# 概率概念、条件概率、独立事件

> IB 数学应用与解释 HL · 第5单元：统计与概率
> 来源: https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-probability-concepts-conditional-probability-independent/

本主题涵盖了IB AI HL考试中概率的核心基础定义、条件概率的公式与计算，以及独立事件与非独立事件的关键区分。

**先修:** [基础集合符号与维恩图](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-basic-set-theory/)

## 学习目标

- 回顾基础概率的核心定义与法则
- 使用正式定义计算条件概率
- 区分独立事件与互斥事件
- 运用概率法则解决考试风格题目

## 概率核心基础

**样本空间与事件** — 样本空间是随机试验所有可能结果的集合。事件是样本空间的一个子集。

*记法:* $S$ for sample space, $A, B$ for events

*例:* 投掷一枚六面骰子：$S = \{1,2,3,4,5,6\}$，事件“掷出偶数”为 $A = \{2,4,6\}$

所有概率都遵循核心基本法则：任意事件的概率都在0到1之间，样本空间中所有结果的概率之和等于1。对于$A$不发生的事件，有一个非常有用的法则是**补集法则**，记为$A'$。

$$P(A') = 1 - P(A)$$

**例题:** 投掷一枚均匀的十面骰子一次，求结果不是3的倍数的概率。

1. 1. 确定样本空间与事件：
2. $$S = \{1,2,...,10\}, \quad n(S) = 10$$
3. 设$A$ = 结果是3的倍数，因此$A = \{3,6,9\}$，$n(A) = 3$
4. 2. 计算$P(A)$：
5. $$P(A) = \frac{n(A)}{n(S)} = \frac{3}{10}$$
6. 3. 使用补集法则求$P(A')$，即结果不是3的倍数的概率：
7. $$P(A') = 1 - P(A) = 1 - \frac{3}{10} = \frac{7}{10}$$

## 条件概率

**条件概率** — 已知事件$B$已经发生的条件下，事件$A$发生的概率称为条件概率，记为$P(A|B)$，公式为：

*例:* 已知抽出的第一张牌是红色，求第二张牌是红色的概率

$$P(A|B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0$$

条件概率将样本空间限制为仅$B$发生的结果，因此我们用$B$的总概率对联合概率$P(A \cap B)$进行归一化处理。这符合我们对先验信息如何改变概率的直观理解。

**例题:** 一个袋子里有5个红色弹珠和7个蓝色弹珠，不放回抽取两个弹珠。已知第一个是红色，求第二个弹珠是红色的概率。

1. 1. 定义事件：$A$ = 第二个弹珠为红色，$B$ = 第一个弹珠为红色，我们需要求$P(A|B)$。
2. 2. 计算两个都是红色的联合概率：
3. $$P(A \cap B) = \frac{5}{12} \times \frac{4}{11} = \frac{20}{132} = \frac{5}{33}$$
4. 3. 我们已知$P(B) = \frac{5}{12}$，即第一个弹珠是红色的概率。
5. 4. 应用条件概率公式：
6. $$P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{\frac{5}{33}}{\frac{5}{12}} = \frac{12}{33} = \frac{4}{11}$$
7. 这符合直觉：抽出一个红色弹珠后，剩余11个弹珠中还有4个红色。

> **考试提示:** 务必确认$P(B) \neq 0$；如果$B$不可能发生，条件概率无定义，这是考试中常见的陷阱题。

## 独立事件与关键区分

**独立事件** — 若一个事件的发生不改变另一事件的概率，则两个事件$A$和$B$是独立的。由此得到核心数学条件：

*例:* 投掷两次骰子：第一次的结果不影响第二次

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

> **warning**
>
> 千万不要将独立事件与互斥事件混淆！对于两个非零概率的事件，它们不可能同时是独立事件和互斥事件。如果它们是独立的，则$P(A \cap B) = P(A)P(B) > 0$，说明它们可以同时发生。

