先说明一下严士健先生这本《概率论基础》第二版是很多数学系、统计系学生绕不开的教材。它的第一章前半部分先讲事件运算和概率公理到了第1.6节开始进入条件概率、乘法公式和独立性这一块。这一节刚好卡在整个概率论的“入门门槛”上——前半部分学的是“怎么给事件赋值”从这一节开始学的却是“已知部分信息之后这个值应该怎么修正”。很多读者课后自己做题总觉得公式都会一对答案就发现错的莫名其妙。这篇文章就把1.6节习题与补充练习里最常出现的几类题目拆开讲给出完整解答过程也把我在批改作业、答疑过程中反复看到的问题一并整理出来。适合正在啃这本书的本科生、考研复习的读者以及自学概率论但卡在条件概率这一环节的人。1. 第1.6节到底卡在哪儿——先搞清楚教材想让你学什么1.1 从概率公理到条件概率教材在这里换了一个思路严士健教材的编排顺序很讲究。前面几小节讲了随机事件的并、交、补运算给出了概率的三条公理非负性、规范性、可列可加性然后马上用古典概型、几何概型做了一堆计算练习。这些内容本质上是同一件事在一个确定的样本空间 Ω 里给每个事件算出一个概率值。到了第1.6节问题变了如果我已经知道某个事件 A 发生了那么另一个事件 B 发生的可能性要怎么重新评估这种“已知部分信息后修正判断”的思路就是条件概率。注意条件概率不是天上掉下来的新概念它本质上还是概率只是把原来的样本空间 Ω 缩小成了 A。教材在这里想要训练的核心能力就是你能不能准确判断“在已知什么条件以后样本空间变成了什么”。这一步判断错后面全概率公式、贝叶斯公式、独立性全都会跟着错。1.2 1.6节习题的三档难度正好对应三个思维层次从教材布置的习题和配套补充题来看可以明显分成三档。第一档是送分题直接套条件概率定义 P(B|A)P(AB)/P(A)题目里明明白白写着“在……条件下”你只需要把两个概率算出来再做除法。第二档是应用题需要用乘法公式 P(AB)P(A)P(B|A) 或者它的链式版本解决“不放回抽取”“分组抽样”这类问题。第三档是真正的进阶题需要你主动构造完备事件组然后套全概率公式和贝叶斯公式。很多同学在第一档没问题到第二档就开始乱到第三档直接不知道该用哪个公式。原因在于第二档考察的是“把实际问题转化为条件概率表达式”第三档考察的是“你能不能找到那组作为条件的事件”。前者靠读题后者靠结构感。本文后面的例题就是按这三档来的。2. 做题前必须吃透的四件事——公式背后的条件比公式本身更重要2.1 条件概率定义分母为什么必须是 A先写标准定义当 P(A)0 时P(B|A)P(AB)/P(A)。这里有两个细节经常被忽略。第一这个表达式之所以成立是因为我们在“A 已发生”的前提下新的样本空间变成了 A。原来事件 B 的概率是在 Ω 里算的现在必须看 B 落在 A 里的部分也就是 AB。所以分子是 P(AB)而不是 P(B)。第二分母是 P(A)它的作用是把概率重新归一化。你可以这样理解新样本空间 A 本身作为必然事件概率必须等于 1。而 P(AB) 只是原始概率的一部分要想让它在新样本空间里成立就必须除以 P(A) 这个缩放因子。我建议做任何条件概率题之前先写一句话“在哪些信息已知的情况下样本空间收窄成了哪个事件”把这句话写清楚再动笔算正确率会高非常多。2.2 乘法公式与链式法则不放回抽样的核心工具把条件概率定义移项就能得到 P(AB)P(A)P(B|A)。这个公式的意义在于当 AB 同时发生的概率不好直接算但其中某个事件发生的概率以及在此基础上另一个事件发生的条件概率容易算时就可以分步完成。多个事件时用链式形式P(A1A2...An)P(A1)P(A2|A1)P(A3|A1A2)...P(An|A1...A(n-1))。说白了就是把“同时发生”拆成“一步一步发生”。最经典的应用就是不放回抽样。第一次取到红球第二次再取红球概率会随着第一次的结果变化这种“动态概率”用乘法公式处理最自然。