.5%，有病检出率98%，无病误报率3%。某人检测阳性，真有病的概率约14%。为什么比直觉（99%）低这么多？用大白话解释。

简答题4：5次独立射击，命中率0.7。求至少命中1次的概率（用最简单的方法）。

③ 综合混搭练习 💡

💡 思考题区：打乱题型，逼你自己判断用哪个方法。这四道题混合了本章的多个题型——不再标注"对应模板"，你得自己看出该用哪个公式。这是考试的真实状态，也是检验你有没有真正学懂的最后一关。

混搭1 🎲

某公务员考试面试环节，3名考官各自独立评分。每位考官给出"通过"的概率为0.7。至少2位考官给出"通过"才算面试通过。

(1) 求面试通过的概率。
(2) 实际公布结果：该考生面试未通过。求恰好只有1位考官给出"通过"的概率。

📌 对应模板：题型八（伯努利）+ 题型六（贝叶斯反推）

n=3, p=0.7（每位考官独立评分）

(1) 至少2位通过 = P(2) + P(3)
P(2) = C₃² × 0.7² × 0.3¹ = 3 × 0.49 × 0.3 = 0.441
P(3) = 0.7³ = 0.343
P(≥2) = 0.441 + 0.343 = 0.784

(2) 已知未通过，反推恰好1位通过：
未通过 = P(0) + P(1)
P(0) = 0.3³ = 0.027
P(1) = C₃¹ × 0.7 × 0.3² = 3 × 0.7 × 0.09 = 0.189
P(未过) = 0.027 + 0.189 = 0.216

P(恰好1位 | 未过) = 0.189 / 0.216 = 0.875

答案：(1) 0.784 (2) 0.875

混搭2 🔄

某公司有两个客服中心。甲中心处理60%的来电，乙中心处理40%。甲中心一次解决率80%，乙中心一次解决率90%。

(1) 求随机一个来电能被一次解决的概率。
(2) 某个来电没有被一次解决，求它来自甲中心的概率。
(3) 如果某个来电被一次解决了，它来自哪个中心的可能性更大？

📌 对应模板：题型五（全概率）+ 题型六（贝叶斯）+ 综合推理

B₁ = 甲中心, B₂ = 乙中心
P(B₁)=0.6, P(B₂)=0.4
A = 一次解决
P(A|B₁)=0.8, P(A|B₂)=0.9

(1) 全概率：
P(A) = 0.6×0.8 + 0.4×0.9 = 0.48 + 0.36 = 0.84
答案：84%

(2) P(Ā) = 1 - 0.84 = 0.16
P(B₁|Ā) = 0.6×0.2 / 0.16 = 0.12/0.16 = 0.75
答案：75%

(3) P(B₁|A) = 0.6×0.8 / 0.84 = 0.48/0.84 ≈ 0.571
P(B₂|A) = 0.4×0.9 / 0.84 = 0.36/0.84 ≈ 0.429
答案：被解决了的来电中，来自甲中心的概率更大（57.1%）

💡 第(2)和第(3)的结论相反很有意思：
未被解决→大概率来自甲（75%，因为甲解决率低）
被解决→仍略偏向甲（57.1%，因为甲处理了更多来电）

混搭3 🧩

设事件A, B满足：$P(A) = 0.5$，$P(B) = 0.6$，$P(A \cup B) = 0.8$。

(1) 求 $P(AB)$。
(2) A和B是否独立？
(3) 求 $P(A - B)$。
(4) 求 $P(\bar{A} \cup \bar{B})$。

📌 对应模板：题型三（基本公式）+ 题型七（独立性）

(1) 由加法公式：
P(A∪B) = P(A) + P(B) - P(AB)
0.8 = 0.5 + 0.6 - P(AB)
P(AB) = 0.3

(2) P(A)·P(B) = 0.5×0.6 = 0.3 = P(AB)
所以A和B独立。

(3) P(A-B) = P(A) - P(AB) = 0.5 - 0.3 = 0.2

(4) 由德摩根律：$\overline{A \cap B} = \bar{A} \cup \bar{B}$（"A且B"上面加横线 = 非A或非B）
P(Ā∪B̄) = 1 - P(AB) = 1 - 0.3 = 0.7

答案：(1) 0.3 (2) 独立 (3) 0.2 (4) 0.7

混搭4 🎯

一个抽奖活动：轮盘被等分为8个扇形区域，其中3个区域标记"中奖"。转动指针一次，指针落在"中奖"区域概率为3/8。

(1) 如果独立转4次，求至少中奖1次的概率（保留3位小数）。

(2) 如果独立转4次，求恰好中奖2次的概率。

(3) 如果先转一次确定是否中奖，没中则再转一次（最多转2次），求最终中奖的概率。

📌 对应模板：题型八（伯努利）+ 题型五（全概率/分阶段）

(1) n=4, p=3/8, 至少1次
P(≥1) = 1 - P(0) = 1 - (5/8)⁴ = 1 - 625/4096 = 3471/4096 ≈ 0.847

(2) 恰好2次：
P(2) = C₄² × (3/8)² × (5/8)² = 6 × 9/64 × 25/64
     = 6 × 225/4096 = 1350/4096 ≈ 0.330

