第07章 离散概率 — 章节汇总

概览

第7章系统介绍了离散概率（Discrete Probability）的完整理论体系，是离散数学中”不确定性量化”思想的核心章节。全章从拉普拉斯等可能概率出发（7.1），建立样本空间、事件、概率的基本概念与性质；进而引入条件概率与独立性，建立伯努利试验与二项分布模型，并介绍蒙特卡洛算法与概率方法等应用（7.2）；然后深入贝叶斯定理（7.3），通过全概率公式与先验-后验推理框架，展示”由果推因”的逆向概率推断能力；最后系统研究期望值与方差（7.4），建立随机变量的数字特征理论，并利用马尔可夫不等式与切比雪夫不等式对概率做出定量估计。全章体现了从”基本概率计算”到”条件概率推理”再到”贝叶斯推断”与”数字特征分析”的完整知识链条，为算法平均情况分析、概率算法设计、机器学习等高级主题奠定了数学基础。

---

全章知识框架

graph TB
    A["第7章 离散概率"] --> B["7.1 离散概率导论<br/>样本空间、事件、拉普拉斯概率"]
    A --> C["7.2 概率论<br/>条件概率、独立性、二项分布"]
    A --> D["7.3 贝叶斯定理<br/>全概率公式、先验-后验推理"]
    A --> E["7.4 期望值与方差<br/>期望、方差、切比雪夫不等式"]

    B --> B1["样本空间 S 与事件 E ⊆ S"]
    B --> B2["拉普拉斯概率 p(E) = |E|/|S|"]
    B --> B3["概率性质：0 ≤ p(E) ≤ 1"]
    B --> B4["补事件 p(Ē) = 1 - p(E)"]
    B --> B5["容斥原理 p(E₁∪E₂)"]
    B --> B6["互斥事件"]

    C --> C1["概率赋值 p(s)"]
    C --> C2["条件概率 p(E|F) = p(E∩F)/p(F)"]
    C --> C3["独立性 p(E∩F) = p(E)·p(F)"]
    C --> C4["乘法规则"]
    C --> C5["伯努利试验与二项分布 b(k;n,p)"]
    C --> C6["生日问题"]
    C --> C7["蒙特卡洛算法"]
    C --> C8["概率方法"]

    D --> D1["全概率公式 p(E) = Σ p(E|Fᵢ)p(Fᵢ)"]
    D --> D2["贝叶斯定理（基本形式）"]
    D --> D3["广义贝叶斯定理"]
    D --> D4["先验概率与后验概率"]
    D --> D5["医疗诊断与稀有疾病悖论"]
    D --> D6["贝叶斯垃圾邮件过滤器"]

    E --> E1["期望值 E(X) = Σ p(s)·X(s)"]
    E --> E2["期望的线性性"]
    E --> E3["几何分布 E(X) = 1/p"]
    E --> E4["方差 V(X) = E(X²) - [E(X)]²"]
    E --> E5["Bienaymé 公式"]
    E --> E6["马尔可夫不等式"]
    E --> E7["切比雪夫不等式"]

    B -.->|"概率基础→一般化"| C
    B -.->|"计数→概率计算"| C
    C -.->|"条件概率→贝叶斯定理"| D
    C -.->|"随机变量→期望方差"| E
    D -.->|"后验概率→决策推断"| E
    C -.->|"二项分布→期望方差"| E

    style A fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
    style B fill:#fff3e0,stroke:#e65100
    style C fill:#e8f5e9,stroke:#2e7d32
    style D fill:#fce4ec,stroke:#c62828
    style E fill:#f3e5f5,stroke:#6a1b9a

---

各节核心知识点汇总

小节	核心概念	关键公式/定理	与前后节的关联
7.1 离散概率导论	样本空间、事件、拉普拉斯概率、补事件、互斥事件、容斥原理	$p(E)=\frac{\Vert E\Vert }{\Vert S\Vert }$；$p(\overline{E})=1-p(E)$；$p(E_1\cup E_2)=p(E_1)+p(E_2)-p(E_1\cap E_2)$	全章基石，将概率转化为计数问题（衔接第6章）；为 7.2 的概率赋值提供特例
7.2 概率论	概率赋值、条件概率、独立性、乘法规则、伯努利试验、二项分布、蒙特卡洛算法、概率方法	$p(E\Vert F)=\frac{p(E\cap F)}{p(F)}$；$p(E\cap F)=p(E)\cdot p(F)$；$b(k;n,p)=\left(\genfrac{}{}{0ex}{}{n}{k}\right)p^k{q}^{n-k}$	推广 7.1 的等可能概率到一般概率分布；条件概率是 7.3 贝叶斯定理的直接前提；二项分布的期望方差在 7.4 中深入讨论
7.3 贝叶斯定理	全概率公式、贝叶斯定理（基本/广义形式）、先验概率、后验概率、似然、贝叶斯垃圾邮件过滤	$p(F_j\Vert E)=\frac{p(E\Vert F_j)\cdot p(F_j)}{{\sum }_{i}p(E\Vert F_i)\cdot p(F_i)}$；$p(E)={\sum }_{i}p(E\Vert F_i)p(F_i)$	直接基于 7.2 的条件概率定义；后验概率为决策推断提供量化基础（联系 7.4 的期望值）
7.4 期望值与方差	期望值、期望的线性性、几何分布、独立随机变量、方差、标准差、马尔可夫不等式、切比雪夫不等式	$E(X)=\sum p(s)\cdot X(s)$；$V(X)=E(X^2)-[E(X){]}^2$；$P(\Vert X-\mu \Vert \ge r)\le \frac{{\sigma }^2}{r^2}$	利用 7.2 的随机变量与概率分布；Bernoulli 试验的期望 $np$、方差 $npq$ 是二项分布的数字特征总结

