机器学习数学基础：24.随机事件与概率

一、教程目标

本教程致力于帮助零基础或基础薄弱的学习者，全面掌握概率论与数理统计的基础公式，透彻理解核心概念，熟练学会应用解题技巧，最终能够轻松应对期末或考研考试。

二、适用人群

特别适合那些对概率论与数理统计知识了解甚少，甚至零基础的学习者，以及基础较为薄弱，希望快速提升相关知识水平和应试能力的人群。

三、基础概念与公式梳理

（一）事件关系与运算

1. 事件关系的符号化定义
   • 包含：$A\subset B$，这意味着如果事件$A$发生，那么事件$B$必然发生。例如，在从一副扑克牌中抽取一张牌的试验里，设事件$A$是“抽到红桃A”，事件$B$是“抽到红桃”。因为红桃A本身就是红桃中的一张牌，所以只要抽到红桃A，就一定抽到了红桃，即$A\subset B$。
   • 和事件（并）：$A\cup B$或$A+B$，表示事件$A$或者事件$B$至少有一个会发生。比如，同样在抽牌试验中，设事件$A$为“抽到的牌是红桃”，事件$B$为“抽到的牌是A”，那么$A\cup B$就表示抽到的牌要么是红桃，要么是A，或者既是红桃又是A（即红桃A）。
   • 积事件（交）：$A\cap B$或$AB$，它代表事件$A$和事件$B$同时发生。继续以抽牌为例，事件$A$是“抽到的牌是红桃”，事件$B$是“抽到的牌是A”，那么$A\cap B$就是“抽到的牌既是红桃又是A”，也就是抽到红桃A。
   • 差事件：$A-B$，等同于$A\cap \overline{B}$，表示事件$A$发生，同时事件$B$不发生。例如，在抽牌时，设事件$A$为“抽到的牌是红桃”，事件$B$为“抽到的牌是A”，那么$A-B$就是“抽到的牌是红桃但不是A”，即抽到除红桃A之外的其他红桃牌。
   • 互斥（互不相容）：$A\cap B=\varnothing$，这表明事件$A$和事件$B$不能同时发生。就像掷骰子，设事件$A$为“点数为1”，事件$B$为“点数为2”，骰子一次只能出现一个点数，不可能既是1又是2，所以$A$和$B$是互斥事件。
   • 对立事件：对于事件$A$，它的对立事件记为$\overline{A}$，满足$A\cup \overline{A}=\Omega$且$A\cap \overline{A}=\varnothing$。这里的$\Omega$表示样本空间，即所有可能结果的集合。以抛硬币为例，设事件$A$为“正面”，那么$\overline{A}$就是“反面”，抛一次硬币，结果不是正面就是反面，二者必居其一，且不会同时出现，所以“正面”和“反面”是对立事件。
2. 事件运算律（逻辑运算规则）
   • 交换律：$A\cup B=B\cup A$，$A\cap B=B\cap A$。这就好比在一个集合里，先把元素$A$和元素$B$进行“或”运算（并集），和先把元素$B$和元素$A$进行“或”运算，结果是一样的；对于“且”运算（交集）也是如此。例如，设事件$A$是“今天下雨”，事件$B$是“今天刮风”，那么“今天下雨或刮风”和“今天刮风或下雨”表达的是同一个意思，即$A\cup B=B\cup A$；“今天下雨且刮风”和“今天刮风且下雨”也是同一个意思，即$A\cap B=B\cap A$。
   • 结合律：$A\cup (B\cup C)=(A\cup B)\cup C$，$A\cap (B\cap C)=(A\cap B)\cap C$。这可以理解为在多个事件进行“或”运算或者“且”运算时，无论先对哪两个事件进行运算，最终的结果都是相同的。比如，设事件$A$是“明天温度高于30度”，事件$B$是“明天下雨”，事件$C$是“明天有雾”，那么“明天温度高于30度或（明天下雨或明天有雾）”和“（明天温度高于30度或明天下雨）或明天有雾”是等价的，即$A\cup (B\cup C)=(A\cup B)\cup C$；对于“且”运算，“明天温度高于30度且（明天下雨且明天有雾）”和“（明天温度高于30度且明天下雨）且明天有雾”也是等价的，即$A\cap (B\cap C)=(A\cap B)\cap C$。
   • 分配律
     -$A\cup (B\cap C)=(A\cup B)\cap (A\cup C)$：可以这样理解，假设事件$A$是“参加数学竞赛”，事件$B$是“参加物理竞赛”，事件$C$是“参加化学竞赛”，那么$A\cup (B\cap C)$表示“参加数学竞赛或者同时参加物理和化学竞赛”，而$(A\cup B)\cap (A\cup C)$表示“（参加数学竞赛或者参加物理竞赛）且（参加数学竞赛或者参加化学竞赛）”，这两种表述所涵盖的情况是一样的。
     -$A\cap (B\cup C)=(A\cap B)\cup (A\cap C)$：同样以竞赛为例，$A\cap (B\cup C)$表示“参加数学竞赛且（参加物理竞赛或者参加化学竞赛）”，$(A\cap B)\cup (A\cap C)$表示“（参加数学竞赛且参加物理竞赛）或者（参加数学竞赛且参加化学竞赛）”，它们所表达的事件情况也是一致的。
   • 德摩根律（对偶律）
     -$\overline{A\cup B}=\overline{A}\cap \overline{B}$：“或”的否定是“且”。例如，设事件$A$是“今天是晴天”，事件$B$是“今天是星期一”，那么$A\cup B$是“今天是晴天或者今天是星期一”，$\overline{A\cup B}$就是“今天既不是晴天也不是星期一”，而$\overline{A}\cap \overline{B}$表示“今天不是晴天且今天不是星期一”，二者意思相同。
     -$\overline{A\cap B}=\overline{A}\cup \overline{B}$：“且”的否定是“或”。还是以上面的例子为例，$A\cap B$是“今天是晴天且今天是星期一”，$\overline{A\cap B}$是“今天不是晴天或者今天不是星期一”，$\overline{A}\cup \overline{B}$同样表示“今天不是晴天或者今天不是星期一”，二者等价。记忆口诀是“长杠变短杠，交并互换”，方便我们记住这两个定律。

