数学 · 统计

概率基础（样本空间、事件、条件概率、独立性）

Probability Basics: Sample Spaces, Events, Conditional Probability

约 22 分钟 · v1

概率基础

math/probability-basics · MATH2099
0 / 3

1 概率:把"有多可能"量成 0 到 1 的数

天气预报说"明天 70% 下雨",抽奖说"中奖率 1%"——我们天天在用概率,只是没把它写成公式。概率就是一个 0 到 1 之间的数:0 = 绝不发生,1 = 必然发生,0.5 = 一半一半。

把一次随机试验所有可能结果的集合叫 样本空间 Ω;我们关心的某些结果叫 事件 A。在"等可能"情形下,P(A) = 有利结果数 / 总结果数。

掷一枚公平骰子:Ω = {1,2,3,4,5,6};事件"掷出偶数" = {2,4,6},所以 P = 3/6 = 0.5。注意"等可能"是前提——骰子灌了铅就不能这么数了。

但很多事没法"数结果",比如明天下不下雨。这时概率的另一层含义登场:长期重复下,某结果出现的频率。这两种理解在公平骰子上一致——下面亲手验证。

2 投得越多,频率越逼近概率(大数定律)

理论说公平硬币正面概率是 0.5,但投 4 次出现 3 次正面也不奇怪。关键在"次数多":投得越多,实测频率越向理论值靠拢。点按钮狂投,看柱子怎么慢慢贴上那条虚线。

频率 → 概率 模拟器

总投掷 n = 0理论概率 = 0.50
虚线 = 理论概率。投得少时柱子东倒西歪,投到上千次后会牢牢贴住虚线——这就是大数定律。

3 加法法则:算"A 或 B"别重复数

"掷骰子出现偶数或大于 4"的概率是多少?直接把两件事的概率加起来会出错——因为"6"既是偶数又大于 4,被数了两遍。拖滑块改变两个事件的重叠,看公式怎么自动扣掉重叠部分。

文氏图:P(A 或 B)

P(A)=0.50P(B)=0.40P(A或B)=0.80
P(A∪B) = P(A) + P(B) − P(A∩B):加起来再扣掉重叠,免得中间那块算两次。当重叠 = 0(两事件不可能同时发生)时,它们互斥,直接相加即可。
对立事件
P(不发生) = 1 − P(发生)。求"至少一次中奖"很难时,反过来算"一次都不中"再用 1 减,往往省事十倍。
互斥(不相容)
两件事不可能同时发生(掷一次骰子,不可能既是 3 又是 5)。此时 P(A或B)=P(A)+P(B),没有重叠要扣。

4 条件概率:为什么"检测阳性"≠"真得病"

这是概率里最反直觉、也最重要的一节。一种病患病率 1%,有个准确率 99% 的检测。你测出阳性——慌吗?其实你真得病的概率可能只有 50% 上下。拖两个滑块,看 200 个人里到底谁阳性、谁真病。

200 人里的"阳性"真相

5%
90%
健康真患病检测阳性(描边)
阳性总人数 = 0其中真患病 = 0阳性里真有病的比例 = 0%

条件概率 P(A|B) = P(A且B) / P(B):已知 B 发生后,A 的概率。"阳性里真得病的比例" = P(病 | 阳性),它和"病人测出阳性"P(阳性 | 病)是两码事。

病很罕见时,大量健康人贡献的"假阳性"会淹没少数真病人——这就是著名的基础概率谬误。当 P(A且B)=P(A)·P(B) 时,B 的发生不影响 A,称两事件独立。

5 试三道(先想,再点)

三道题,点选项即时判;答题进度显示在右侧目录。

一句话带走:

概率 = 0~1 的数,等可能时 P=有利/总数;大数定律说投得越多频率越贴近概率。加法法则 P(A∪B)=P(A)+P(B)−P(A∩B)(互斥才能直接相加);对立 P(非A)=1−P(A)。条件概率 P(A|B)=P(A∩B)/P(B)——"阳性里真得病的比例"和"病人会阳性"完全不同,罕见病尤其要当心基础概率谬误。