AS & A Level 数学 9709 (Paper 5) 学习笔记：概率 (5.3)
你好，未来的数学家！这一章我们要探讨的是如何量化“可能性”——即为某件事发生的几率赋予一个精确的数值。概率是统计学的核心，打好这一部分的基础对于后续攻克离散型和连续型变量至关重要。别担心计数过程看起来很复杂；我们将运用你在前一节（5.2）中掌握的排列组合（Permutations and Combinations）技巧，让问题变得简单得多！
1. 概率基础
概率衡量的是一个事件（event）发生的可能性。结果总是介于 0（不可能发生）和 1（必然发生）之间。
核心定义
- 试验 (Experiment)： 指一个产生明确结果的过程。（例如：掷骰子、抽牌）
- 结果 (Outcome)： 试验中的单一结果。（例如：掷出“4”点、抽中黑桃 A）
- 样本空间 (Sample Space, \(S\))： 所有可能结果的集合。（例如：对于标准骰子，\(S = \{1, 2, 3, 4, 5, 6\}\)）
- 事件 (Event, \(A\))： 样本空间的子集（包含一个或多个结果）。（例如：事件 A = 掷出偶数，则 \(A = \{2, 4, 6\}\)）
古典概型公式
如果所有结果发生的可能性都相同（等概率基本事件），则事件 \(A\) 的概率计算如下：
\[P(A) = \frac{\text{事件 A 中包含的结果数量}}{\text{样本空间 S 中的总结果数量}}\]
互补事件（对立事件, \(A'\)）
事件 \(A\) 的补集（记作 \(A'\) 或 \(A^c\)）是指事件 \(A\) 不发生的情况。
\[P(A') = 1 - P(A)\]
这非常实用！如果直接计算 \(P(A)\) 很困难（例如：“掷三次骰子至少出现一个 6”），那就转而计算 \(P(A')\)（即“掷三次骰子一次 6 都没有”），然后用 1 减去它即可。
快速回顾：基本概率法则
- \(0 \le P(A) \le 1\)
- \(P(S) = 1\)（即“总会发生点什么”的概率）
- \(P(A) + P(A') = 1\)
2. 评估概率（计数）
在大多数考试题中，尤其是涉及抽取或排列的问题，你不能简单地列出所有结果（枚举法）。这就是排列组合（P&C）知识大显身手的地方。
方法：利用排列组合进行计数
要计算 \(P(A)\)，请遵循以下步骤：
- 使用排列组合公式（或乘法原理）求出总的可能结果数 (\(|S|\))。
- 使用排列组合公式求出事件 \(A\) 发生的次数 (\(|A|\))。
- 计算比率：\(P(A) = \frac{|A|}{|S|}\)。
示例：袋子里有 5 个红球和 3 个蓝球。随机抽取 2 个球，求两个球都是红球的概率。
- 总结果数 (\(|S|\))：从 8 个球中选 2 个：\(\binom{8}{2} = 28\)。
- 有利结果数 (\(|A|\))：从 5 个红球中选 2 个：\(\binom{5}{2} = 10\)。
- 概率：\(P(\text{2 个红球}) = \frac{10}{28} = \frac{5}{14}\)。
关键点： 概率计算往往完全取决于能否准确数出事件发生的可能方式，所以请务必夯实你的排列组合基础！
3. 组合事件：加法（或/OR）与乘法（且/AND）
当你处理两个或多个事件 \(A\) 和 \(B\) 时，需要规则来组合它们的概率。
3.1. 加法法则（或/OR）——互斥事件
如果你想求事件 \(A\) 或 事件 \(B\) 发生的概率，你要求的是 \(P(A \cup B)\)（A 并 B）。
互斥事件 (Mutually Exclusive Events)：
如果事件 \(A\) 和 \(B\) 不能同时发生，它们就是互斥的。这意味着它们的交集为空，即 \(P(A \cap B) = 0\)。
- 类比：掷一次骰子掷出 4 或 5。不可能两者同时发生。
对于互斥事件：
\[P(A \cup B) = P(A) + P(B)\]
避免常见的错误： 只有当事件确定互斥时，才能使用上述简单的加法规则。如果它们有重叠（即 \(P(A \cap B) \neq 0\)），你就不能简单相加，因为这样会重复计算重叠部分。
3.2. 乘法法则（且/AND）——独立事件
如果你想求事件 \(A\) 且 事件 \(B\) 同时发生的概率，你要求的是 \(P(A \cap B)\)（A 交 B）。
独立事件 (Independent Events)：
如果事件 \(A\) 的发生不影响事件 \(B\) 发生的概率，则称这两个事件是独立的。
