随机事件与概率
概率公理体系与计算——概率论的起点
考纲要求
随机事件与概率是概率论与数理统计的入门章节，是整个概率统计大厦的基石。本章建立了随机现象描述的基本语言——样本空间与随机事件，并给出了概率的公理化定义与计算方法。考研要求考生理解随机事件的概念，掌握事件之间的关系与运算；理解概率的定义与基本性质，熟练运用加法公式、条件概率、乘法公式、全概率公式与贝叶斯公式解决概率计算问题；理解事件独立性的概念并会应用。本章虽为基础章节，但全概率公式、贝叶斯公式、独立性是每年高频考点，务必扎实掌握。
| 知识点 | 考试要求 | 考查层次 |
|---|---|---|
| 随机试验、样本空间、随机事件 | 了解随机试验的概念，理解样本空间与随机事件的概念 | 了解/理解 |
| 事件的关系与运算 | 掌握事件的关系与运算，并能用关系与运算表示事件 | 掌握 |
| 概率的公理化定义 | 理解概率的公理化定义 | 理解 |
| 概率的基本性质 | 掌握概率的基本性质，会运用加法公式等计算概率 | 掌握/会 |
| 古典概型、几何概型 | 理解古典概型，会计算古典概率；了解几何概型 | 理解/会 |
| 条件概率 | 理解条件概率的概念，掌握条件概率的计算 | 理解/掌握 |
| 乘法公式 | 掌握乘法公式并能用于概率计算 | 掌握 |
| 全概率公式与贝叶斯公式 | 掌握全概率公式和贝叶斯公式，会解决实际问题 | 掌握 |
| 事件的独立性 | 理解事件独立性的概念，掌握独立性的性质与应用 | 理解/掌握 |
| 独立重复试验（伯努利概型） | 理解独立重复试验，会计算伯努利概型的概率 | 理解/会 |
本章在考研数学一中约占 5% 的分值，多以选择题、填空题形式出现，也常作为解答题的第一问。考查重点集中在：全概率公式与贝叶斯公式（结合实际背景，如产品抽样、医学检验、信号传输，是高频核心考点）、条件概率与乘法公式的计算、事件独立性的判定与应用、古典概型计数（排列组合）。其中"已知结果反推原因"的贝叶斯思想和"互斥与独立的辨析"是选择题最爱设置的陷阱，需重点辨析。本章内容是后续随机变量及其分布的直接基础，务必打好基础。
随机事件与样本空间
一、随机试验
对随机现象的观察或实验称为随机试验，记作 E。它具有以下三个特征：
① 可重复性：可以在相同的条件下重复进行；
② 多结果性：试验所有可能出现的结果是明确的，且不止一个；
③ 不确定性：在每次试验之前不能确定哪一个结果会出现。
例如：抛一枚硬币观察正反面、掷一颗骰子观察点数、从一批产品中任取一件观察是否为次品，都是随机试验。
二、样本空间与样本点
随机试验 E 的所有可能结果组成的集合称为 E 的样本空间，记作 Ω（或 S）。样本空间中的每一个元素，即试验的每一个可能结果，称为样本点，记作 ω。
例如：掷一颗骰子，Ω = {1, 2, 3, 4, 5, 6}；抛一枚硬币，Ω = {正面, 反面}；记录某电话交换台一小时内接到的呼叫次数，Ω = {0, 1, 2, …}（无限可列）；测量某元件寿命，Ω = {t | t ≥ 0}（无限不可列）。
三、随机事件
样本空间 Ω 的子集称为随机事件，简称事件，常用大写字母 A, B, C 等表示。在每次试验中，当且仅当事件 A 中某一样本点出现时，称事件 A 发生。
· 基本事件：由一个样本点组成的单元素子集 {ω}。
· 必然事件：样本空间 Ω 本身，每次试验必发生。
· 不可能事件：空集 ∅，每次试验都不发生。
例如掷骰子中，"出现偶数点"A = {2, 4, 6} 是随机事件；"出现 3 点"{3} 是基本事件；"点数不超过 6"是必然事件；"出现 7 点"是不可能事件。
四、事件间的关系
设 A, B 为同一试验中的两个事件，它们之间存在如下关系（与集合关系一一对应）：
| 关系 | 记号 | 含义 |
|---|---|---|
| 包含 | A ⊂ B | A 发生必导致 B 发生（A 的样本点都在 B 中） |
