概率论的基本概念

概率论是研究随机现象的数学分支．在物理学中，它是统计力学的数学语言——描述平衡态下粒子分布的核心工具．在学习麦克斯韦速率分布律之前，我们需要先建立概率论的基本框架：什么是随机事件？如何度量概率？已知部分信息时如何更新概率判断？

学习目标

读完本页后，你应该能够：

理解样本空间、事件和概率的定义
掌握概率的三条柯尔莫哥洛夫公理
计算条件概率，理解事件的独立性
运用全概率公式和贝叶斯公式解决实际问题

随机实验与样本空间

在物理学和日常生活中，我们经常遇到结果不确定的现象：抛一枚硬币是正面还是反面？放射性原子在下一秒是否衰变？这些现象的共同特点是：单次实验的结果无法预测，但大量重复实验会呈现出统计规律性．

样本空间

一个 随机实验 的所有可能结果组成的集合称为 样本空间（Sample Space），记作 $Ω$ Omega．样本空间中的每个元素 $ω \in Ω$ omega in Omega 称为一个 样本点．

有限样本空间：抛一枚硬币， $Ω = {正面, 反面}$ Omega = 正面, 反面
可数无穷样本空间：记录放射性衰变的次数， $Ω = {0, 1, 2, \dots}$ Omega = 0, 1, 2, dots
不可数无穷样本空间：测量分子的速率， $Ω = [0, + \infty)$ Omega = [0, +inf)

事件（Event）是样本空间的一个子集 $A \subseteq Ω$ A subseteq Omega．例如，「分子速率在 300 到 500 m/s 之间」对应集合 $A = {v \in Ω : 300 \leq v \leq 500}$ A = v in Omega : 300 <= v <= 500．

两个特殊的事件：

必然事件： $Ω$ Omega 本身，每次实验一定发生
不可能事件：空集 $\emptyset$ varnothing，每次实验一定不发生

事件之间的运算遵循集合运算规则：

运算	含义	物理例子
$A \cup B$ A cup B	$A$ A 或 $B$ B 至少一个发生	速率 <300 或> 500
$A \cap B$ A cap B	$A$ A 和 $B$ B 同时发生	300 ≤ 速率 ≤ 500 且方向向上
$\bar{A}$ A	$A$ A 不发生	速率不在 [300, 500] 内
$A \subset B$ A subset B	$A$ A 发生则 $B$ B 必然发生	速率在 [300, 400] 内 → 速率在 [300, 500] 内

概率的定义与公理

概率是对事件发生可能性大小的数值度量．历史上，概率的定义经历了从频率解释到公理化体系的发展．

频率解释

在相同条件下重复进行 $n$ n 次实验，事件 $A$ A 发生了 $n_{A}$ n_A 次，则 $A$ A 发生的频率为 $f_{A} = n_{A} / n$ f_A = n_A / n．当 $n$ n 很大时，频率趋于一个稳定的值，这个稳定值就是概率的频率解释．

例如，抛一枚均匀硬币，当抛掷次数足够多时，正面朝上的频率趋近于 $0.5$ 0.5．

柯尔莫哥洛夫公理

1933 年，柯尔莫哥洛夫提出了概率的公理化定义，将概率建立在严格的数学基础之上．

概率公理（柯尔莫哥洛夫公理）

设 $Ω$ Omega 为样本空间，对每个事件 $A \subseteq Ω$ A subseteq Omega，定义一个实数 $P (A)$ P(A)，满足以下三条公理：

非负性：对任意事件 $A$ A， $P (A) \geq 0$ P(A) >= 0
归一化： $P (Ω) = 1$ P(Omega) = 1
可加性：若 $A_{1}, A_{2}, \dots$ A_1, A_2, dots 是两两不相交的事件（即 $A_{i} \cap A_{j} = \emptyset$ A_i cap A_j = varnothing， $i \neq j$ i != j），则

P (⋃_{i = 1}^{\infty} A_{i}) = \sum_{i = 1}^{\infty} P (A_{i})

P !left(bigcup_i=1^inf A_iright) = sum_i=1^inf P(A_i)

从这三条公理可以推导出概率的基本性质：

$P (\emptyset) = 0$ P(varnothing) = 0
$P (\bar{A}) = 1 - P (A)$ P(A) = 1 - P(A)（互补事件）
若 $A \subset B$ A subset B，则 $P (A) \leq P (B)$ P(A) <= P(B)
$P (A \cup B) = P (A) + P (B) - P (A \cap B)$ P(A cup B) = P(A) + P(B) - P(A cap B)（加法公式）

等可能模型（古典概型）

若样本空间 $Ω$ Omega 为有限集，且每个样本点出现的可能性相等，则：

P (A) = \frac{| A |}{| Ω |} = \frac{A 包含的样本点数}{总样本点数}

P(A) = |A||Omega| = A 包含的样本点数总样本点数

例题：掷骰子的概率

题目：掷一颗均匀骰子，求点数为偶数的概率．

解答：样本空间 $Ω = {1, 2, 3, 4, 5, 6}$ Omega = 1, 2, 3, 4, 5, 6，事件 $A = {2, 4, 6}$ A = 2, 4, 6．由等可能模型：

P (A) = \frac{| A |}{| Ω |} = \frac{3}{6} = \frac{1}{2}

P(A) = |A||Omega| = 36 = 12

条件概率

在实际问题中，我们往往已经知道某些信息（事件 $B$ B 已经发生），在此基础上判断另一事件 $A$ A 发生的概率．

条件概率

在事件 $B$ B 已经发生（ $P (B) > 0$ P(B) > 0）的条件下，事件 $A$ A 发生的 条件概率 定义为：

P (A | B) = \frac{P (A \cap B)}{P (B)}

P(A|B) = P(A cap B)P(B)

