第 1 章：概率论导论（Introduction）

这一章的任务是建立后续统计推断的语言：样本空间、事件、概率、条件概率、独立性、计数方法。

0. 本章定位：统计学为什么从概率开始？

数理统计的核心问题是：我们只看到一部分数据，却要推断总体规律。
这件事必须先有一个概率模型，否则“随机误差”“置信水平”“显著性”都没有数学含义。

本章先区分两类统计：

描述统计：把已经观测到的数据整理清楚，例如表格、柱状图、均值、比例。
推断统计：用样本去判断总体，例如“这个药是否有效”“两位作者是否同一人”。

后续所有推断都遵循一条主线：

随机实验 -> 样本空间 -> 事件 -> 概率函数
       -> 条件概率 / 独立性 -> 随机变量 -> 分布 -> 推断

1. 随机实验、样本空间与事件

1.1 随机实验

随机实验指结果事先无法确定，但所有可能结果可以被分析的实验。

例子：

掷骰子一次
记录机器寿命
统计某时间段内电话呼入次数
抽样 50 人并记录左撇子人数

1.2 样本空间

样本空间通常记为 $Ω$ 或 $S$ ，包含随机实验所有可能结果。

例 1：连续掷两个骰子：

Ω = {(1, 1), (1, 2), \dots, (6, 6)}

例 2：机器寿命：

Ω = R_{+}

1.3 事件

事件是样本空间的子集。事件发生，意思是实际结果落在这个子集里。

例如连续掷两个骰子，事件“点数和小于 10”可以写为：

A = {(x, y) \in Ω : x + y < 10}

2. 事件运算：把复杂事件拆成简单事件

常见集合运算：

记号	含义	概率语言
$A^{c}$	补集	$A$ 不发生
$A \cup B$	并集	$A$ 或 $B$ 至少一个发生
$A \cap B$	交集	$A$ 与 $B$ 同时发生
$A ∖ B$	差集	$A$ 发生但 $B$ 不发生
$A \cap B = \emptyset$	互斥	二者不能同时发生

例：“两个事件中恰好一个发生”：

(A \cap B^{c}) \cup (B \cap A^{c})

例：“两个事件中至多一个发生”：

(A \cap B)^{c}

学习建议：做概率题时，先把文字翻译成集合表达式，再代公式。

3. 概率函数与基本性质

3.1 概率公理

概率函数 $P$ 满足：

非负性： $P (A) \geq 0$
规范性： $P (S) = 1$
有限可加性：若 $A \cap B = \emptyset$ ，则

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

可列可加性：若 $A_{1}, A_{2}, \dots$ 两两互斥，则

P (⋃_{i = 1}^{\infty} A_{i}) = \sum_{i = 1}^{\infty} P (A_{i})

3.2 由公理推出的常用公式

补集：

P (A^{c}) = 1 - P (A)

空集：

P (\emptyset) = 0

单调性：

A \subset B ⟹ P (A) \leq P (B)

加法公式：

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

三事件版本：

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

4. 条件概率：信息更新后的概率

4.1 定义

如果 $P (B) > 0$ ，则

P (A ∣ B) = \frac{P (A \cap B)}{P (B)}

直觉：已经知道 $B$ 发生后，样本空间从 $S$ 缩小到了 $B$ ，再看 $A$ 的相对比例。

4.2 乘法公式

由条件概率定义可得：

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

多个事件：

P (A_{1} \cap \dots \cap A_{n}) = P (A_{1}) P (A_{2} ∣ A_{1}) \dots P (A_{n} ∣ A_{1} \cap \dots \cap A_{n - 1})

这类公式适合处理“不放回抽样”“按顺序发生”的问题。

4.3 全概率公式

若 $A_{1}, \dots, A_{n}$ 构成样本空间的一个划分，则

P (B) = \sum_{i = 1}^{n} P (B ∣ A_{i}) P (A_{i})

直觉：把 $B$ 的发生路径拆成若干互斥情形，再加总。

4.4 Bayes 公式

P (A_{j} ∣ B) = \frac{P (B ∣ A_{j}) P (A_{j})}{\sum_{i = 1}^{n} P (B ∣ A_{i}) P (A_{i})}

Bayes 公式的核心是“由结果反推原因”：

先验 P(A_j) + 似然 P(B|A_j) -> 后验 P(A_j|B)

5. 独立性

5.1 两事件独立

事件 $A$ 与 $B$ 独立，若

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

等价地，当 $P (B) > 0$ ：

P (A ∣ B) = P (A)

