第十章概率

本章核心问题：概率是什么？如何计算概率？频率与概率有何关系？这三个问题贯穿全章，理解这些问题即可把握概率的核心内容。

一、概率概念的历史演进

1.1 从赌博问题中诞生

概率论起源于17世纪法国贵族的赌博问题。1654年，梅雷（Chevalier de Méré）向帕斯卡（Blaise Pascal）提出了著名的"分赌注问题"：两人约定先赢6局者获得全部赌注，但赌博因故中断，此时甲赢了5局，乙赢了3局，赌注该如何分配？

该问题涉及尚未发生的事件（未来可能的结果），此前数学主要研究确定性现象。帕斯卡与费马（Pierre de Fermat）就此展开通信讨论，开创了用数学方法研究随机现象的开端。此后，惠更斯（Christiaan Huygens）、伯努利家族（Bernoulli）、棣莫弗（De Moivre）、拉普拉斯（Laplace）等数学家持续发展该领域，概率论逐渐成为数学的重要分支。

1.2 从频率到公理化：概率的三次定义演进

第一阶段：古典定义（拉普拉斯，1812年）

P (A) = \frac{事件 A 包含的基本事件数}{样本空间的基本事件总数}

这一定义要求"有限个等可能结果"，适用范围狭窄（如掷骰子、抛硬币），无法处理无限样本空间或非等可能情形。

第二阶段：频率定义（19世纪末—20世纪初）

当试验次数 $n$ 充分大时，事件 $A$ 发生的频率 $f_{n} (A) = \frac{n_{A}}{n}$ 会稳定在某个常数附近，这个常数就是概率。

这一定义将概率与可观测的频率联系起来，但存在逻辑困境："稳定"是什么意思？频率本身就是随机变量，它"收敛"到什么意义下？无法作为严格的数学定义。

第三阶段：公理化定义（柯尔莫哥洛夫，1933年）

柯尔莫哥洛夫（Andrey Kolmogorov）借鉴测度论，提出了概率的公理化体系：

样本空间 $Ω$ ：随机试验所有可能结果的集合
事件域 $F$ ： $Ω$ 的某些子集构成的集合族
概率测度 $P$ ：满足三条公理的函数
1. 非负性： $P (A) \geq 0$
2. 规范性： $P (Ω) = 1$
3. 可列可加性：对两两互斥的事件 $A_{1}, A_{2}, \dots$ ，有 $P (⋃_{i = 1}^{\infty} A_{i}) = \sum_{i = 1}^{\infty} P (A_{i})$

柯尔莫哥洛夫的贡献：他不讨论"概率是什么"的哲学定义，而是规定概率所满足的公理条件。类似于欧几里得几何通过公理刻画点、线、面而不给出其本质定义，柯尔莫哥洛夫通过公理化方法使概率论成为严格的数学分支。

1.3 为什么教材用"频率稳定性"引入概率？

教材的逻辑编排依据：

人教A版以"频率稳定性"作为概率概念引入的桥梁，这是基于学生认知规律的精心设计：

直观性：频率是可以观测的——做了100次试验，事件发生32次，频率就是0.32。学生可在实验中体验"稳定性"。
从具体到抽象：直接引入公理化定义对高中生而言较为抽象。先通过频率建立"概率≈稳定频率"的认识，再过渡到严格的古典概型和性质推导，符合"具体—抽象—具体"的认知路径。
统计与概率的融合：2019版新课标强调"数据分析"素养，用频率引入体现了统计学思维——通过数据推断规律。这与大数定律的核心思想一致。
操作性的需要：很多实际问题的概率无法通过古典概型计算（如产品合格率、投篮命中率），此时"频率估计概率"是最实用的方法。

深层理解：教材中的"频率稳定性"不是严格的数学定义，而是一种启发式引入。它回答的是"我们如何感知概率"，而不是"概率的数学本质是什么"。在大学阶段学习依概率收敛与强大数定律后，可明确这种"稳定"的严格含义。

