概率问题解题手册

概率问题研究不确定结果的可能性，以及数值结果的平均值。 求解时，先确定可能发生什么、各有多大可能，再根据已知条件计算目标。

一、概率问题的本质

1.1 概率题究竟在解决什么？

例如：

• 抽一次奖，中奖的概率是多少？
• 已经知道第一次没中奖，第二次中奖的概率是多少？
• 一直抽到中奖，平均需要多少次？

1.2 为什么概率题需要数学建模？

4 个红包中恰好 1 个有奖金，2 号中奖的概率是多少？

如果奖金在 4 个位置等可能出现，答案是 $1/4$。如果四个位置的概率依次是 10%、20%、30%、40%，答案就是 20%。

因此，求解需要明确三个要素：

1. 可能结果：什么事情可能发生？
2. 概率规则：每种结果有多大可能？
3. 求解目标：我们关心哪些结果或数值？

二、概率问题的基础概念体系

2.1 随机实验：定义什么在随机变化

随机实验是结果事先不确定，但产生规则可以描述的过程。例如，把唯一的奖金放进 4 个红包之一。

这个实验要写清随机对象是奖金位置，固定条件是 4 个红包、1 份奖金，还要说明奖金如何选择位置。

如果每个红包各自独立地以 25% 的概率中奖，就可能出现多个中奖红包，也可能一个都没有。这是另一个随机实验。

随机过程通常指按时间等索引排列的一组随机变量，例如第 $t$ 次抛硬币后累计的正面次数 $X_t$。

2.2 样本点：随机实验的一种完整结果

样本点 $\omega$ 表示随机实验的一种完整结果。在红包实验中，定义

例如，$\omega_2$ 表示奖金在 2 号红包。

样本点的定义取决于需要记录的信息。例如，如果研究两次抛硬币，那么“第一次正面、第二次反面”可以是一个完整样本点，而不仅是“正面”。

2.3 样本空间：所有可能结果的集合

样本空间 $\Omega$ 是所有可能样本点的集合。在红包问题中：

其中：

• 每次实验对应一个样本点；
• 所有可能的完整结果都要被覆盖；
• 各个样本点彼此不同。

样本空间确定了可能结果的范围，后面才能从中找出符合条件的结果。

2.4 事件：满足某个条件的一组结果

事件是我们关心的一组可能结果。在这个有限样本空间中，每个子集都可以视为事件。记 $A$ 为“2 号中奖”，$B$ 为“1 号没有中奖”，则

$A$ 和 $B$ 都是 $\Omega$ 的子集，集合运算可以表达它们的关系。

为什么需要？

因为自然语言中的“至少一个”“全部发生”“某个没发生”等描述，都可以转换为事件的集合关系。

这使得概率问题可以被精确计算。

2.5 概率：为事件赋予数值

概率 $P$ 为事件赋予 0 到 1 之间的数值。$P(A)$ 表示事件 $A$ 发生的概率。

在有限样本空间中，我们可以先为每个样本点赋予概率。

假设 4 个红包等可能中奖：

事件 $B$ 包含三个互斥的结果，因此将它们的概率相加：

概率满足三个基础公理：

1. 非负性：$P(A)\geq0$。
2. 归一性：$P(\Omega)=1$。
3. 可加性：互不相交的事件，其并集概率等于各事件概率之和（严格地说，对可数个互斥事件也成立）。

为什么需要？

样本空间告诉我们“有什么可能”，概率规则告诉我们“各有多大可能”。

对于面试中常见的有限离散问题，可以先理解为：

严格的概率空间还包括事件集合 $\mathcal F$，写作 $(\Omega,\mathcal F,P)$。在有限样本空间中，通常可以直接把所有子集视为事件，因此入门时不必额外操作这个符号。

2.6 条件概率：已知新信息后的概率

$P(A)$ 表示观察前 $A$ 发生的概率。条件概率 $P(A\mid B)$ 表示已知 $B$ 发生后，$A$ 发生的概率。它按 $B$ 的概率重新计算 $A$ 所占的比例：

在红包例子中，$B$ 表示 1 号为空，$A\cap B$ 表示 1 号为空且 2 号中奖。分母是观察条件的概率，分子是观察条件与目标同时成立的概率。

三、把所有概念串起来

随机实验产生样本点，所有可能的样本点组成样本空间。事件圈出我们关心的结果，概率规则给这些结果赋予权重。有了这套模型，就可以计算 $P(A)$ 或 $P(A\mid B)$。

随机变量的数学期望记作 $E[X]$。

随机变量 $X$ 是把随机结果映射为数值的函数。例如抽奖获得的金额，可以是 0 元或 100 元；数学期望就是这些金额按概率加权后的平均值。

因此，概率问题主要有两种基础目标：

• 事件概率：某件事发生的可能性是多少？
• 随机变量的数值特征：例如平均收益、平均等待时间、波动程度是多少？

接下来先用事件概率走完一遍建模流程。需要求期望时，再定义对应的随机变量。

四、统一的概率解题方法论

把前面的概念用于解题，可以依次完成以下七步：

1. 问题形式化：明确已知条件和求解目标。
2. 定义随机实验：写清随机对象和产生规则。
3. 构造样本空间：定义一个完整结果，覆盖所有可能结果。
4. 定义概率规则：确定各结果的概率及依据。
5. 定义求解对象：将条件和目标表示为事件或随机变量。
6. 分析关系：识别互斥、独立、条件依赖等结构，选择方法。
7. 计算与验证：检查推导、假设和边界情况。

4.1 问题形式化模板

可以用一句话写清问题：

给定____随机实验或概率分布及其发生规则，已知____信息，我要确定____事件发生的概率（或____随机变量的期望），最终返回____。

例如：

给定 4 个红包中恰好一个有奖、奖金位置等可能的随机实验，已知第一个红包没有中奖，我要确定第二个红包中奖的条件概率，最终返回一个 0 到 1 之间的数值。

五、完整解题演示：把每一步与概念对应

题目：

有 4 个红包，恰好 1 个有奖金，奖金被等概率放在 4 个红包之一。现在确定第一个红包没有中奖，问第二个红包中奖的概率是多少？

2 号中奖时，1 号一定为空，因此 $A\subseteq B$，也就是 $A\cap B=A$。将 $P(A)=1/4$、$P(B)=3/4$ 代入：

结果也可以直接核验：1 号被排除后，剩余三个位置仍等可能。

5.1 已知概率不够时，怎样判断？

假设只知道 1 号为空的概率是 90%，按约定打开 1 号后发现它是空的。记各位置中奖概率为 $p_1,p_2,p_3,p_4$，则 $p_1=0.1$，但 $p_2+p_3+p_4=0.9$，因此 $P(A\mid B)=p_2/0.9$。

若再给出“2、3、4 号等可能”，便可确定答案为 $1/3$。若声称四个位置都等可能，1 号为空的概率应为 75%，与已知的 90% 冲突。

六、不同概率题，哪些步骤会发生变化？

不同题目要求的量和已知的关系不同，适用的方法也随之变化。

这里还需要理解三个常见术语：

互斥：两个事件不能同时发生，即 $A\cap B=\varnothing$。

独立：数学上满足 $P(A\cap B)=P(A)P(B)$。当条件事件的概率大于零时，也可以理解为知道它发生后，另一个事件的概率不变。

条件依赖：知道某个事件发生后，另一个事件的概率发生变化。

七、将概率方法论与算法方法论统一

下面对照两类问题的建模与求解步骤。

二者的共同主线是：

两类问题都要先定义对象，再利用对象的结构选择方法。概率问题还要为可能结果指定概率规则。