---

学习脉络

离散概率导论（7.1）— 样本空间、事件、拉普拉斯概率 p(E) = |E|/|S|，概率的公理化基础
  ↓
概率论（7.2）— 从等可能到一般概率赋值，引入条件概率 p(E|F) 与独立性，建立二项分布模型
  ↓
贝叶斯定理（7.3）— 全概率公式 + 条件概率 → 贝叶斯定理，实现"由果推因"的逆向推理
  ↓
期望值与方差（7.4）— 随机变量的数字特征：期望（中心位置）、方差（离散程度）、概率不等式

学习建议：7.1 节是全章的基石——务必透彻理解拉普拉斯概率定义 $p(E)=|E|/|S|$ 将概率问题转化为计数问题的核心思想，以及补事件公式 $p(\overline{E})=1-p(E)$ 在”至少一个”类问题中的威力，Monty Hall 三门问题是检验概率直觉的经典案例；7.2 节是概率论的核心扩展——条件概率 $p(E|F)$ 是全章最重要的概念之一，它回答”已知 $F$ 发生后 $E$ 的概率是多少”，独立性 $p(E\cap F)=p(E)\cdot p(F)$ 与互斥事件 $E\cap F=\varnothing$ 的区别是高频考点，伯努利试验与二项分布 $b(k;n,p)$ 为重复独立实验提供了精确模型，蒙特卡洛算法展示了概率论在计算机科学中的实际威力；7.3 节是逆向推理的利器——贝叶斯定理的核心是”翻转条件方向”：从 $p(E|F)$（已知原因求结果）到 $p(F|E)$（已知结果求原因），全概率公式是贝叶斯定理分母的计算工具，稀有疾病检测悖论揭示了先验概率在贝叶斯推理中的关键作用，贝叶斯垃圾邮件过滤器是定理的精彩应用；7.4 节是数字特征的理论总结——期望值 $E(X)$ 是随机变量的加权平均，期望的线性性 $E(X+Y)=E(X)+E(Y)$ 无条件成立，指示变量技巧是解决复杂期望问题的利器（如帽子检查问题），方差 $V(X)=E(X^2)-[E(X){]}^2$ 衡量离散程度，切比雪夫不等式仅凭期望和方差就能对概率做出定量估计。

---

跨节综合复习题

综合复习题 1（跨 7.1 / 7.2 / 7.4）

题目： (a) 从一副标准52张扑克牌中随机抽取5张，求恰好获得”同花”（flush，即5张牌花色相同）的概率。 (b) 将上述实验视为5次不放回的伯努利试验（每次”成功”=抽到指定花色），解释为何不能直接套用二项分布公式。 (c) 设 $X$ 为从52张牌中有放回地抽取5张时指定花色出现的次数，求 $E(X)$ 和 $V(X)$。

解答

(a) 样本空间：从52张牌中选5张，$|S|=\left(\genfrac{}{}{0ex}{}{52}{5}\right)=2,598,960$。

“同花”的方法数：先从4种花色中选1种（$\left(\genfrac{}{}{0ex}{}{4}{1}\right)=4$），再从该花色的13张牌中选5张（$\left(\genfrac{}{}{0ex}{}{13}{5}\right)=1287$）。

由乘法规则：$|E|=4\times 1287=5148$。

$p(\text{同花})=\frac{5148}{2,598,960}=\frac{33}{16660}\approx 0.00198$

(b) 二项分布要求每次试验独立且成功概率固定。不放回抽取时，每次抽取的条件概率会随之前的结果变化（例如第一次抽到红心后，第二次抽到红心的概率从 $13/52$ 变为 $12/51$），因此各次试验不独立，不能直接套用二项分布公式。

(c) 有放回抽取时，每次抽到指定花色的概率 $p=13/52=1/4$，$q=3/4$，共 $n=5$ 次独立伯努利试验。

$E(X)=np=5\times \frac{1}{4}=\frac{5}{4}=1.25$

$V(X)=npq=5\times \frac{1}{4}\times \frac{3}{4}=\frac{15}{16}\approx 0.9375$

$■$

综合复习题 2（跨 7.2 / 7.3 / 7.4）

题目： 某工厂有三条生产线 $F_1,F_2,F_3$，分别生产总产品的 50%、30%、20%。各线的不合格率分别为 2%、3%、1%。一件产品被随机抽检。 (a) 用全概率公式求该产品不合格的概率。 (b) 若该产品被检测为不合格，用贝叶斯定理求它来自 $F_2$ 的概率。 (c) 设 $X$ 为从 $F_1$ 生产的100件产品中不合格品的数量，求 $E(X)$ 和 $V(X)$，并用切比雪夫不等式估计 $X$ 偏离均值超过5的概率上界。