四、核心公式与应用

（一）条件概率与乘法公式

1. 条件概率定义：$P(A|B)=\frac{P(AB)}{P(B)}$（要求$P(B)>0$），它表示在事件$B$已经发生的条件下，事件$A$发生的概率。例如，一个袋子里有3个红球和2个白球，在第一次抽到红球后不放回袋子的情况下，求第二次抽到白球的概率。第一次抽到红球后，袋子里还剩下2个红球和2个白球共4个球，所以$P(\text{白球}|\text{红球})=\frac{2}{4}=\frac{1}{2}$。这里$P(\text{白球}|\text{红球})$就是在“第一次抽到红球”这个条件下“第二次抽到白球”的概率。
2. 乘法公式：$P(AB)=P(B)\cdot P(A|B)$或$P(AB)=P(A)\cdot P(B|A)$。这个公式主要应用在多阶段试验中，用于分步计算联合概率。比如连续抽两次奖，假设第一次中奖的概率是30%，即$P(A)=0.3$，第二次中奖的概率是20%（这里假设两次抽奖相互独立，即第一次抽奖的结果不影响第二次抽奖的结果），那么两次都中奖的概率可以用乘法公式计算。我们可以把第一次抽奖看作事件$A$，第二次抽奖看作事件$B$，因为相互独立，$P(B|A)=P(B)=0.2$，所以$P(AB)=P(A)\cdot P(B)=0.3\times 0.2=0.06$。
3. 条件概率性质
   • 非负性：$0\le P(A|B)\le 1$。这很好理解，因为概率本身就是一个介于0和1之间的数值，条件概率也是概率的一种，所以它的取值范围同样在0到1之间。例如，在某个条件下，事件发生的可能性最小是0（即不可能发生），最大是1（即必然发生）。
   • 规范性：$P(\Omega |B)=1$，$P(\varnothing |B)=0$。$\Omega$表示样本空间，也就是所有可能的结果，在事件$B$发生的条件下，所有可能结果发生的概率当然是1；$\varnothing$表示空集，也就是不可能事件，在任何条件下，不可能事件发生的概率都是0。
   • 对立事件概率：$P(\overline{A}|B)=1-P(A|B)$。例如，在已知事件$B$发生的情况下，事件$A$要么发生，要么不发生（即$\overline{A}$发生），所以$A$不发生的概率就等于1减去$A$发生的概率。
   • 条件加法公式：$P(A\cup B|C)=P(A|C)+P(B|C)-P(AB|C)$。这和普通的加法公式类似，只是增加了“在事件$C$发生的条件下”这个前提。比如，设事件$A$是“上午下雨”，事件$B$是“下午下雨”，事件$C$是“今天是阴天”，那么$P(A\cup B|C)$就是在“今天是阴天”的条件下“上午下雨或者下午下雨”的概率，它等于在“今天是阴天”的条件下“上午下雨”的概率$P(A|C)$加上在“今天是阴天”的条件下“下午下雨”的概率$P(B|C)$，再减去在“今天是阴天”的条件下“上午和下午都下雨”的概率$P(AB|C)$。