- 类比：掷骰子和掷硬币。掷出正面并不会改变掷出 6 点的几率。
对于独立事件：
\[P(A \cap B) = P(A) \times P(B)\]
你知道吗？ 独立性可以直接通过上述公式进行检验。如果你计算出 \(P(A) \times P(B)\) 并且它等于交集事件的概率 \(P(A \cap B)\)，那么这两个事件就是独立的。如果不相等，则它们是相关的（非独立）。
关键点： “或”通常意味着相加（如果互斥）。“且”通常意味着相乘（如果独立）。
4. 条件概率（“已知……的前提下”的情境）
条件概率处理的是其中一个事件的发生直接影响后续事件概率的情况。这些事件是相关（依赖）的。
定义与表示
条件概率是指在事件 \(B\) 已经发生的条件下，事件 \(A\) 发生的概率，记作 \(P(A|B)\)。
公式为：
\[P(A|B) = \frac{P(A \cap B)}{P(B)}\]
该公式实质上将原始样本空间 (\(S\)) 缩小到了仅包含 \(B\) 发生的结果范围内。此时 \(P(B)\) 变成了新的“总概率”。
处理相关事件的条件概率
在处理相关事件（如不放回抽样）时，联合概率 \(P(A \cap B)\) 必须通过条件概率计算：
\[P(A \cap B) = P(B) \times P(A|B)\]
示例：从一副标准扑克牌中不放回地抽取两张牌。令 R1 = 第一次抽到红牌，R2 = 第二次抽到红牌。
- \(P(R_1) = \frac{26}{52} = \frac{1}{2}\)
- 如果 R1 发生了，剩下 51 张牌，其中 25 张是红牌。
- \(P(R_2 | R_1) = \frac{25}{51}\)（已知第一次抽到红牌，第二次抽到红牌的概率）
- \(P(R_1 \cap R_2) = P(R_1) \times P(R_2 | R_1) = \frac{26}{52} \times \frac{25}{51} = \frac{25}{102}\)
使用树状图（Tree Diagrams）进行可视化
条件概率问题通常可以通过树状图轻松解决，尤其是在处理连续事件序列时。
- 从表示第一个事件的分支开始，并标注非条件概率。
- 后续分支标注条件概率（即“已知……”的概率）。
- 要计算序列的概率（例如：路径 1 AND 路径 2），只需将路径上的概率相乘即可。
别担心，如果一开始觉得有些绕口——树状图通过直观地分离序列概率，极大地简化了复杂的事件链。
条件概率实战（步骤示例）
一项调查发现，60% 的学生拥有笔记本电脑 (L)，30% 拥有平板电脑 (T)，10% 两者都有。求一名学生拥有笔记本电脑的概率（已知他们拥有一台平板电脑）？(\(P(L|T)\))
- 写出已知条件：\(P(L) = 0.6\), \(P(T) = 0.3\), \(P(L \cap T) = 0.1\)。
- 确定目标：\(P(L|T)\)。
- 应用公式： \[P(L|T) = \frac{P(L \cap T)}{P(T)}\]
- 计算： \[P(L|T) = \frac{0.1}{0.3} = \frac{1}{3}\]
解释：在 30% 拥有平板电脑的学生中，有 10% 也拥有笔记本电脑。所以，在平板电脑拥有者中，同时拥有笔记本电脑的概率是 1/3。
5. 互斥与独立：一个至关重要的区别
学生经常混淆这两个术语，因为在日常语言中“互斥”和“独立”听起来很像，但在数学上它们完全不同。
如果两个事件 A 和 B 互斥 (Mutually Exclusive)：
- 它们没有共同结果：\(P(A \cap B) = 0\)。
- 它们高度相关：如果 A 发生，B 绝对不会发生（所以 \(P(B|A) = 0\)）。
- 或（OR）规则：\(P(A \cup B) = P(A) + P(B)\)。
如果两个事件 A 和 B 独立 (Independent)：
- 它们可以同时发生（存在重叠）：\(P(A \cap B) = P(A) \times P(B)\)。
- 它们并非互斥（除非 \(P(A)=0\) 或 \(P(B)=0\)）。
- 且（AND）规则：\(P(A \cap B) = P(A) \times P(B)\)。
- 最关键的是：条件概率等于非条件概率：\(P(A|B) = P(A)\)。
记忆小贴士：检验独立性
要证明事件 A 和 B 独立，必须检查：
\(P(A \cap B) = P(A) \times P(B)\)
如果此等式成立，则它们是独立的。这是考纲要求的唯一官方检验方法。
关键点： 互斥事件涉及加法（不可重叠）。独立事件涉及乘法（互不影响）。