解答

(a) 设 $E$ 为”产品不合格”。由全概率公式： $p(E)=p(E|F_1)\cdot p(F_1)+p(E|F_2)\cdot p(F_2)+p(E|F_3)\cdot p(F_3)$ $=0.02\times 0.50+0.03\times 0.30+0.01\times 0.20=0.010+0.009+0.002=0.021$

(b) 由贝叶斯定理： $p(F_2|E)=\frac{p(E|F_2)\cdot p(F_2)}{p(E)}=\frac{0.03\times 0.30}{0.021}=\frac{0.009}{0.021}=\frac{3}{7}\approx 0.4286$

虽然 $F_2$ 只生产了 30% 的产品，但因其不合格率最高（3%），在不合格产品中来自 $F_2$ 的概率超过 42%。

(c) $F_1$ 生产的每件产品不合格概率 $p=0.02$，$q=0.98$，$n=100$。

$E(X)=np=100\times 0.02=2$

$V(X)=npq=100\times 0.02\times 0.98=1.96$

由切比雪夫不等式，取 $r=5$： $P(|X-2|\ge 5)\le \frac{1.96}{25}=0.0784$

即不合格品数量偏离均值超过5的概率不超过 7.84%。

$■$

综合复习题 3（跨 7.1 / 7.2 / 7.3 / 7.4）

题目： 某疾病的人群患病率为 1%。一种检测方法对患病者有 95% 的真阳性率，对未患病者有 90% 的真阴性率。现对随机选取的一人进行检测。 (a) 用贝叶斯定理求检测为阳性时实际患病的概率。 (b) 若对该人独立重复检测3次，且3次均呈阳性，假设各次检测条件独立，求此时实际患病的后验概率。 (c) 设 $Y$ 为对100个随机选取的人进行检测时真阳性的人数，求 $E(Y)$ 和 $V(Y)$。

解答

(a) 设 $F$ 为”患病”，$E$ 为”检测为阳性”。

• $p(F)=0.01$，$p(\overline{F})=0.99$
• $p(E|F)=0.95$（真阳性率），$p(E|\overline{F})=1-0.90=0.10$（假阳性率）

由贝叶斯定理： $p(F|E)=\frac{p(E|F)\cdot p(F)}{p(E|F)\cdot p(F)+p(E|\overline{F})\cdot p(\overline{F})}$ $=\frac{0.95\times 0.01}{0.95\times 0.01+0.10\times 0.99}=\frac{0.0095}{0.0095+0.099}=\frac{0.0095}{0.1085}\approx 0.0876$

仅有约 8.76% 的阳性检测者实际患病——这是典型的稀有疾病悖论。

(b) 3次独立检测均呈阳性，在条件独立的假设下：

• 患病者3次均阳性的概率：$p(E_1\cap E_2\cap E_3|F)=(0.95{)}^3=0.857375$
• 未患病者3次均阳性的概率：$p(E_1\cap E_2\cap E_3|\overline{F})=(0.10{)}^3=0.001$

由贝叶斯定理（以”3次均阳性”为新证据 $E^{\ast }$）： $p(F|E^{\ast })=\frac{(0.95{)}^3\times 0.01}{(0.95{)}^3\times 0.01+(0.10{)}^3\times 0.99}$ $=\frac{0.00857375}{0.00857375+0.00099}=\frac{0.00857375}{0.00956375}\approx 0.8965$

重复检测使后验概率从 8.76% 大幅提升至约 89.65%，接近确诊。

(c) 100人中每人患病概率 $p=0.01$，真阳性率 $0.95$。每个人是真阳性的概率为 $p\times 0.95=0.0095$。

$Y$ 服从 $n=100$、$p^{\prime }=0.0095$ 的二项分布： $E(Y)=100\times 0.0095=0.95$ $V(Y)=100\times 0.0095\times (1-0.0095)=100\times 0.0095\times 0.9905\approx 0.9410$

$■$

---

笔记索引

小节	笔记链接	核心主题
7.1	7.1 离散概率导论	样本空间、事件、拉普拉斯概率 $p(E)=\Vert E\Vert /\Vert S\Vert$、补事件公式、容斥原理、互斥事件、Monty Hall 三门问题
7.2	7.2 概率论	概率赋值、条件概率 $p(E\Vert F)$、独立性、乘法规则、伯努利试验、二项分布 $b(k;n,p)$、生日问题、蒙特卡洛算法、概率方法
7.3	7.3 贝叶斯定理	全概率公式、贝叶斯定理（基本/广义形式）、先验与后验概率、医疗诊断、贝叶斯垃圾邮件过滤器
7.4	7.4 期望值与方差	期望值 $E(X)$、期望的线性性、几何分布、方差 $V(X)$、Bienaymé 公式、马尔可夫不等式、切比雪夫不等式

离散概率