五、易混淆概念辨析

（一）独立事件 vs. 互斥事件

1. 独立事件：两个事件的概率互不影响，也就是说一个事件发生与否不会改变另一个事件发生的概率，并且它们可以有交集。例如抛两次硬币，第一次抛硬币得到正面或反面的结果，不会影响第二次抛硬币得到正面或反面的结果，这两次抛硬币的事件就是相互独立的。从数学定义上来说，满足$P(AB)=P(A)\cdot P(B)$。比如，设事件$A$为“第一次抛硬币正面朝上”，$P(A)=\frac{1}{2}$，事件$B$为“第二次抛硬币正面朝上”，$P(B)=\frac{1}{2}$，那么两次都正面朝上的概率$P(AB)=\frac{1}{2}\times \frac{1}{2}=\frac{1}{4}$，满足独立事件的定义。
2. 互斥事件：两个事件的概率没有交集，即$AB=\varnothing$，它们不能同时发生，但它们可能不独立。需要注意的是，如果$P(A)>0$且$P(B)>0$，那么互斥事件一定不独立。这是因为互斥事件$P(AB)=0$，而独立事件要求$P(AB)=P(A)P(B)$，当$P(A)>0$且$P(B)>0$时，$P(A)P(B)>0$，所以二者不相等，即互斥事件不独立。例如，在掷骰子试验中，设事件$A$为“点数为1”，事件$B$为“点数为2”，$A$和$B$是互斥事件，当知道“点数为1”发生时，就确定“点数为2”不会发生，所以这两个事件不独立。

（二）常见误区

1. 很多人会错误地认为互斥事件一定独立。实际上，只有当互斥事件中至少一个事件的概率为0时，它们才可能独立。比如，设事件$A$是“在一个只有1 - 10这10个数字的集合中，随机抽取一个数，抽到11”（这是一个不可能事件，$P(A)=0$），事件$B$是“抽到5”，$A$和$B$是互斥事件，同时也满足独立事件的定义，因为$P(AB)=0=P(A)P(B)$（$P(A)=0$）。但一般情况下，互斥事件并不一定独立。
2. 在应用德摩根律时，容易混淆其应用场景。比如，把“A或B都不发生”错误地写成$\overline{A}\cup \overline{B}$。正确的应该是$\overline{A\cup B}=\overline{A}\cap \overline{B}$，“A或B都不发生”意味着既不是$A$发生，也不是$B$发生，所以应该是$\overline{A}$和$\overline{B}$的交集，而不是并集。

六、考试题型与解题技巧

（一）公式直接应用题

1. 题型特点：这类题目通常会直接给出一些事件的概率以及它们之间的关系，要求考生直接套用相应的概率公式来计算某个事件的概率。
2. 解题步骤
   • 首先，仔细分析题目，判断各个事件之间的关系，是互斥、独立、包含等哪种关系。例如，题目中给出事件$A$和事件$B$，如果明确说明$A$和$B$不能同时发生，那么它们就是互斥事件；如果说$A$发生与否不影响$B$发生的概率，那么它们可能是独立事件。
   • 然后，根据判断出的事件关系，选择合适的公式，如加法公式、乘法公式、全概率公式等。如果是求两个互斥事件至少有一个发生的概率，就选择加法公式；如果是求两个独立事件同时发生的概率，就选择乘法公式等。
   • 最后，将题目中给出的数值代入所选公式进行计算。例如，已知$P(A)=0.7$，$P(B)=0.5$，$P(AB)=0.3$，要求$P(A\cup B)$。因为这里涉及到求$A$或$B$至少有一个发生的概率，且给出了$P(A)$、$P(B)$和$P(AB)$的值，所以可以判断使用加法公式$P(A\cup B)=P(A)+P(B)-P(AB)$，代入数值可得$P(A\cup B)=0.7+0.5-0.3=0.9$。