(3) 分阶段（最多2次）：
情况1：第一次就中 → P = 3/8
情况2：第一次不中且第二次中 → (5/8) × (3/8) = 15/64
P(最终中奖) = 3/8 + 15/64 = 24/64 + 15/64 = 39/64 ≈ 0.609

答案：(1) 0.847 (2) 0.330 (3) 39/64 ≈ 0.609

🎯 考试导航

📋 自检清单

学完这章，你应该能回答下面这些问题。如果哪个答不上来，回到对应小节重新看。

• 随机试验的三个条件是什么？能举出一个例子吗？
• 样本空间和随机事件是什么关系？
• 互斥和对立有什么区别？能不能各举一个例子？
• 概率的三种定义（古典、几何、统计）分别适用于什么场景？
• $P(A \cup B) = P(A) + P(B) - P(AB)$ 什么时候可以简化为 $P(A) + P(B)$？
• $P(A - B)$ 等于什么？为什么不是 $P(A) - P(B)$？
• 条件概率 $P(A|B)$ 的公式是什么？它和 $P(B|A)$ 一样吗？
• 乘法公式 $P(AB)$ 怎么用 $P(A)$ 和 $P(B|A)$ 表示？
• 全概率公式的基本思路是什么？
• 贝叶斯公式和全概率公式什么关系？（一个由因算果，一个由果反推因）
• "独立"和"互斥"到底有什么区别？
• 两两独立和相互独立有什么区别？
• 二项概率公式 $C_n^k · p^k · (1-p)^{n-k}$ 中每一项各自代表什么意思？

🧭 学完回顾：本章推导链

下面是第1章公式之间的"血缘关系图"——从概率公理出发，一步步推导出所有重要公式。建议学完本章后对着这张图在脑子里过一遍推导，哪步卡住了就回到对应小节重看。

                        概率三条公理
                   （非负/规范/可列可加）
                             │
              ┌──────────────┼──────────────┐
              │              │              │
              ▼              ▼              ▼
         减法公式        加法公式        古典/几何/统计
    P(A-B)=P(A)-P(AB)  P(A∪B)=          三种概率定义
                       P(A)+P(B)-P(AB)       │
                             │              │
                             │     样本空间→事件→划分
                             │              │
              ┌──────────────┘              │
              │                             │
              ▼                             ▼
         条件概率 P(A|B)=P(AB)/P(B)  ←── 事件关系
              │                      （互斥/对立/包含）
     ┌────────┼────────┐
     │        │        │
     ▼        ▼        ▼
  乘法公式  独立性    （验证条件概率
  P(AB)=    P(AB)=     满足三条公理）
  P(B)P(A|B) P(A)P(B)
     │        │
     │        └──────────────────┐
     │                           │
     ▼                           ▼
  划分(B₁...Bₙ)            伯努利试验公式
  互斥且穷尽            P(X=k)=C(n,k)pᵏ(1-p)ⁿ⁻ᵏ
     │                   (独立重复n次)
     ▼
  全概率公式
  P(A)=ΣP(Bᵢ)P(A|Bᵢ)
     │
     │  条件概率定义
     │  P(Bᵢ|A)=P(BᵢA)/P(A)
     ▼
  贝叶斯公式
  P(Bᵢ|A)=P(Bᵢ)P(A|Bᵢ)/P(A)

📌 看图指南：

• 从上往下读——每一条竖线和箭头都代表"从这里推导出那里"。
• 概率公理是整个体系的"法律源头"——本章一切公式归根结底都建立在这三条公理之上。
• 条件概率是这章最关键的分叉口——往左走到乘法公式和全概率/贝叶斯，往右走到独立性和伯努利试验。条件概率学透了，整章的推导链就打通了。
• 全概率 + 条件概率定义 = 贝叶斯——这两个公式加起来就得到了贝叶斯，没有引入任何新工具。贝叶斯不是凭空冒出来的，它只是把前面学的公式串在一起用了一次。

📌 这些内容将在后续章节用到

第1章是整个概率论的地基。下面标注了哪些知识点会在后面哪几章反复出现——现在把根扎深，后面事半功倍。

💡 一句话总结：第1章的每一条公式、每一个概念，都不是学完就扔的"过路知识"。条件概率→全概率→贝叶斯这条链在第2-7章会反复出现，只是从"事件"升级为"随机变量"。第1章的地基打得越扎实，后续章节越轻松。

🔗 章末过渡

本章讲完了。你现在手里有了：概率的三种定义方式（古典/几何/统计）、五大核心公式（加法/减法/条件概率/全概率/贝叶斯）、事件关系判断（互斥vs对立vs独立）、以及伯努利试验的计算方法。这些都是概率论最基础的"工具箱"——后面的每一章都会反复用到它们。

下一章（第2章）要讲随机变量——把"事件"升级成"数字"。你会发现，本章全概率公式的分段求和思路在下一章变成"分布函数"，贝叶斯的分母分母在下一章会变成"边缘分布"。特别是伯努利试验的公式，到了第2章就直接升级为"二项分布"——公式基本不变，只是换了个名字。第1章地基打得越牢，第2章越轻松。