条件概率 $P (A | B)$ P(A|B) 本质上是在 $B$ B 确定发生的新样本空间中， $A$ A 与 $B$ B 交集所占的比例．

由条件概率的定义可以直接得到 乘法公式：

P (A \cap B) = P (A | B) \cdot P (B) = P (B | A) \cdot P (A)

P(A cap B) = P(A|B) * P(B) = P(B|A) * P(A)

独立性

如果事件 $A$ A 的发生不影响事件 $B$ B 的概率，即 $P (A | B) = P (A)$ P(A|B) = P(A)，则称 $A$ A 和 $B$ B 相互独立．此时乘法公式简化为：

P (A \cap B) = P (A) \cdot P (B)

P(A cap B) = P(A) * P(B)

独立与互斥的区别

互斥（ $A \cap B = \emptyset$ A cap B = varnothing）： $A$ A 和 $B$ B 不能同时发生．此时 $P (A \cap B) = 0$ P(A cap B) = 0．
独立： $A$ A 的发生不影响 $B$ B 的概率．此时 $P (A \cap B) = P (A) \cdot P (B)$ P(A cap B) = P(A) * P(B)．

互斥和独立是两个不同的概念！互斥的事件一定不独立（如果 $A$ A 发生了， $B$ B 一定不发生，概率从 $P (B)$ P(B) 变为 $0$ 0）．

全概率公式与贝叶斯公式

全概率公式

设 $B_{1}, B_{2}, \dots, B_{n}$ B_1, B_2, dots, B_n 是样本空间的一个 完备事件组（即两两不相交且 $⋃_{i} B_{i} = Ω$ bigcup_i B_i = Omega），则对任意事件 $A$ A：

P (A) = \sum_{i = 1}^{n} P (A | B_{i}) \cdot P (B_{i})

P(A) = sum_i=1^n P(A|B_i) * P(B_i)

全概率公式的直观含义：要计算 $A$ A 的总概率，可以按不同「原因」 $B_{i}$ B_i 分别考虑，再加权求和．

贝叶斯公式

在事件 $A$ A 已经发生的条件下，「原因」 $B_{j}$ B_j 发生的概率为：

P (B_{j} | A) = \frac{P (A | B_{j}) \cdot P (B_{j})}{\sum_{i = 1}^{n} P (A | B_{i}) \cdot P (B_{i})}

P(B_j|A) = P(A|B_j) * P(B_j)displaystylesum_i=1^n P(A|B_i) * P(B_i)

其中：

$P (B_{j})$ P(B_j) 是 先验概率：在观测到 $A$ A 之前，对原因 $B_{j}$ B_j 的概率判断
$P (B_{j} | A)$ P(B_j|A) 是 后验概率：在观测到 $A$ A 之后，对原因 $B_{j}$ B_j 的更新判断
$P (A | B_{j})$ P(A|B_j) 是似然：在原因 $B_{j}$ B_j 成立的条件下，观测到 $A$ A 的概率

贝叶斯公式的核心意义在于：它给出了「由果溯因」的数学方法——已知观测结果，反推各个可能原因的概率．

例题：放射性源的判断

题目：实验室有两个放射性源．源 1 每秒平均发射 4 个粒子，源 2 每秒平均发射 1 个粒子．随机选取一个源进行观测，在下一秒内记录到 3 个粒子．假设粒子发射服从泊松分布，求所选源为源 1 的后验概率．（先验概率各为 $1 / 2$ 1/2．）

解答：设 $B_{1}$ B_1=「选到源 1」， $B_{2}$ B_2=「选到源 2」， $A$ A=「记录到 3 个粒子」．

由泊松分布 $P (X = k) = \frac{λ^{k} e^{- λ}}{k!}$ P(X=k) = lambda^k e^-lambdak!：

P (A | B_{1}) = \frac{4^{3} e^{- 4}}{3!} = \frac{64 e^{- 4}}{6} \approx 0.1954

P(A|B_1) = 4^3 e^-43! = 64 e^-46 ~ 0.1954

P (A | B_{2}) = \frac{1^{3} e^{- 1}}{3!} = \frac{e^{- 1}}{6} \approx 0.0613

P(A|B_2) = 1^3 e^-13! = e^-16 ~ 0.0613

由贝叶斯公式：

P (B_{1} | A) = \frac{P (A | B_{1}) \cdot P (B_{1})}{P (A | B_{1}) \cdot P (B_{1}) + P (A | B_{2}) \cdot P (B_{2})} = \frac{0.1954 \times 0.5}{0.1954 \times 0.5 + 0.0613 \times 0.5} \approx 0.761

P(B_1|A) = P(A|B_1) * P(B_1)P(A|B_1) * P(B_1) + P(A|B_2) * P(B_2) = 0.1954 * 0.50.1954 * 0.5 + 0.0613 * 0.5 ~ 0.761

讨论：观测到 3 个粒子后，源 1 的后验概率从先验的 $0.5$ 0.5 上升到约 $0.76$ 0.76——因为 3 个粒子更符合源 1 的发射特征（平均 4 个）而非源 2（平均 1 个）．这正是贝叶斯更新的力量：用新的观测数据修正先前的判断．

学习衔接

下一节：一维随机变量及其分布
物理应用：麦克斯韦速率分布律

本页面最近更新：2026/10/1 10:49:01，更新历史
发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：Leafuke, Physics Learning Wiki
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

概率论的基本概念

学习目标

随机实验与样本空间

概率的定义与公理

频率解释

柯尔莫哥洛夫公理

等可能模型（古典概型）

条件概率

独立性

全概率公式与贝叶斯公式

全概率公式

贝叶斯公式

学习衔接

评论