二、样本空间与事件运算

2.1 四个核心概念的层级关系

样本点（Sample Point）

随机试验的每一个可能的结果称为样本点，通常用 $ω$ 表示。

关键特征：

不可再分解：样本点是基本结果，不能再细分
互斥性：任何一次试验，只会出现一个样本点

样本空间（Sample Space）

所有样本点构成的集合，用 $Ω$ 表示。

试验	样本空间 $Ω$	注意
抛一枚硬币	${H, T}$	$H$ =正面， $T$ =反面
掷一枚骰子	${1, 2, 3, 4, 5, 6}$	点数
掷两枚骰子	${(i, j) ∣ i, j \in {1, 2, 3, 4, 5, 6}$	共36个有序对
某网站1小时内的访问次数	${0, 1, 2, 3, \dots}$	可数无限
灯泡的使用寿命	$[0, + \infty)$	不可数无限

教材限定：高中教材主要研究有限样本空间（有限个样本点），这是学习古典概型的前提。

随机事件（Random Event）

样本空间 $Ω$ 的子集称为随机事件，通常用 $A, B, C$ 等大写字母表示。

事件的层级：

样本点 \in 基本事件 \subseteq 随机事件 \subseteq 样本空间

基本事件：只包含一个样本点的事件（如"掷出3点"）
复合事件：包含多个样本点的事件（如"掷出奇数点"= ${1, 3, 5}$ ）
必然事件： $Ω$ 本身，每次试验一定发生
不可能事件： $\emptyset$ ，每次试验一定不发生

集合论视角：概率论的事件运算，本质上就是集合运算。样本空间 $Ω$ 对应全集，事件是子集，概率是定义在子集上的"测度"。这正是柯尔莫哥洛夫公理化的核心思想——把概率论建立在集合论和测度论的基础之上。

2.2 事件的关系与运算（对应集合运算）

包含关系 $A \subseteq B$

含义：事件 $A$ 发生，则事件 $B$ 一定发生
集合解释： $A$ 的所有样本点都在 $B$ 中
概率推论： $A \subseteq B \Rightarrow P (A) \leq P (B)$

并事件（和事件） $A \cup B$

含义： $A$ 发生或 $B$ 发生（至少一个发生）
关键词："至少一个"、"或"、"A或B"
集合解释：两个集合的并集

交事件（积事件） $A \cap B$ （简记 $A B$ ）

含义： $A$ 发生且 $B$ 发生（同时发生）
关键词："同时"、"且"、"都"、"既...又..."
集合解释：两个集合的交集

互斥事件（Mutually Exclusive / 不相容）

含义： $A$ 与 $B$ 不能同时发生
符号： $A \cap B = \emptyset$
关键词："不能同时"、"要么...要么..."（在只有两种选择时）

对立事件（Complementary）

含义： $A$ 不发生
符号： $\bar{A}$ 或 $A^{c}$ ，满足 $A \cup \bar{A} = Ω$ ， $A \cap \bar{A} = \emptyset$
概率关系： $P (\bar{A}) = 1 - P (A)$
关键区分：对立 $\Rightarrow$ 互斥，但互斥 $⇏$ 对立（除非 $A \cup B = Ω$ ）

2.3 事件运算的完整对应表

概率语言	集合语言	符号	概率公式
事件 $A$ 发生	$ω \in A$	—	—
$A$ 包含于 $B$	$A \subseteq B$	$A \subseteq B$	$P (A) \leq P (B)$
$A$ 或 $B$ 发生	$A$ 与 $B$ 的并集	$A \cup B$	加法公式
$A$ 且 $B$ 发生	$A$ 与 $B$ 的交集	$A \cap B$	乘法公式
$A$ 不发生	$A$ 的补集	$\bar{A}$	$P (\bar{A}) = 1 - P (A)$
$A$ 、 $B$ 互斥	$A$ 与 $B$ 不相交	$A \cap B = \emptyset$	$P (A \cup B) = P (A) + P (B)$
$A$ 、 $B$ 对立	$B = \bar{A}$	$A \cap B = \emptyset, A \cup B = Ω$	$P (A) + P (B) = 1$