直觉：知道 $B$ 发生，并不会改变 $A$ 的概率。

5.2 多事件独立的坑

两两独立不一定推出整体独立。对三个事件，整体独立需要同时满足：

P (A \cap B) = P (A) P (B) ， P (A \cap C) = P (A) P (C) ， P (B \cap C) = P (B) P (C)

以及

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

6. 组合计数：等可能模型里的概率工具

6.1 乘法原理

如果操作 A 有 $m$ 种做法，操作 B 有 $n$ 种做法，则先做 A 再做 B 有 $m n$ 种做法。

6.2 排列

从 $n$ 个不同对象中取 $k$ 个并考虑顺序：

_{n} P_{k} = \frac{n!}{(n - k)!}

全排列：

n!

若 $n$ 个对象中有 $n_{1}, n_{2}, \dots, n_{r}$ 类相同对象，则排列数为：

\frac{n!}{n_{1}! n_{2}! \dots n_{r}!}

6.3 组合

从 $n$ 个不同对象中取 $k$ 个，不考虑顺序：

(\binom{n}{k}) = \frac{n!}{k! (n - k)!}

组合概率的基本套路：

P (A) = \frac{满足事件 A 的组合数}{所有可能组合数}

7. 本章知识图谱

图表渲染中…

8. 易错点与考点

误区	正确认识
$P (A \cup B) = P (A) + P (B)$ 总成立	只有互斥时成立，一般要减 $P (A \cap B)$
$P (A ∣ B) = P (B ∣ A)$	通常不相等，Bayes 公式正是用来转换方向
两两独立等于整体独立	错，多事件独立还需要整体交集条件
组合与排列混用	排列看顺序，组合不看顺序
Bayes 公式分母随便写	分母是全概率，是所有原因路径的加权和

9. 关键公式速查表

内容	公式
补集	$P (A^{c}) = 1 - P (A)$
加法公式	$P (A \cup B) = P (A) + P (B) - P (A \cap B)$
条件概率	$P (A ∣ B) = P (A \cap B) / P (B)$
乘法公式	$P (A \cap B) = P (A) P (B ∣ A)$
全概率	$P (B) = \sum_{i} P (B ∣ A_{i}) P (A_{i})$
Bayes	$P (A_{j} ∣ B) = \frac{P (B ∣ A_{j}) P (A_{j})}{\sum_{i} P (B ∣ A_{i}) P (A_{i})}$
独立	$P (A \cap B) = P (A) P (B)$
排列	$_{n} P_{k} = n! / (n - k)!$
组合	$(\binom{n}{k}) = n! / [k! (n - k)!]$

10. 学习建议

每道题先写样本空间，再写事件。
看到“已知”“在……条件下”，优先考虑条件概率。
看到“原因反推结果”用全概率；看到“结果反推原因”用 Bayes。
看到“抽取、路径、排列组合”，先判断是否有顺序、是否放回、对象是否可区分。
本章公式不难，难点在建模：把文字翻译成事件表达式。

11. 专题深化：典型例题与建模套路

11.1 事件翻译训练：两个事件中“恰好一个”和“至多一个”

设 $A, B$ 是两个事件。

“恰好一个发生”不是 $A \cup B$ ，而是：

(A \cap B^{c}) \cup (A^{c} \cap B)

因为 $A \cup B$ 还包含“两者都发生”的情况。

“至多一个发生”包括：

只有 $A$ ；
只有 $B$ ；
两者都不发生。

所以它是：

(A \cap B)^{c}

做这类题的可靠方法：

中文描述
  -> 列出允许情况
  -> 写成交并补
  -> 判断是否互斥
  -> 套加法公式

11.2 条件概率例题框架：猎人问题

例：Max 和 Muffy 同时射击，问题是“已知狗被一颗子弹击中，致命一枪来自 Muffy 的概率是多少”。

这类题的结构是：

P (Muffy 命中 ∣ 恰好一人命中)

令

A = {Max 命中}, B = {Muffy 命中}

“恰好一人命中”是：

(A \cap B^{c}) \cup (A^{c} \cap B)

所求为：

\frac{P (A^{c} \cap B)}{P (A \cap B^{c}) + P (A^{c} \cap B)}

如果题目给了 $P (A), P (B), P (A \cap B)$ ，就不要额外假设独立。可以直接用：

P (A^{c} \cap B) = P (B) - P (A \cap B)

P (A \cap B^{c}) = P (A) - P (A \cap B)