| 相等 | A = B | A ⊂ B 且 B ⊂ A（含相同样本点） |
| 和（并） | A ∪ B | A、B 至少有一个发生 |
| 积（交） | A ∩ B 或 AB | A、B 同时发生 |
| 差 | A − B | A 发生而 B 不发生（A ∩ B̄） |
| 互不相容（互斥） | AB = ∅ | A、B 不能同时发生 |
| 对立（互逆） | B = Ā | A ∪ B = Ω 且 AB = ∅（每次试验恰有一个发生） |
对立事件要求"和为必然事件且互斥"，即 B = Ā，每次试验必有且仅有一个发生，是互斥的特殊情形。互斥事件只要求不能同时发生（AB = ∅），但允许都不发生。因此：对立 ⟹ 互斥，但互斥不一定对立。例如掷骰子中"出现 1 点"与"出现 2 点"互斥但不对立（还可能出现 3~6 点）；而"出现奇数点"与"出现偶数点"既互斥又对立。
五、事件的运算律
事件的运算与集合运算一致，满足如下运算律（设 A, B, C 为事件）：
| 运算律 | 公式 |
|---|---|
| 交换律 | A ∪ B = B ∪ A， A ∩ B = B ∩ A |
| 结合律 | (A ∪ B) ∪ C = A ∪ (B ∪ C)， (A ∩ B) ∩ C = A ∩ (B ∩ C) |
| 分配律 | A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)， A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) |
| 对偶律（德摩根律） | A ∪ B = Ā ∩ B̄， A ∩ B = Ā ∪ B̄ |
| 差的转化 | A − B = A ∩ B̄ = A − AB |
| 对偶律推广 | ∪i Ai = ∩i Āi， ∩i Ai = ∪i Āi |
1. 对偶律是处理"至少发生""都不发生""不都发生"的利器。"A、B 都不发生"= ĀB̄ = A ∪ B（A、B 至少一个发生的对立）；"A、B 不都发生"= AB 的对立 = Ā ∪ B̄。务必区分"都不"与"不都"。
2. 差的转化 A − B = AB̄ 把"差"转化为"积"，便于与概率公式衔接，例如 P(A−B) = P(A) − P(AB)。
3. 用已知事件表示复杂事件时，常用"和、积、差、逆"的组合，注意去括号时灵活运用分配律与对偶律。
概率的定义与性质
一、古典概型
若随机试验满足：① 有限性——样本空间只含有限个样本点；② 等可能性——每个基本事件发生的可能性相等，则称此试验为古典概型（等可能概型）。
在古典概型中，若样本空间 Ω 含 n 个样本点，事件 A 含 k 个样本点，则 A 的概率为：
古典概率的计算核心是计数，常借助排列组合公式（排列数 Ank、组合数 Cnk）完成。计数时务必保证"分子分母口径一致"——即按同一标准（考虑顺序或不考虑顺序）计算样本点。
二、几何概型
若随机试验的样本空间 Ω 是一个可度量的几何区域（线段、平面区域、立体区域），且试验结果落入 Ω 中任一子区域的概率只与该子区域的度量（长度、面积、体积）成正比、与位置形状无关，则称此试验为几何概型。
设事件 A 为 Ω 的子区域，μ(·) 表示度量，则：
几何概型把古典概型从"有限"推广到"无限而可度量"，其本质仍是等可能性（均匀分布）。常见题型：向区间投点、会面问题（两人约定时间相遇）等。
三、概率的公理化定义
设 Ω 为随机试验的样本空间，若对 Ω 的每一个事件 A 都赋予一个实数 P(A)，且 P(·) 满足以下三条公理：
① 非负性公理：对任意事件 A，有 P(A) ≥ 0；
② 规范性公理：P(Ω) = 1；
③ 可列可加性公理：若 A₁, A₂, … 两两互不相容（AiAj = ∅, i ≠ j），则
则称 P(A) 为事件 A 的概率。这三条公理是概率论的逻辑起点，古典概率、几何概率、统计概率都满足该公理体系。公理化定义统一了各种直观定义，是现代概率论的基础。