三、古典概型

3.1 古典概型的两个条件——缺一不可

定义：若试验满足

有限性：样本空间的样本点个数有限
等可能性：每个样本点发生的可能性相等

则对任意事件 $A$ ：

P (A) = \frac{A 包含的样本点数}{Ω 中的样本点总数} = \frac{n (A)}{n (Ω)}

为什么两个条件缺一不可？

条件缺失	反例	后果
不满足有限性	抛硬币直到出现正面，记录抛掷次数	样本空间 ${1, 2, 3, \dots}$ 无限，无法用"数个数"计算
不满足等可能性	掷一枚不均匀骰子	各点数概率不等，不能用 $1 / 6$

"等可能性"的判断是难点也是易错点：

很多题目不直接声明"等可能"，需要我们自己判断。判断标准：对称性。

均匀硬币：正面、反面在几何上对称 $\Rightarrow$ 等可能
均匀骰子：六个面在几何上对称 $\Rightarrow$ 等可能
从袋中随机摸球：每个球被摸到的概率相同 $\Rightarrow$ 等可能

经典反例：抛两枚硬币，若将样本空间写成 ${H H, H T, T H, T T}$ ，四个结果是等可能的。但若错误地认为"两个正面、一正一反、两个反面"是等可能的，就会出错——因为"一正一反"包含了 $H T$ 和 $T H$ 两种情况，概率应该是 $1 / 2$ ，而不是 $1 / 3$ 。

3.2 抽签的"公平性"——为什么与顺序无关？

问题：袋中有 $a$ 个白球和 $b$ 个红球，不放回地逐个抽取。第 $k$ 个人抽到白球的概率是多少？

条件概率与无条件概率的区别：在无放回抽取中，若已知前面抽取的结果，后续抽取的条件概率确实会改变。但无条件概率（即抽签前）为：

P (第 k 个人抽到白球) = \frac{a}{a + b}

与 $k$ 无关！

严格证明：

设 $Ω$ 为 $a + b$ 个球的全排列，共有 $(a + b)!$ 种等可能排列。

第 $k$ 个位置是白球：先从 $a$ 个白球中选1个放在第 $k$ 位，剩下 $a + b - 1$ 个位置任意排列。

n (A) = a \cdot (a + b - 1)!

P (A) = \frac{a \cdot (a + b - 1)!}{(a + b)!} = \frac{a}{a + b}

对称性分析：在不放回抽取中，所有球在任意位置上的分布具有对称性。对第 $k$ 个位置而言，每个球被置于此位置的概率均等。由于抽签前无法获知先前抽取的结果，无条件概率下每个位置抽到特定球的概率相同。

实际应用：在不放回抽取机制下，先抽与后抽的无条件概率相同，故抽签顺序不影响公平性。

3.3 古典概型的计算策略

策略一：列举法（适合样本点少）

掷两枚骰子，点数之和为7的概率。

样本空间：36个等可能结果

有利事件： $(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)$ ——共6个

P = \frac{6}{36} = \frac{1}{6}

策略二：排列组合法（适合样本点多）

关键区分：有序（排列）vs 无序（组合）

有放回抽取且关注顺序： $n^{k}$ （ $k$ 次，每次 $n$ 种）
无放回抽取且关注顺序： $A_{n}^{k} = n (n - 1) \dots (n - k + 1)$
无放回抽取且不关注顺序： $C_{n}^{k} = \frac{n!}{k! (n - k)!}$

例题：从5男3女中选3人，至少有1名女生的概率。

解法一（直接法）：

1女2男： $C_{3}^{1} \cdot C_{5}^{2} = 3 \times 10 = 30$
2女1男： $C_{3}^{2} \cdot C_{5}^{1} = 3 \times 5 = 15$
3女0男： $C_{3}^{3} = 1$

P = \frac{30 + 15 + 1}{C_{8}^{3}} = \frac{46}{56} = \frac{23}{28}

解法二（补集法）：

P = 1 - P (全男) = 1 - \frac{C_{5}^{3}}{C_{8}^{3}} = 1 - \frac{10}{56} = \frac{46}{56} = \frac{23}{28}