2.3 全概率公式核心是找到一组“完备事件组”全概率公式长这样如果 B1,...,Bn 是一组互不相容且并集为 Ω 的事件且 P(Bi)0那么对任意事件 A有 P(A)ΣP(Bi)P(A|Bi)。初学者最容易卡在“为什么要找完备事件组”。我的理解是A 的发生原因可能有多种每一种原因对应一个 Bi。于是把所有“原因 Bi 发生且 A 也发生”的概率加起来就是 A 的总概率。这就像你要算一个城市某天下雨的概率可以先按季节划分——夏天、冬天、春天、秋天的下雨率各不相同把每个季节权重乘以该季节下雨概率再加起来。这里的难点不在公式本身而在找 Bi。好的完备事件组通常满足两个条件一是互不相同二是能够覆盖所有可能性。实际做题时优先找“问题里天然存在的分组”比如按机器编号、按盒子编号、按人群分类。2.4 贝叶斯公式已知结果反推原因贝叶斯公式是条件概率的逆用P(Bj|A)P(Bj)P(A|Bj)/ΣP(Bi)P(A|Bi)。其中 P(Bj) 叫先验概率P(Bj|A) 叫后验概率。这个公式解决的是“已知 A 已经发生问它是由哪个 Bj 引起的”这一类问题。它和全概率公式的关系非常紧密分母就是 P(A)用全概率公式算分子是求和项中的某一项。所以只要你能够用全概率公式算出 P(A)再用贝叶斯公式反推某个 Bj 的贡献占比就是顺理成章的事。做题时我习惯先写分母再写分子最后做除法这样不容易漏项。3. 1.6节典型习题答案详解——从送分题到综合题完整拆解说明一下不同印刷批次的教材习题编号可能有细微差异但题型基本稳定。下面这几道题是从 1.6 节习题与配套补充练习中提炼出来的高频原型题我把解答过程和判断思路都写出来。3.1 条件概率直接计算型掷骰子的送分题题目原型掷两颗均匀骰子已知点数之和为 7求至少有一颗骰子点数为 2 的概率。这类题目的关键字是“已知”它直接告诉我们条件事件是什么。设 A“点数之和为 7”B“至少有一颗点数为 2”。先算 P(A)。两颗骰子的样本空间是 6×636 个等可能结果。和等于 7 的组合有 (1,6),(2,5),(3,4),(4,3),(5,2),(6,1) 共 6 种所以 P(A)6/361/6。再算 P(AB)。我们只需要在 A 的 6 种结果里找满足 B 的。和等于 7 的组合里至少有一个 2 的是 (2,5) 和 (5,2) 两种。因此 P(AB)2/361/18。最后套定义P(B|A)P(AB)/P(A)(1/18)/(1/6)1/3。这道题的易错点在于有人会直接数 A 里面满足条件的个数却在最后忘记“A 作为新样本空间”的含义。实际上在已知点数之和为 7 的条件下A 已经成为新的样本空间内部仍然是 6 个等可能结果其中 2 个满足 B所以答案也是 2/61/3。两种做法殊途同归但前一种用定义更稳妥因为它不会让你陷入“新样本空间是否等可能”的纠结。3.2 乘法公式与链式规则型不放回取球的经典过程题目原型一个盒子里有 5 个红球和 3 个白球不放回地连续取两次求第二次取到红球的概率。很多人一看到“第二次取到红球”就直接用条件概率但题目并没有给出第一次的结果所以要先分情况。设 A1“第一次取到红球”A2“第一次取到白球”B“第二次取到红球”。A1 和 A2 构成了一个完备事件组。情况一第一次取到红球。此时盒子里剩下 4 个红球和 3 个白球第二次取到红球的条件概率 P(B|A1)4/7。同时 P(A1)5/8。情况二第一次取到白球。此时盒子里剩下 5 个红球和 2 个白球第二次取到红球的条件概率 P(B|A2)5/7。同时 P(A2)3/8。所以 P(B)P(A1)P(B|A1)P(A2)P(B|A2)(5/8)×(4/7)(3/8)×(5/7)20/5615/5635/565/8。这个结果很有意思它等于第一次直接取到红球的概率 5/8。在无放回抽样中每个人的中奖概率是一样的这就是“抽签与顺序无关”的数学解释。考试时如果算出和第一次概率不同先不要急着怀疑题目检查一下自己有没有把 P(B|A1) 算成 P(B|A2)因为这两个条件概率特别容易搞反。