四、概率的基本性质
由概率的三条公理可推出下列重要性质（设 A, B, C 为事件）：
① P(∅) = 0（不可能事件概率为 0）。
② 有限可加性：若 A₁, A₂, …, An 两两互不相容，则 P(A₁ ∪ … ∪ An) = P(A₁) + … + P(An)。
③ P(Ā) = 1 − P(A)（逆事件概率公式）。
④ 0 ≤ P(A) ≤ 1，且 P(Ω) = 1。
⑤ 单调性：若 A ⊂ B，则 P(A) ≤ P(B)，且 P(B − A) = P(B) − P(A)。
⑥ 减法公式：对任意 A, B，有 P(A − B) = P(A) − P(AB) = P(AB̄)。
⑦ 加法公式：对任意 A, B，有
当 A, B 互斥时 AB = ∅，加法公式退化为 P(A ∪ B) = P(A) + P(B)。三个事件的加法公式（容斥原理）为：
条件概率与乘法公式
一、条件概率的定义
设 A, B 为两个事件，且 P(A) > 0。在事件 A 已发生的条件下，事件 B 发生的概率称为 B 关于 A 的条件概率，记作 P(B | A)，定义为：
直观上，条件概率是将样本空间从 Ω"收缩"到 A，在 A 这个新的范围内考察 B 发生的比例。当 P(A) > 0 时，P(· | A) 作为以 A 为条件的概率测度，满足概率的三条公理。
计算条件概率 P(B | A) 时，除用定义 P(AB)/P(A) 外，还可用缩减样本空间法：直接把 A 视为新的样本空间，在其中数 B 的有利样本点比例。这种方法在古典概型中往往更快捷，但要注意"新样本空间"内各基本事件仍需等可能。
二、乘法公式
由条件概率的定义可直接得到乘法公式，它是计算积事件概率的基本工具。
推广到三个事件（当 P(AB) > 0 时）：
一般地，若 P(A₁A₂…An−1) > 0，则：
乘法公式将"多个事件同时发生"的概率分解为一系列条件概率的乘积，在不放回抽样、逐次试验等问题中应用广泛。使用时须按时间或逻辑顺序合理选择条件。
三、条件概率的性质
对固定的事件 A（P(A) > 0），条件概率 P(· | A) 满足概率公理，因此概率的所有性质对条件概率都成立。常用结论如下：
· P(∅ | A) = 0，P(Ω | A) = 1，0 ≤ P(B | A) ≤ 1；
· P(B̄ | A) = 1 − P(B | A)（条件下的逆事件公式）；
· 条件加法公式：P(B ∪ C | A) = P(B | A) + P(C | A) − P(BC | A)；
· 条件减法公式：P(B − C | A) = P(B | A) − P(BC | A)；
· 若 B ⊂ C，则 P(B | A) ≤ P(C | A)（条件下的单调性）。
这一结论非常重要：凡涉及条件概率的计算，都可"照搬"无条件概率的性质，只需在每项后追加条件" | A"即可。
全概率公式与贝叶斯公式
一、样本空间的分割（完备事件组）
设 B₁, B₂, …, Bn 为一组事件，若满足：
① 两两互斥：BiBj = ∅（i ≠ j）；
② 和为必然事件：B₁ ∪ B₂ ∪ … ∪ Bn = Ω；
则称 B₁, B₂, …, Bn 为样本空间 Ω 的一个分割（或完备事件组）。
直观上，完备事件组把样本空间"切成若干互不重叠的小块"，每次试验必有且仅有一个 Bi 发生。例如对立事件 A, Ā 就构成最简单的二元分割。
二、全概率公式
设 B₁, B₂, …, Bn 为样本空间 Ω 的一个分割，且 P(Bi) > 0（i = 1, 2, …, n），则对任意事件 A，有：
思想：把"求 A 的概率"这一复杂问题，按原因 Bi 分解为若干情形，分别计算 P(Bi)P(A | Bi) 后求和（即加权平均）。这是一种化整为零、由因求果的方法。
三、贝叶斯公式
设 B₁, B₂, …, Bn 为样本空间 Ω 的一个分割，且 P(Bi) > 0。若事件 A 已发生且 P(A) > 0，则在 A 发生的条件下，Bk 发生（即结果由第 k 个原因导致）的条件概率为：