互斥事件是不能同时发生的事件，因此$P(A \cap B) = 0$。这是一个与独立性完全不同的概念，混淆两者是考试中最常见的错误之一。

**例题:** 一名学生参加两场独立的考试，通过第一场考试的概率是0.7，通过第二场的概率是0.6，求该学生恰好通过一场考试的概率。

1. 1. 定义事件：$P_1$ = 通过第一场，$P_2$ = 通过第二场，两事件独立。
2. 2. "恰好通过一场"意味着（通过第一场且未通过第二场）或（未通过第一场且通过第二场）。这两个事件互斥，因此我们将它们的概率相加。
3. 3. 使用独立事件法则计算第一个概率：
4. $$P(P_1 \cap P_2') = P(P_1) \times P(P_2') = 0.7 \times (1 - 0.6) = 0.28$$
5. 4. 计算第二个概率：
6. $$P(P_1' \cap P_2) = P(P_1') \times P(P_2) = (1 - 0.7) \times 0.6 = 0.18$$
7. 5. 将概率相加：
8. $$P(\text{exactly one pass}) = 0.28 + 0.18 = 0.46$$

## 常见错误

- **错误做法:** 对于非零概率事件，混淆独立事件与互斥事件
  - 原因: 它们是不同的概念，对于正概率事件，它们的条件是矛盾的
  - 正确做法: 记住：互斥意味着$P(A \cap B) = 0$，独立意味着$P(A \cap B) = P(A)P(B)$。只有当事件不能同时发生时才使用互斥的概念。
- **错误做法:** 计算条件概率时忘记除以$P(B)$，直接将$P(A \cap B)$作为最终答案
  - 原因: 条件概率将样本空间限制在$B$范围内，因此需要归一化
  - 正确做法: 解题时一定要写出完整公式$P(A|B) = \frac{P(A \cap B)}{P(B)}$，并在得出最终结果前除以$P(B)$。
- **错误做法:** 将有放回抽取与不放回抽取同等对待（反之亦然）
  - 原因: 只有不放回抽取才会改变样本大小，从而改变后续抽取的概率
  - 正确做法: 开始计算前，一定要仔细读题，确认抽取是有放回还是不放回。
- **错误做法:** 在题目未说明的情况下，假设所有事件都是独立的
  - 原因: 很多考题考察你检验独立性的能力，而不是让你从一开始就假设独立性
  - 正确做法: 只有当题目明确说明事件独立，或你已经通过定义验证了独立性时，才能使用法则$P(A \cap B) = P(A)P(B)$。

## 速查表

| 概念 | 公式/法则 |
| --- | --- |
| 补集法则 | $P(A') = 1 - P(A)$ |
| 条件概率 | $P(A\|B) = \frac{P(A \cap B)}{P(B)}, P(B) > 0$ |
| 通用乘法法则 | $P(A \cap B) = P(A\|B)P(B)$ |
| 独立事件 | $P(A \cap B) = P(A)P(B)$, $P(A\|B) = P(A)$ |
| 互斥事件 | $P(A \cup B) = P(A) + P(B)$, $P(A \cap B) = 0$ |

## 下一步

掌握这些核心概率概念是IB AI HL中所有后续概率与统计主题的基础，包括离散和连续概率分布、期望值、假设检验和回归分析。条件概率对于贝叶斯定理尤其重要，贝叶斯定理是考试中常见的高分值考点，扩展了你在这里学到的知识。在卡方检验的列联表关联性检验中，也需要用到独立事件与非独立事件的区分，因此在这里打下坚实的基础将帮助你避免更高级主题中的常见错误。

- [概率分布：期望与方差](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-probability-distributions-expected-value-and/)
- [二项分布、泊松分布和正态分布](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-binomial-poisson-and-normal-distributions/)
- [非线性回归模型](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-non-linear-regression-models/)

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-probability-concepts-conditional-probability-independent/