四、概率的基本性质

4.1 概率的六条性质

由概率的公理化定义（尤其是可列可加性），可推出以下性质：

性质1：对任意事件 $A$ ， $0 \leq P (A) \leq 1$

性质2：必然事件的概率为1，即 $P (Ω) = 1$

性质3：若 $A$ 与 $B$ 互斥，则 $P (A \cup B) = P (A) + P (B)$

性质4：若 $A_{1}, A_{2}, \dots, A_{m}$ 两两互斥，则

P (A_{1} \cup A_{2} \cup \dots \cup A_{m}) = P (A_{1}) + P (A_{2}) + \dots + P (A_{m})

性质5： $P (\bar{A}) = 1 - P (A)$

性质6：若 $A \subseteq B$ ，则 $P (A) \leq P (B)$ ，且 $P (B - A) = P (B) - P (A)$

4.2 一般加法公式（容斥原理）

对于任意两个事件：

P (A \cup B) = P (A) + P (B) - P (A \cap B)

为什么减 $P (A \cap B)$ ？

因为 $A$ 和 $B$ 的交事件被算了两次——一次在 $P (A)$ 中，一次在 $P (B)$ 中。韦恩图可以直观展示这一点。

三个事件的加法公式：

P (A \cup B \cup C) = P (A) + P (B) + P (C) - P (A B) - P (B C) - P (A C) + P (A B C)

一般规律：奇数个事件交项相加，偶数个事件交项相减。

五、事件的相互独立性

5.1 独立性的定义

概念说明：事件 $A$ 的发生与否，不影响事件 $B$ 发生的概率。

数学定义：若

P (A \cap B) = P (A) \cdot P (B)

则称事件 $A$ 与 $B$ 相互独立。

等价定义（当 $P (A) > 0$ 时）：

P (B | A) = P (B)

即"已知 $A$ 发生， $B$ 发生的概率不变"。

5.2 独立性的性质

性质1：若 $A$ 与 $B$ 独立，则 $A$ 与 $\bar{B}$ 独立， $\bar{A}$ 与 $B$ 独立， $\bar{A}$ 与 $\bar{B}$ 独立。

性质2：若 $P (A) = 0$ 或 $P (A) = 1$ ，则 $A$ 与任何事件独立。

性质3：独立性是事件之间的关系，不是概率数值的关系。两个事件可以有相同的概率，但不独立；也可以概率不同但独立。

5.3 独立与互斥的根本区别

互斥与独立是本章中易混淆的核心概念。

	互斥（互不相容）	独立
本质	事件的集合无交集	事件的发生互不影响
集合关系	$A \cap B = \emptyset$	$P (A \cap B) = P (A) P (B)$
概率关系	$P (A \cup B) = P (A) + P (B)$	$P (A \cap B) = P (A) P (B)$
关键词	"不能同时发生"	"发生与否互不影响"
典型场景	单次试验的不同结果	不同试验或不同人

核心命题：

若 $P (A) > 0$ 且 $P (B) > 0$ ，则互斥与独立不能同时成立。

证明：

若互斥，则 $A \cap B = \emptyset$ ， $P (A \cap B) = 0$
若独立，则 $P (A \cap B) = P (A) P (B) > 0$
矛盾！

概念辨析：互斥指两个事件不能同时发生（ $A \cap B = \emptyset$ ），即集合层面无交集；独立指一个事件的发生不影响另一个事件发生的概率（ $P (A B) = P (A) P (B)$ ），即概率层面无关联。对于概率均大于0的两个事件，互斥意味着二者具有强相关性，故不可能同时独立。