思想：贝叶斯公式解决"已知结果，反推原因"的问题。其中 P(Bk) 是试验前对原因 Bk 的估计，称为先验概率；P(Bk | A) 是在观察到结果 A 后对原因的修正估计，称为后验概率。公式表明：后验概率正比于"先验概率 × 该原因下结果发生的似然"。分母正是全概率公式求出的 P(A)。
何时用全概率公式？当所求事件 A 的发生受多种互斥"原因"或"情形"影响，且每种情形下 A 的条件概率容易求时，用全概率公式"由因求果"求 P(A)。典型场景：多工厂/多流水线产品混合后的次品率、多路信号汇合、多阶段抽样等。
何时用贝叶斯公式？当结果 A 已发生，需追溯其最可能的原因时，用贝叶斯公式"执果索因"求 P(Bk | A)。典型场景：检出次品求来自某工厂的概率、医学检验阳性求真患病概率（基础率谬误）、雷达报警求真有敌情的概率等。
解题三步法：① 找出完备事件组 Bi（"原因"）；② 标注 P(Bi) 与 P(A | Bi)；③ 全概率用求和，贝叶斯用除法（分子为第 k 项，分母为全概率之和）。
事件的独立性
一、两个事件的独立性
设 A, B 为两个事件。若
则称事件 A 与 B 相互独立（简称独立）。等价地，当 P(A) > 0 时，A 与 B 独立 ⟺ P(B | A) = P(B)，即 A 的发生与否不影响 B 发生的概率——这是独立性的直观含义。
独立性是概率意义上的概念（由 P(AB) = P(A)P(B) 判定），而非集合关系。不能从事件是否"相交"直观判断。实际应用中，若两事件的发生没有物理因果联系（如两台仪器独立工作、有放回抽样），通常可视为独立。判定独立性的核心是验证概率等式，而非看集合图。
二、独立性的性质
若事件 A 与 B 相互独立，则下列各对事件也相互独立：
· A 与 B̄； · Ā 与 B； · Ā 与 B̄。
即"独立事件的逆事件仍独立"。例如 P(AB̄) = P(A) − P(AB) = P(A) − P(A)P(B) = P(A)(1 − P(B)) = P(A)P(B̄)，故 A 与 B̄ 独立。
此外，独立性具有对称性（A 与 B 独立则 B 与 A 独立）。
三、n 个事件的独立性
设 A₁, A₂, …, An 为 n 个事件。若其中任意 k 个（2 ≤ k ≤ n）事件的积的概率等于各事件概率之积，即对一切 1 ≤ i₁ < i₂ < … < ik ≤ n，有
则称 A₁, A₂, …, An 相互独立。
注意：相互独立要求所有组合（共 2n − n − 1 个等式）都成立。若仅任意两个事件独立，则称为两两独立。相互独立 ⟹ 两两独立，但两两独立不一定相互独立（这是常见陷阱）。
四、独立重复试验（伯努利概型）
将一个试验 E 独立重复进行 n 次，每次试验只有两个互相对立的结果 A 与 Ā，且每次 P(A) = p 保持不变，则称这 n 次试验为 n 重伯努利试验（伯努利概型）。
在 n 重伯努利试验中，事件 A 恰好发生 k 次（k = 0, 1, …, n）的概率为：
这是因为 A 在某 k 次、Ā 在其余 n − k 次发生的概率为 pk(1−p)n−k，而 k 次的位置有 Cnk 种选法。该公式正是二项分布的来源（见第十二章）。
互斥（互不相容）是集合关系：AB = ∅，强调两事件"不能同时发生"。互斥事件在一次试验中互相排斥，一个发生另一个必不发生。
独立是概率关系：P(AB) = P(A)P(B)，强调一个事件的发生"不影响"另一个的概率。独立事件可以同时发生。
关键结论：若 P(A) > 0 且 P(B) > 0，则 A 与 B 互斥与独立不能同时成立。因为互斥时 P(AB) = 0，而独立要求 P(AB) = P(A)P(B) > 0，二者矛盾。换言之，有正概率的两个事件，互斥必不独立，独立必不互斥。这是考研选择题的高频陷阱，务必牢记。
典型概率模型
一、古典概型计算