补充题里还有一类链式规则的应用比如“不放回接连取 3 个球求依次是红白红的概率”。设 R1、W2、R3 分别表示对应次序的事件那么 P(R1W2R3)P(R1)P(W2|R1)P(R3|R1W2)(5/8)×(3/7)×(4/6)60/3365/28。这类题的关键是每一步的分母都要减 1分子要看之前取走了什么颜色。写计算式时建议把每一步的“剩余球数”写在草稿纸上避免漏减。3.3 全概率公式综合型三个盒子选一个再取球题目原型有甲、乙、丙三个盒子甲盒中有 3 个红球 2 个白球乙盒中有 4 个红球 1 个白球丙盒中有 2 个红球 3 个白球。先等可能地选择一个盒子再从选中的盒子中随机取一个球求取到红球的概率。这道题难就难在“先选盒子”这个步骤。它天然给了三个原因球来自甲盒、乙盒或丙盒。设事件 R“取到红球”事件 J“选中甲盒”Y“选中乙盒”Bing“选中丙盒”。因为等可能选择所以 P(J)P(Y)P(Bing)1/3。接下来在每个盒子内部算红球比例P(R|J)3/5P(R|Y)4/5P(R|Bing)2/5。套全概率公式P(R)P(J)P(R|J)P(Y)P(R|Y)P(Bing)P(R|Bing)(1/3)×(3/5)(1/3)×(4/5)(1/3)×(2/5)3/154/152/159/153/5。这道题也可以用加权平均来理解三个盒子贡献红球的权重分别是 1/3 乘以各自比例加总就是总体红球比例。做题时最容易出问题的地方是“完备事件组找错”。比如有人会设“取到红球”和“取到白球”为完备事件组用来算另一个事件这是可以的但如果你要算的就是“取到红球”本身那就不能用 R 自己来分解自己等于循环论证。找划分时永远问自己“如果我提前知道是哪一个原因概率会不会不同”会不同那么这个原因就应该是划分的一部分。3.4 贝叶斯公式反推型从次品追查机器来源题目原型某工厂有两台机器生产同一种零件。机器一的产量占总产量的 40%次品率为 2%机器二的产量占总产量的 60%次品率为 3%。从全部产品中随机抽取一件发现是次品求这件次品来自机器一的概率。这道题是典型“已知结果反推原因”。设事件 A“零件来自机器一”B“零件来自机器二”D“零件是次品”。题目给了 P(A)0.4P(B)0.6P(D|A)0.02P(D|B)0.03。先算 P(D)这是分母用全概率公式P(D)P(A)P(D|A)P(B)P(D|B)0.4×0.020.6×0.030.0080.0180.026。再用贝叶斯公式P(A|D)P(A)P(D|A)/P(D)0.008/0.0264/13。这个结果说明机器一虽然次品率低但产量也低所以当抽到一件次品时它来自机器一的概率只有约 30.77%而不是 40%。两者有差别是因为次品率本身也是一个权重因素。这类题如果算出来后验概率大于先验概率意味着观测到“次品”这个证据后对“来自机器一”的判断增强了。如果算出来反而变小则说明证据在削弱该原因。这个直观检验非常有用。补充练习里经常把 2% 和 3% 换成更复杂的数字或者加一台机器但只要记住“分母永远是全概率分子是某一项”就不会乱。3.5 独立性判断补充题互斥与独立不能画等号题目原型设 A、B 是两个事件且 P(A)0P(B)0。证明如果 A、B 互斥则 A、B 一定不独立。这道题是补充练习里很喜欢考的理论题它考察的是对独立性定义的理解。A、B 互斥意味着 AB∅所以 P(AB)0。如果 A、B 独立则应该有 P(AB)P(A)P(B)。由于 P(A)0P(B)0所以 P(A)P(B)0这与 P(AB)0 矛盾。因此 A、B 不能独立。反过来也要清楚独立不能推互斥互斥也不能推独立。独立说的是 A 是否发生不影响 B 的概率互斥说的是 A、B 不可能同时发生。在正概率事件里这两个性质是“有它无我”的。但要注意如果 P(A)0 或 P(B)0那么互斥和独立可以同时成立因为零概率事件和任何事件都独立。这一点补充题里偶尔会作为陷阱出现看到“零概率”“必然事件”这些词要格外小心。证明题是不少人的短板我建议写证明时先写定义再写已知条件最后推导矛盾不要跳步。