5.4 多个事件的独立性

两两独立

对任意 $i \neq j$ ，有 $P (A_{i} \cap A_{j}) = P (A_{i}) P (A_{j})$ 。

相互独立

对任意 $k$ 个事件的子集，交事件的概率等于概率的积。

注意：两两独立 $⇏$ 相互独立。

经典反例（伯恩斯坦反例）：

设样本空间 $Ω = {1, 2, 3, 4}$ ，四个样本点等可能。

定义：

$A = {1, 2}$ ， $P (A) = 1 / 2$
$B = {1, 3}$ ， $P (B) = 1 / 2$
$C = {1, 4}$ ， $P (C) = 1 / 2$

验证：

$A \cap B = {1}$ ， $P (A \cap B) = 1 / 4 = P (A) P (B)$ ✓
$A \cap C = {1}$ ， $P (A \cap C) = 1 / 4 = P (A) P (C)$ ✓
$B \cap C = {1}$ ， $P (B \cap C) = 1 / 4 = P (B) P (C)$ ✓

两两独立成立！但：

$A \cap B \cap C = {1}$ ， $P (A B C) = 1 / 4$
$P (A) P (B) P (C) = 1 / 8$

$1 / 4 \neq 1 / 8$ ，故不相互独立！

说明：高中教材主要讨论两个事件的独立性。了解两两独立与相互独立的区别即可，无需进一步展开。

六、互斥、对立、独立的关系

6.1 三者关系的韦恩图表示

        ┌─────────────────────────────┐
        │      样本空间 Ω 中的所有事件对   │
        │  ┌───────────────────────┐  │
        │  │    互斥事件 (A∩B=∅)    │  │
        │  │  ┌─────────────────┐  │  │
        │  │  │  对立事件 (A∪B=Ω) │  │  │
        │  │  │     且 A∩B=∅     │  │  │
        │  │  └─────────────────┘  │  │
        │  └───────────────────────┘  │
        │                             │
        │    独立事件 (P(AB)=P(A)P(B)) │
        │    ——与互斥基本不相交（非零概率时）│
        └─────────────────────────────┘

关系总结：

条件	结论
对立	$\Rightarrow$ 互斥
互斥 + $A \cup B = Ω$	$\Rightarrow$ 对立
互斥 + $P (A) > 0, P (B) > 0$	$\Rightarrow$ 不独立
独立 + $P (A) > 0, P (B) > 0$	$\Rightarrow$ 不互斥
$P (A) = 0$ 或 $1$	与任何事件独立（包括互斥的）

6.2 频率与概率的本质区别与联系

维度	频率（Frequency）	概率（Probability）
性质	统计概念，随机变量	数学概念，常数
可变性	每次试验结果不同	固定不变
计算方式	$f_{n} (A) = \frac{n_{A}}{n}$ （事后统计）	$P (A)$ （事前确定）
与试验的关系	依赖于具体进行的试验	不依赖于具体试验
精确性	有限次试验有随机波动	理论上的精确值

联系：

大数定律：当 n \to \infty 时， f_{n} (A) ⟶ P (A)

严格地说，大数定律有多种形式：

弱大数定律： $f_{n} (A)$ 依概率收敛到 $P (A)$
强大数定律： $f_{n} (A)$ 几乎必然收敛到 $P (A)$

教材中的"频率稳定性"，是这两种大数定律的简化表述。

理论分析：频率是基于试验观测的统计量，具有经验性；概率是刻画随机现象规律性的理论常数。频率估计概率体现了统计学基于数据进行推断的基本思想。概率一经确定（如均匀硬币 $P (H) = 1 / 2$ ），即不依赖于任何具体试验——这体现了数学演绎与经验归纳的本质差异。

七、常见错误类型与解题技巧

7.1 "至多/至少"问题的转化技巧（补集法）

原则：当直接计算需要分类太多时，考虑用对立事件转化。

表述	直接含义	对立事件
至少一个	$\geq 1$	全不发生
至多一个	$\leq 1$	至少两个
至少两个	$\geq 2$	至多一个
至多 $k$ 个	$\leq k$	至少 $k + 1$ 个