古典概型计算的关键是正确计数。常用模型与计数技巧：
· 抽样模型：从 n 个中取 k 个。不放回且不计序用组合 Cnk；不放回且计序用排列 Ank；有放回且计序用 nk。
· 分配模型：把 n 个不同球放入 N 个盒子，每个球有 N 种放法，共 Nn 种。
· 排列模型：全排列 n!；有重复元素的排列 n! / (n₁! n₂! … nm!)。
计数原则：分子与分母必须在同一样本空间、同一计数口径下计算，否则会出错。复杂问题可结合"对立事件法"（先求对立事件概率再用 1 −）简化。
二、几何概型
几何概型用度量之比求概率。解题步骤：① 选取恰当的几何变量建立坐标系，确定样本空间区域 Ω 与事件区域 A；② 计算 μ(Ω) 与 μ(A)（长度/面积/体积）；③ 求 P(A) = μ(A)/μ(Ω)。常见如会面问题：两人约定在某时间段内到达，求两人能会面的概率，通常化为平面区域求面积比。
三、伯努利概型
伯努利概型研究独立重复试验，用二项概率公式 Cnkpk(1−p)n−k 计算。典型问题：多次独立射击命中次数、产品多次有放回抽检中的次品数等。注意区分"恰好 k 次""至少 k 次""至多 k 次"——后两者常通过对立或求和处理。
不放回情形（古典概型，组合计数）：样本点总数 C103 = 120。恰 2 红 1 白的有利样本点 C62·C41 = 15 × 4 = 60。故 P = 60/120 = 1/2。
有放回情形（伯努利概型）：每次取到红球概率 p = 6/10 = 0.6，独立取 3 次。恰 2 红 1 白即"红发生 2 次"：
P = C32 · (0.6)² · (0.4)¹ = 3 × 0.36 × 0.4 = 0.432。
对比可见，放回与不放回的概率不同，因为放回抽样各次独立（伯努利），不放回抽样各次不独立（需用超几何计数）。务必分清模型。
典型例题
分析：10 球中取 3 个，不分顺序，用组合计数。样本点总数 n = C103 = 120。
(1) 恰 2 红 1 白：在 4 红中取 2、6 白中取 1，有利样本点 k = C42·C61 = 6 × 6 = 36。
P = k/n = 36/120 = 3/10。
(2) "至少 1 红"的对立事件是"全是白球"。用对立事件法更简便：
全白样本点 C63 = 20，P(全白) = 20/120 = 1/6。
P(至少1红) = 1 − P(全白) = 1 − 1/6 = 5/6。
点评："至少""至多"型概率，常优先考虑对立事件法 P(A) = 1 − P(Ā)，可避免分类求和的繁琐。这是古典概型的常用技巧。
分析：次品来自不同生产线这一"结果"受"生产线"这一"原因"影响，三生产线构成完备事件组，宜用全概率公式。
设 B₁, B₂, B₃ 分别表示"取到甲、乙、丙生产线的产品"，A 表示"取到次品"。则 B₁, B₂, B₃ 构成完备事件组，且：
P(B₁) = 0.25，P(B₂) = 0.35，P(B₃) = 0.40；
P(A | B₁) = 0.05，P(A | B₂) = 0.04，P(A | B₃) = 0.02。
由全概率公式：
P(A) = Σ P(Bi)P(A | Bi)
= 0.25 × 0.05 + 0.35 × 0.04 + 0.40 × 0.02
= 0.0125 + 0.014 + 0.008 = 0.0345。
故任取一件为次品的概率为 0.0345（即 3.45%）。
分析：已知结果"取到次品 A"，反推原因"来自甲 B₁"，用贝叶斯公式。
由贝叶斯公式：
P(B₁ | A) = P(B₁)·P(A | B₁) / P(A)
其中分母 P(A) = 0.0345（例题2已求），分子 P(B₁)·P(A | B₁) = 0.25 × 0.05 = 0.0125。
P(B₁ | A) = 0.0125 / 0.0345 = 125 / 345 = 25 / 69 ≈ 0.3623。
即在已知取到次品的条件下，它由甲生产线生产的概率约为 36.23%。