这个例子提醒你：题目给了交集概率时，通常不是独立题。

11.3 Monty Hall 问题：条件信息改变样本空间

三扇门，一扇有奖。你先选一扇，主持人打开另一扇无奖门，问是否换门。

关键点不是“剩下两扇门概率各半”，而是主持人的行为带有信息：

你一开始选中车的概率： $1 / 3$ ；
你一开始没选中车的概率： $2 / 3$ ；
主持人总能在没被选的门中打开一扇空门。

若你坚持原选择，中奖概率仍为：

\frac{1}{3}

若你换门，中奖概率为：

\frac{2}{3}

这里最重要的统计思想是：观察行为本身可能是条件信息。后面 Bayes、选择偏差、条件推断都会反复出现这一点。

11.4 全概率公式例题框架：转移球问题

例如“从 urn I 抽一个球放入 urn II，再从 urn II 抽球”的问题。

这类题要先找“中间状态”作为划分：

A_{1} = {转移红球}, A_{2} = {转移白球}

目标事件：

B = {第二个 urn 抽到红球}

用全概率：

P (B) = P (B ∣ A_{1}) P (A_{1}) + P (B ∣ A_{2}) P (A_{2})

一般套路：

先发生的随机机制 -> 形成若干互斥状态 A_i
后发生的目标事件 B -> 在每个 A_i 下计算 P(B|A_i)
最后加权平均

11.5 Bayes 公式例题框架：已知结果反推原因

例如“硬币决定从哪个 urn 抽球，已知抽到白球，求硬币是 tails 的概率”。

这个结构是：

P (原因 ∣ 结果)

一定用 Bayes：

P (A_{j} ∣ B) = \frac{P (B ∣ A_{j}) P (A_{j})}{\sum_{i} P (B ∣ A_{i}) P (A_{i})}

其中：

$P (A_{j})$ 是先验概率；
$P (B ∣ A_{j})$ 是该原因下看到结果的概率；
分母是所有原因解释该结果的总概率。

Bayes 题最常见的错误是把 $P (A ∣ B)$ 和 $P (B ∣ A)$ 混淆。记住：

原因 -> 结果：通常是题目容易给的 P(B|A)
结果 -> 原因：才是题目要问的 P(A|B)

11.6 独立性例题框架：员工表格问题

例如“女性”和“黑人”两个事件，问需要多少黑女性才能使两个事件独立。

设

A = {female}, B = {black}

独立条件是：

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

若未知人数为 $x$ ，总人数也可能随 $x$ 变化，要特别注意分母：

P (A \cap B) = \frac{x}{120 + x}

而不是 $\frac{x}{120}$ 。

这类题的套路：

用 $x$ 表示未知频数；
写出总人数；
写出 $P (A), P (B), P (A \cap B)$ ；
代入独立性方程求解。

11.7 多事件独立：两两独立不够

三事件整体独立需要：

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

P (A \cap C) = P (A) P (C)

P (B \cap C) = P (B) P (C)

以及

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

因此两两独立只检查前三个式子，整体独立还要检查三重交集。

11.8 组合计数例题框架：路径问题

例如“从 X 到 0 再到 Y，只能向东/向北走”的问题，本质是排列相同元素。

若从 X 到 0 需要 9 次 East、2 次 North，总共 11 步，则路径数：

\frac{11!}{9! 2!} = (\binom{11}{2})

若从 0 到 Y 需要 5 次 East、3 次 North，则路径数：

\frac{8!}{5! 3!} = (\binom{8}{3})

总路线数用乘法原理：

(\binom{11}{2}) (\binom{8}{3})

判断这类题时只问一句：一条路线是不是一个由 E/N 组成的字符串？ 如果是，就转化为相同元素排列。

11.9 组合概率例题框架：最大号码为 5

从 1 到 8 中无放回抽 3 个，求最大号码为 5。

事件要求：

必须抽到 5；
另外两个必须从 ${1, 2, 3, 4}$ 中抽；
不能抽到 6、7、8。

有利样本数：

(\binom{1}{1}) (\binom{4}{2})

总样本数：

(\binom{8}{3})

概率：

\frac{(\binom{1}{1}) (\binom{4}{2})}{(\binom{8}{3})}

通用套路：

极值条件
  -> 固定极值本身
  -> 其余元素从极值以下/以上选
  -> 除以总组合数

12. 复习清单

能写出样本空间和事件，并能做并、交、补运算。
会用概率公理推出补集、空集、单调性、加法公式。
会把“恰好一个”“至多一个”“至少一个”翻译成事件表达式。
会用条件概率处理“已知某事件发生”的题。
会用乘法公式处理按顺序发生的事件。
会用全概率公式处理“先分情况，再求目标概率”的题。
会用 Bayes 公式处理“已知结果反推原因”的题。
能判断题目是否允许使用独立性。
会区分排列、组合、相同元素排列。
会把路径、抽样、极值问题转化为计数问题。