例题：掷4枚硬币，至少一枚正面的概率。

直接法：1正3反、2正2反、3正1反、4正 —— 分类较多。

补集法： $P (至少1正) = 1 - P (全反) = 1 - \frac{1}{16} = \frac{15}{16}$

补集法的适用条件：

"至少"、"至多"问题
对立事件易于计算时
正面情况分类超过3类时

7.2 有放回vs无放回抽取的概率差异

这是考试中的高频易错点。

特征	有放回	无放回
每次试验条件	相同	改变
各次是否独立	独立	不独立
概率计算	乘法公式直接乘	条件概率/排列组合
超几何分布	不适用	适用
二项分布	适用	不适用

例题：袋中有3白2红共5球，抽2次。

有放回：

$P (两次都白) = \frac{3}{5} \times \frac{3}{5} = \frac{9}{25}$

无放回：

$P (两次都白) = \frac{3}{5} \times \frac{2}{4} = \frac{6}{20} = \frac{3}{10}$
或用组合： $P = \frac{C_{3}^{2}}{C_{5}^{2}} = \frac{3}{10}$

识别要点：

"放回"、"重新抽取"、"重复试验" $\Rightarrow$ 有放回
"不放回"、"一次取多个"、"逐个抽取不放回" $\Rightarrow$ 无放回

7.3 "先抽后抽概率相等"的再证明

这不仅是抽签公平性，也是考试常考的结论。

例题：10张奖券中有3张中奖，甲、乙、丙依次抽取（不放回），求各自的获奖概率。

P (甲中奖) = \frac{3}{10}

P (乙中奖) = P (甲中且乙中) + P (甲不中且乙中)

= \frac{3}{10} \cdot \frac{2}{9} + \frac{7}{10} \cdot \frac{3}{9} = \frac{6 + 21}{90} = \frac{27}{90} = \frac{3}{10}

P (丙中奖) = \frac{3}{10} (同理可证)

推广结论： $n$ 个签中有 $m$ 个"好签"，不放回地逐个抽取，第 $k$ 个人抽到好签的概率都是 $\frac{m}{n}$ 。

7.4 独立重复试验的识别

二项分布的前提：

$n$ 次独立重复试验
每次只有"成功"/"失败"两种结果
每次成功概率都是 $p$

识别要点：

"独立"意味着各次试验互不影响（通常是有放回，或总体极大近似有放回）
"重复"意味着每次条件相同、概率不变

非独立重复的例子：

从10件产品（含2件次品）中不放回地取3件，求次品数 $\Rightarrow$ 非独立，用超几何分布
同一射手连续射击10次（熟练度变化） $\Rightarrow$ 非重复，概率可能变化

八、认知层面的常见错误分析

8.1 混淆"互斥"与"独立"

错误根源：没有理解两个概念的本质区别。

互斥是集合层面的概念： $A \cap B = \emptyset$ ，说的是集合无交集
独立是概率层面的概念： $P (A B) = P (A) P (B)$ ，说的是发生互不影响

典型错题：

掷一枚骰子， $A$ ="掷出奇数"， $B$ ="掷出偶数"。 $A$ 与 $B$ 是否独立？

错误答案：部分学生认为"独立，因为非奇即偶"——这是将对立关系误作独立关系。

正确答案： $A$ 与 $B$ 互斥（且对立），但不独立（除非概率为0）。因为 $A$ 发生则 $B$ 一定不发生，二者存在显著影响。

验证： $P (A) = 1 / 2$ ， $P (B) = 1 / 2$ ， $P (A B) = 0$ ，而 $P (A) P (B) = 1 / 4$ ， $0 \neq 1 / 4$ 。

8.2 古典概型中"等可能性"判断失误

典型错误：将不等可能的结果当作等可能。

例1：抛两枚硬币，样本空间写成 ${H H, H T, T H, T T}$ （正确，等可能） vs ${两正, 一正一反, 两反}$ （错误，不等可能）。

例2：从1,2,3,4,5中随机取2个数，求和为偶数的概率。

错误做法：和的可能值为 $3, 4, 5, 6, 7, 8, 9$ ，认为这些和"等可能"。

实际上： $1 + 2 = 3, 1 + 3 = 4, \dots$ ，不同和出现的组合数不同。正确做法是从 $C_{5}^{2} = 10$ 种等可能的数对出发。

