查看“︁概率”︁的源代码

帮助我们量化“可能性”.
{{待补充}}
== 概述 ==
概率用于描述某个事件发生的可能程度，是研究随机现象的基础工具.

在高中阶段，概率的核心思想是：'''在不确定中寻找规律'''.
== 随机事件 ==
随机事件是指在相同条件下重复试验时，结果具有不确定性的事件.
* 例如：掷骰子、摸球、抽签.
* 事件通常用大写字母表示，如 <math>A</math>、<math>B</math>、<math>C</math>.
* 事件的发生与否具有随机性，但长期重复会呈现稳定的频率.
== 古典概型 ==
当试验的所有基本结果等可能发生时，可以使用古典概型计算概率.
* 概率公式：<math>P(A)=\frac{\text{事件 A 的有利结果数}}{\text{所有可能结果数}}</math>.
* 常见场景：掷骰子、扑克牌、摸球问题.
* 特点：要求“等可能”，否则不能使用.
== 条件概率 ==
在某件事已经发生的前提下，另一件事发生的概率.
* 定义：<math>P(A|B)=\frac{P(A\cap B)}{P(B)}</math>.
* 读作“在 <math>B</math> 已发生的条件下，<math>A</math> 发生的概率”.
* 条件概率常用于分步事件、筛选问题、路径问题等.
== 独立性 ==
如果事件 <math>A</math> 的发生不影响事件 <math>B</math> 的发生，则称 <math>A</math> 与 <math>B</math> 独立.
* 数学表达：<math>P(A\cap B)=P(A)P(B)</math>.
* 独立性不是“互斥”，两者概念不同：
** 互斥：不能同时发生.
** 独立：互不影响.
== 全概率公式 ==
当事件 <math>A</math> 可以通过若干互不相容的情形分解时，可以用全概率公式计算.
* 若 <math>\{B_1,B_2,\ldots,B_n\}</math> 为完备事件组，则：
<math>P(A)=\sum_{i=1}^n P(B_i)P(A|B_i)</math>.

常用于分情况、路径、分类讨论的问题.
== 贝叶斯公式 ==
用于'''反向推断'''，即根据结果推测原因.
* 公式：  
<math>P(B_i|A)=\frac{P(B_i)P(A|B_i)}{\sum_{k=1}^n P(B_k)P(A|B_k)}</math>.

常见于医学检测、筛查、分类判断等问题.
== 概率的基本性质 ==
* <math>0 \le P(A) \le 1</math>.
* 必然事件概率为 <math>1</math>，不可能事件概率为 <math>0</math>.
* 若 A、B 互斥，则 <math>P(A\cup B)=P(A)+P(B)</math>.
* 一般情况下：<math>P(A\cup B)=P(A)+P(B)-P(A\cap B)</math>.
[[分类:概率与统计]]