（二）复杂应用题（全概率与贝叶斯）

1. 解题技巧
   • 第一步，划分完备事件组$B_1,B_2,\dots ,B_n$。例如在疾病检测的问题中，可以把人群划分为患病和未患病这两个完备事件组；在产品生产问题中，可以把产品来源划分为不同的车间等。以某工厂产品生产为例，设事件$B_1$为“产品是甲车间生产的”，事件$B_2$为“产品是乙车间生产的”，这两个事件构成了产品来源的完备事件组，即产品要么来自甲车间，要么来自乙车间，$B_1\cup B_2=\Omega$且$B_1\cap B_2=\varnothing$。
   • 第二步，应用全概率公式求$P(A)$，公式为$P(A)={\sum }_{i=1}^{n}P(A|B_i)P(B_i)$。它的含义是，当我们要求一个事件$A$发生的概率，但$A$的发生受到多个不同情况（即完备事件组）的影响时，就可以通过这种方式来计算。比如上述工厂例子中，设事件$A$为“抽到的产品是次品”，已知甲车间生产$60\%$的产品，即$P(B_1)=0.6$，甲车间次品率$1\%$，也就是$P(A|B_1)=0.01$；乙车间生产$40\%$的产品，$P(B_2)=0.4$，乙车间次品率$2\%$，$P(A|B_2)=0.02$。那么根据全概率公式可得：
     $P(\text{次品})=P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)=0.6\times 0.01+0.4\times 0.02=0.014$。
   • 第三步，用贝叶斯公式反推$P(B_i|A)$，公式为$P(B_i|A)=\frac{P(A|B_i)P(B_i)}{{\sum }_{j=1}^{n}P(A|B_j)P(B_j)}$。它主要用于在已知结果$A$发生的情况下，反推导致这个结果的各种原因（即完备事件组中的各个事件$B_i$）的概率。继续上面的例子，要求随机抽一件是次品且来自甲车间的概率，即$P(\text{甲}|\text{次品})$，根据贝叶斯公式：
     $P(\text{甲}|\text{次品})=\frac{0.6\times 0.01}{0.014}=\frac{3}{7}$。

经典例题

某工厂有甲、乙两车间，甲车间生产$60\%$产品，乙车间生产$40\%$。甲车间次品率$1\%$，乙车间次品率$2\%$。求随机抽一件是次品且来自甲的概率。

• 全概率公式求次品率：
  按照前面所述步骤，$P(\text{次品})=0.6\times 0.01+0.4\times 0.02=0.014$。这一步是先求出在整个生产情况下，抽到次品的总概率。它综合考虑了甲、乙两个车间的生产比例以及各自的次品率，通过全概率公式将不同来源的次品概率进行了汇总。
• 贝叶斯公式求来源概率：
  $P(\text{甲}|\text{次品})=\frac{0.6\times 0.01}{0.014}=\frac{3}{7}$。在已经知道抽到了次品（即结果$A$发生）的情况下，通过贝叶斯公式计算出这个次品来自甲车间的概率。这对于分析产品质量问题的源头等实际应用场景非常有帮助，比如工厂可以根据这个概率评估哪个车间可能存在更多的质量问题，从而采取相应的改进措施。

七、高效复习建议

（一）公式推导理解

从事件关系出发推导公式是深入理解概率论公式的有效方法。例如对于德摩根律，可以通过韦恩图来进行验证。先画出$A\cup B$的韦恩图，即表示事件$A$和事件$B$所覆盖的区域总和；然后再画出$\overline{A}\cap \overline{B}$的韦恩图，也就是$A$和$B$之外的公共区域。通过对比可以直观地看到二者所表示的区域是相同的，从而理解$\overline{A\cup B}=\overline{A}\cap \overline{B}$。对于其他公式，如加法公式、乘法公式等，也可以通过类似的方式，结合事件关系的定义和性质进行推导，这样可以加深对公式的理解和记忆，而不仅仅是死记硬背公式。

（二）分类练习

针对互斥、独立、条件概率等不同类型的题目，各做至少5道典型题。在做互斥事件相关题目时，要明确判断事件是否不能同时发生，以及如何运用互斥事件的概率加法公式；对于独立事件题目，重点关注事件之间是否相互影响，熟练运用独立事件的乘法公式；条件概率题目则要准确把握在某个事件发生的条件下另一个事件发生的概率计算方法。通过分类练习，可以熟悉不同类型题目的特点和解题思路，提高解题能力。做完题目后，要认真分析答案和解题过程，总结解题的技巧和方法，对于做错的题目，要找出错误原因，是概念理解不清，还是公式运用错误等，以便有针对性地进行改进。

（三）总结易错点

在学习和练习过程中，注意总结容易出错的地方。比如在应用分配律时，容易混淆$A\cup (B\cap C)$和$A\cap (B\cup C)$的展开形式，要明确$A\cup (B\cap C)=(A\cup B)\cap (A\cup C)$，$A\cap (B\cup C)=(A\cap B)\cup (A\cap C)$，并通过具体例子进行理解和记忆；对于条件概率，要牢记分母不能为零，即$P(B)>0$时，$P(A|B)=\frac{P(AB)}{P(B)}$才成立。将这些易错点整理成笔记，经常复习，在考试中遇到相关题目时，就可以提醒自己避免犯同样的错误，提高答题的准确性。