等可能性判定原则：

样本点应该是最基本的、不可再分的、对称的。任何"合并"后的结果都要警惕是否等可能。

8.3 复杂事件的分解遗漏

错误根源：分类不全面，漏掉某些情况。

例题：掷两枚骰子，点数之积大于10的概率。

常见错误：仅考虑较大数值的乘积，遗漏了部分组合。

正确策略：系统列举或用表格法。

	1	2	3	4	5	6
1	1	2	3	4	5	6
2	2	4	6	8	10	12
3	3	6	9	12	15	18
4	4	8	12	16	20	24
5	5	10	15	20	25	30
6	6	12	18	24	30	36

积大于10的结果有19个（表格中加粗）， $P = \frac{19}{36}$ 。

避免遗漏的方法：

用表格、树状图等可视化工具
分类时采用"不重不漏"的原则
计算后验证各类概率之和是否为1

九、概率中的数学思维

9.1 分类讨论（事件分解）

核心思想：将复杂事件分解为若干个互斥的简单事件之和。

公式化表达：

若 $A = A_{1} \cup A_{2} \cup \dots \cup A_{n}$ ，且 $A_{i} \cap A_{j} = \emptyset$ （ $i \neq j$ ），则

P (A) = P (A_{1}) + P (A_{2}) + \dots + P (A_{n})

例题：袋中有3白2红球，取2球，求恰有1白1红的概率。

分类：先白后红、先红后白（不放回）。

P = \frac{3}{5} \cdot \frac{2}{4} + \frac{2}{5} \cdot \frac{3}{4} = \frac{6 + 6}{20} = \frac{12}{20} = \frac{3}{5}

或用组合： $P = \frac{C_{3}^{1} \cdot C_{2}^{1}}{C_{5}^{2}} = \frac{6}{10} = \frac{3}{5}$ 。

9.2 补集思想（对立事件）

核心思想：当直接求解困难时，转求对立事件的概率。

公式： $P (A) = 1 - P (\bar{A})$

适用场景：

"至少"、"至多"问题
"不全"、"都"的否定
正面情况复杂，反面情况单一

例题：某批产品次品率为0.05，有放回地抽取10件，求至少有1件次品的概率。

直接算"至少1件次品" = 1件次品 + 2件次品 + ... + 10件次品，太繁琐。

反面： $P (至少1次品) = 1 - P (全正品) = 1 - (0.95)^{10} \approx 1 - 0.5987 = 0.4013$ 。

9.3 数形结合（韦恩图）

核心思想：用集合的韦恩图（Venn Diagram）直观表示事件关系和运算。

应用场景：

理解 $A \cup B$ 、 $A \cap B$ 、 $\bar{A}$ 的含义
理解加法公式 $P (A \cup B) = P (A) + P (B) - P (A B)$ 的"重叠扣除"
分解复杂事件（如"恰有一个发生"、"至少两个发生"）

韦恩图解法示例：

用韦恩图表示" $A$ 发生且 $B$ 不发生"：

这是区域 $A - B = A \cap \bar{B}$ ，概率为 $P (A) - P (A B)$ 。

9.4 转化化归思想

核心思想：将陌生的概率问题转化为已知的模型。

常见转化：

问题类型	转化方向
"第 $k$ 次首次成功"	几何分布模型
" $n$ 次独立重复，成功 $k$ 次"	二项分布模型
"不放回取 $n$ 个，其中 $k$ 个某类"	超几何分布模型
"频率估计概率"	大数定律思想