阅卷老师最看重的是逻辑链条完整。4. 常见问题与排查技巧实录——这些年学生最容易踩的五个坑4.1 条件方向搞反把 P(A|B) 当成 P(B|A)这是最高频的错误没有之一。题目里如果写“在 A 发生的条件下”那条件事件就是 A位于竖线右侧的永远是“被求的事件”。我见过太多学生做次品题时把“已知是次品求来自哪台机器”写成了 P(次品|机器一)然后算了半天发现和自己设的事件对不上。排查技巧写完公式后默读一遍这个式子。“P(A|B)”读作“在 B 发生的条件下A 发生的概率”。如果题目的语境和读法对不上那方向一定反了。4.2 全概率公式的划分找不全找完备事件组时最常见的失误是漏掉某一种情况。比如抽签问题里第一次取球的结果只有红、白两种但有些人会忘记“第一次取的是白球”也算一种可能导致只写了第一种情况就结束了。更好的做法是先画一个简单的“树状图”。第一层是所有的“原因”第二层是“结果”。树的每个分支都要画完整然后检查所有分支的概率之和是否等于 1。如果各分支的概率加起来不是 1说明划分漏了事件或事件之间重叠了。这种检查只需要十秒钟却能省下大量对答案的时间。4.3 贝叶斯公式的结果不合理却看不出来算完贝叶斯公式至少应该做两个检查。第一后验概率之和是否等于 1。在多原因情况下ΣP(Bi|A)1 是必然成立的如果加总不等于 1说明计算有误。第二后验与先验的大小关系是否符合“证据指向”。比如次品题中机器一次品率低当你已知抽到次品时来自机器一的概率如果反而高于先验 0.4那基本可以断定算错因为低次品率的机器不应该被次品证据加强。4.4 独立事件与互斥事件的混淆很多同学把“独立”理解成“没有交集”这是概念性错误。独立是概率关系P(AB)P(A)P(B)。互斥是集合关系A∩B∅。两者只在正概率事件下互相排斥。我做题时习惯在草稿纸上列一个两行两列的表左边写“独立”右边写“互斥”下方写各自定义和成立条件。这个表不用背多写两遍自然就记住了。关键在于独立强调一个事件是否发生不影响另一个事件发生的概率互斥强调两个事件不能同时发生。对于正概率事件如果 A、B 互斥那么知道 A 发生就能立刻推出 B 不发生这显然影响了 B 的概率所以不可能独立。4.5 条件概率题里忽视“样本空间改变”带来的概率变化还有一个隐蔽问题有些题目表面上没有出现“已知”“在……条件下”这些词但实际语境已经暗示了条件。比如“随机取一件产品发现是次品后不放回再取一件求第二件是次品的概率”这类题第一次的结果已经发生且被我们看到所以第二次计算时必须把第一次已知结果当作条件。判断方法是看“信息是否实时更新”。只要题目里出现了“发现”“已知”“如果”“在……前提下”都要警惕条件概率的使用。没有这些词但叙述顺序暗示了观察结果对后续概率有影响也要按条件概率处理。5. 作为老读者的一点实在建议我自己读这本书时第 1.6 节也反复做过两遍。第一遍纯粹刷题公式背得滚瓜烂熟但错题一多就发现根子在于没有建立“条件”意识。第二遍我换成一种方法每一道题动笔前先在旁边写一句话——“这次的条件是什么样本空间缩小到了哪里”。这个习惯帮我解决了很多“看答案能看懂自己做就出错”的问题。所以这一节的学习我真心不建议急着刷完所有题而是每做一道题都逼自己把这句话写出来。想清楚了1.7 节的独立性以及后面第二章的随机变量学起来会顺很多。如果你手头正好卡在某一道 1.6 习题上建议先套用上面的思路画出事件关系或树状图再来看是公式问题还是语义理解问题。补充练习里那些绕弯的题大多是把本节几个公式组合在一起考本质没有超出我上面拆解的四种题型。把这几类吃透再回头做剩下的题目你会发现整节的脉络一下子清晰了。最后再分享一个小技巧学条件概率的时候不要只盯着“概率值”多关注“信息的价值”。从贝叶斯公式里你能直观地看到一条新信息是如何改变你对某个原因的信任度的。这种“用过去的知识修正当前判断”的模式不仅概率论里用后面学统计推断、机器学习时也会反复出现。把这个思想刻进脑子里比多刷十道题都值。