13. 综合深化：统计任务与概率模型的双向关系

13.1 概率论与统计学的方向相反

概率论从已知机制出发：给定分布或数据生成过程，计算未来观测的概率、期望和波动。统计学从已观测样本反推未知机制：估计参数、检验假设、选择模型并量化不确定性。

text

概率论：模型/参数 -> 随机数据
统计学：随机数据 -> 模型/参数及其不确定性

统计推断的根本限制是无法观察整个总体，只能观察随机样本。因此后续所有方法都依赖两类桥梁：

大数定律把样本平均与总体特征连接起来；
中心极限定理描述样本误差的典型尺度与形状。

13.2 统计学在现代模型中的四种作用

可扩展性：当精确积分或枚举不可行时，用随机采样、随机优化和渐近近似处理大规模问题。
可解释性：不仅追求预测，还要识别哪些变量、区域或结构稳定地影响结果。高维问题中尤其要区分真正信号与偶然相关。
可重复性：单个显著结果可能是噪声。多重检验、错误发现率和稳定性分析用于控制“发现”中假阳性的比例。
因果推断：预测相关性回答“会发生什么”，因果效应回答“若主动改变处理会怎样”。后者需要随机化或额外识别假设。

这四类任务最终都回到同一基础：明确随机对象、数据生成机制、条件信息以及结论所依赖的假设。

13.3 系统可靠性：把逻辑结构翻译成事件

设六个元件独立工作，工作概率分别为 $p_{1}, \dots, p_{6}$ 。系统正常要求：元件 1 工作；2、3 至少一个工作；4 工作；5、6 至少一个工作。令 $A_{i}$ 为第 $i$ 个元件工作，则

S = A_{1} \cap (A_{2} \cup A_{3}) \cap A_{4} \cap (A_{5} \cup A_{6}) .

由独立性，

P (S) = p_{1} [1 - (1 - p_{2}) (1 - p_{3})] p_{4} [1 - (1 - p_{5}) (1 - p_{6})] .

这里的关键不是代数，而是先把串联结构翻译成交、把并联结构翻译成并，再判断是否允许把概率相乘。

13.4 建模纪律

独立性来自设计或机制，不来自计算方便。
条件化会改变参照总体，观察机制本身也可能携带信息。
模型只能说“在这些假设下近似合理”，不能被数据有限地证明为绝对正确。
任何概率结论都应同时说明样本空间、事件和条件信息。

第 1 章：概率论导论（Introduction） ​

0. 本章定位：统计学为什么从概率开始？ ​

1. 随机实验、样本空间与事件 ​

1.1 随机实验 ​

1.2 样本空间 ​

1.3 事件 ​

2. 事件运算：把复杂事件拆成简单事件 ​

3. 概率函数与基本性质 ​

3.1 概率公理 ​

3.2 由公理推出的常用公式 ​

4. 条件概率：信息更新后的概率 ​

4.1 定义 ​

4.2 乘法公式 ​

4.3 全概率公式 ​

4.4 Bayes 公式 ​

5. 独立性 ​

5.1 两事件独立 ​

5.2 多事件独立的坑 ​

6. 组合计数：等可能模型里的概率工具 ​

6.1 乘法原理 ​

6.2 排列 ​

6.3 组合 ​

7. 本章知识图谱 ​

8. 易错点与考点 ​

9. 关键公式速查表 ​

10. 学习建议 ​

11. 专题深化：典型例题与建模套路 ​

11.1 事件翻译训练：两个事件中“恰好一个”和“至多一个” ​

11.2 条件概率例题框架：猎人问题 ​

11.3 Monty Hall 问题：条件信息改变样本空间 ​

11.4 全概率公式例题框架：转移球问题 ​

11.5 Bayes 公式例题框架：已知结果反推原因 ​

11.6 独立性例题框架：员工表格问题 ​

11.7 多事件独立：两两独立不够 ​

11.8 组合计数例题框架：路径问题 ​

11.9 组合概率例题框架：最大号码为 5 ​

12. 复习清单 ​

13. 综合深化：统计任务与概率模型的双向关系 ​

13.1 概率论与统计学的方向相反 ​

13.2 统计学在现代模型中的四种作用 ​

13.3 系统可靠性：把逻辑结构翻译成事件 ​

13.4 建模纪律 ​