点评：注意"甲的产量占 25%"是先验概率，而求得 36.23% 是后验概率——因为甲的次品率（5%）最高，所以次品更可能来自甲，后验概率高于先验。这正体现了贝叶斯公式"用新信息修正认知"的思想。同理可算 P(B₂|A) = 0.014/0.0345 ≈ 0.4058，P(B₃|A) ≈ 0.2319，三者之和为 1。
设 A = "甲击中"，B = "乙击中"。由题意 A 与 B 独立，故 P(AB) = P(A)P(B) = 0.8 × 0.6 = 0.48。
(1) 目标被击中 = A ∪ B：
P(A ∪ B) = P(A) + P(B) − P(AB) = 0.8 + 0.6 − 0.48 = 0.92。
或用对立事件：P(A ∪ B) = 1 − P(Ā)P(B̄) = 1 − 0.2 × 0.4 = 1 − 0.08 = 0.92（独立时逆事件也独立）。
(2) 目标恰被一人击中 = AB̄ ∪ ĀB：
P = P(A)P(B̄) + P(Ā)P(B) = 0.8 × 0.4 + 0.2 × 0.6 = 0.32 + 0.12 = 0.44。
（也可用 P(A ∪ B) − P(AB) = 0.92 − 0.48 = 0.44。）
(3) 目标未被击中 = ĀB̄：
P(ĀB̄) = P(Ā)P(B̄) = 0.2 × 0.4 = 0.08（即目标被击中的对立事件，1 − 0.92 = 0.08）。
点评：独立性使得积事件概率化为乘积，是简化计算的关键。常用结论："至少一个发生"用 1 − ΠP(不发生)；"恰一个发生"用 Σ P(发生)·P(其余不发生)。
📖 章节小结
- 随机事件与样本空间是描述随机现象的语言。随机试验所有可能结果构成样本空间 Ω，事件是 Ω 的子集，事件发生 ⟺ 某样本点出现。事件的关系与运算与集合一致：包含、和、积、差、互斥、对立；运算满足交换律、结合律、分配律与对偶律（德摩根律）。务必区分"对立"（互斥且和为 Ω）与"互斥"（仅不能同时发生），以及"都不发生"（ĀB̄）与"不都发生"（Ā∪B̄）。
- 概率的定义有古典、几何、公理化三种。古典概型要求"有限+等可能"，P(A)=k/n，核心是计数；几何概型用"度量比"P(A)=μ(A)/μ(Ω)；柯尔莫哥洛夫公理（非负性、规范性、可列可加性）是概率的严格基础。概率的基本性质：P(∅)=0、P(Ā)=1−P(A)、单调性、加法公式 P(A∪B)=P(A)+P(B)−P(AB)、减法公式 P(A−B)=P(A)−P(AB) 是计算利器。
- 条件概率 P(B|A)=P(AB)/P(A) 是在 A 发生条件下 B 的概率，满足概率的一切性质。由它得乘法公式 P(AB)=P(A)P(B|A)，可推广到 n 个事件。计算条件概率可用定义法或缩减样本空间法。
- 全概率公式与贝叶斯公式是本章核心。完备事件组把 Ω 切成互斥小块；全概率公式 P(A)=ΣP(Bi)P(A|Bi) "由因求果"；贝叶斯公式 P(Bk|A)=P(Bk)P(A|Bk)/P(A) "执果索因"，体现先验到后验的修正。解题三步：找完备事件组、标注先验与条件概率、求和或求商。
- 事件的独立性：P(AB)=P(A)P(B) 是概率意义的概念。独立 ⟹ 各逆事件组合仍独立；n 个事件相互独立要求任意子组积概率等于概率之积，强于两两独立。独立重复试验（n 重伯努利）用二项公式 Cnkpk(1−p)n−k。关键辨析：正概率的两事件"互斥"与"独立"不能并存——互斥强调不同时发生（集合关系），独立强调互不影响（概率关系）。
- 备考建议：本章重在概念辨析与公式应用。重点训练四类题型——古典概型计数（排列组合+对立事件法）、全概率/贝叶斯公式应用（完备事件组建模）、独立性判定与计算（积化乘积）、伯努利概型。易错点：加法公式忘减 P(AB)、把互斥当独立、两两独立与相互独立混淆、放回与不放回抽样模型混用。解题时养成"先判模型、再列公式、后算数值"的习惯。