十、全章知识网络

                    ┌─────────────────────┐
                    │     随机试验与样本空间   │
                    │   (Ω, 样本点, 事件)    │
                    └──────────┬──────────┘
                               │
           ┌───────────────────┼───────────────────┐
           ▼                   ▼                   ▼
    ┌──────────────┐   ┌──────────────┐   ┌──────────────┐
    │  事件的关系与运算 │   │   古典概型    │   │  频率与概率   │
    │  (包含/并/交/   │   │  (有限+等可能) │   │  (稳定性/    │
    │   互斥/对立)   │   │   P(A)=n(A)/n(Ω)│   │   大数定律)  │
    └───────┬──────┘   └───────┬──────┘   └───────┬──────┘
            │                  │                  │
            ▼                  ▼                  ▼
    ┌──────────────┐   ┌──────────────┐   ┌──────────────┐
    │  概率基本性质  │   │  事件的独立性  │   │  随机模拟/   │
    │  (加法/减法/  │◄──►│  (P(AB)=P(A)P(B))│   │  频率估计    │
    │   对立/单调)  │   │  (与互斥的区别) │   │              │
    └──────────────┘   └──────────────┘   └──────────────┘
                               │
                               ▼
                    ┌─────────────────────┐
                    │   应用：概率计算与决策   │
                    │  (补集法/分类讨论/     │
                    │   数形结合/转化化归)     │
                    └─────────────────────┘

全章核心公式速查：

公式	内容	适用条件
古典概型	$P (A) = \frac{n (A)}{n (Ω)}$	有限、等可能
加法公式	$P (A \cup B) = P (A) + P (B) - P (A B)$	任意事件
互斥加法	$P (A \cup B) = P (A) + P (B)$	$A \cap B = \emptyset$
对立公式	$P (\bar{A}) = 1 - P (A)$	任意事件
乘法公式	$P (A B) = P (A) P (B \| A)$	条件概率
独立乘法	$P (A B) = P (A) P (B)$	$A$ 、 $B$ 独立
频率估计	$P (A) \approx \frac{n_{A}}{n}$	$n$ 充分大

本章小结：概率论是研究随机现象不确定性的数学理论。它为信息不完备条件下的理性推断提供了方法，广泛应用于量子力学、天气预报、人工智能等领域。掌握本章内容，有助于建立随机现象的分析框架，理解确定性数学与随机性数学之间的内在联系。

第十章 概率 ​

一、概率概念的历史演进 ​

1.1 从赌博问题中诞生 ​

1.2 从频率到公理化：概率的三次定义演进 ​

1.3 为什么教材用"频率稳定性"引入概率？ ​

二、样本空间与事件运算 ​

2.1 四个核心概念的层级关系 ​

样本点（Sample Point） ​

样本空间（Sample Space） ​

随机事件（Random Event） ​

2.2 事件的关系与运算（对应集合运算） ​

包含关系 A⊆B ​

并事件（和事件）A∪B ​

交事件（积事件）A∩B（简记 AB） ​

互斥事件（Mutually Exclusive / 不相容） ​

对立事件（Complementary） ​

2.3 事件运算的完整对应表 ​

三、古典概型 ​

3.1 古典概型的两个条件——缺一不可 ​

3.2 抽签的"公平性"——为什么与顺序无关？ ​

3.3 古典概型的计算策略 ​

策略一：列举法（适合样本点少） ​

策略二：排列组合法（适合样本点多） ​

四、概率的基本性质 ​

4.1 概率的六条性质 ​

4.2 一般加法公式（容斥原理） ​

五、事件的相互独立性 ​

5.1 独立性的定义 ​

5.2 独立性的性质 ​

5.3 独立与互斥的根本区别 ​

5.4 多个事件的独立性 ​

两两独立 ​

相互独立 ​

六、互斥、对立、独立的关系 ​

6.1 三者关系的韦恩图表示 ​

6.2 频率与概率的本质区别与联系 ​

七、常见错误类型与解题技巧 ​

7.1 "至多/至少"问题的转化技巧（补集法） ​

7.2 有放回vs无放回抽取的概率差异 ​

7.3 "先抽后抽概率相等"的再证明 ​

7.4 独立重复试验的识别 ​

八、认知层面的常见错误分析 ​

8.1 混淆"互斥"与"独立" ​

8.2 古典概型中"等可能性"判断失误 ​

8.3 复杂事件的分解遗漏 ​

九、概率中的数学思维 ​

9.1 分类讨论（事件分解） ​

9.2 补集思想（对立事件） ​

9.3 数形结合（韦恩图） ​

9.4 转化化归思想 ​

十、全章知识网络 ​