概率问题永远先问一句:「基本事件是有限个还是无限个?」——有限个、机会均等,走古典概型,数清 m、n 就赢;无限个但仍然均等(连续的线段/区域/时间),走几何概型,比的是测度(长度/面积/体积)而不是个数。两套工具、一套核心思想:概率 = 「好」占「全部」的比例。
特征一:有限性 —— 一次试验的所有可能结果只有有限个(可以一个一个数完)。
特征二:等可能性 —— 每个基本事件发生的可能性相等(掷一枚均匀骰子,1~6点各 1/6;不均匀的骰子就不是古典概型)。
两个特征缺一不可。「从含2红3黑共5个球中摸1个,摸到红球的概率」——5个基本事件,等可能,是古典概型,P=2/5。但若"5个球大小不同、摸到大球概率更高",就不是等可能,不能直接套 m/n。
⚠ 判断古典概型前必须先确认「等可能」!很多陷阱题把不等可能的结果偷换成表面像是"平分秋色"的选项(例如"抽到的和是2""抽到的和是7"表面看是两个结果,但和为7的组合数远多于和为2的,不能当成等可能的两个基本事件)。
6×6=36个格子=36个等可能基本事件(每个骰子1~6点,两骰子分先后、有序)。拖动滑块选点数和,红色格子=符合条件的基本事件,数出 m 格,P=m/36。注意"和=7"对角线最长(m=6),两端"和=2""和=12"只有1格——并非等可能!
| 方法 | 适用场景 |
|---|---|
| 列举法 | 结果少、直接写出:{1,2,3,4,5,6} |
| 树状图 | 分步试验(先…再…),一层层分叉,天然不重不漏 |
| 列表法 | 两步试验(如掷两骰子、摸两次球),画行×列表格,最直观 |
有放回抽取: 每次都是从原始的全部对象中抽,前后独立,总数按乘法原理算(如连续掷两次骰子:6×6=36)。
无放回抽取: 抽出不放回,下一次的对象变少(如从5个球中不放回摸2个:5×4=20种有序,或 C(5,2)=10种无序)。
有序 vs 无序: "先摸到A后摸到B"与"先B后A"若算作不同结果就是有序(用排列数);若算作同一个结果(只关心摸出哪两个球,不管顺序)就是无序(用组合数)。关键: m 和 n 必须用同一种计数口径(同为有序，或同为无序),否则比例会错。
⚠ 头号陷阱:m 用组合数(不分顺序)、n 却用排列数(分顺序)混着算,比值就错了。做题前先明确"这次列举,顺序算不算数",从头到尾保持一致。
袋中2红球(A、B)+2白球(C、D)。同一个"摸两次"动作,记法不同 → 样本空间总数 n 不同。看清题目问的是"顺序有关"还是"只看结果",才能选对 n。
古典概型的难点常常不在概率公式本身,而在数清 m 和 n——这时候排列 A、组合 C、分步分类计数原理就要上场。
| 场景 | 怎么数 |
|---|---|
| 摸球(不放回、不关心顺序) | 用组合数 C，n=C(总数,抽取数)，m=C(符合条件的)×C(其余的) |
| 抽签(每人抽一根,关心是谁抽到) | 常转化为等可能的排列,或用"对称性"简化(每人中签概率相等) |
| 分组、分配 | 先分组(组合)再考虑组是否区分(是否再乘排列数) |
n = 把5张卡片排成一列的所有等可能结果数(若卡片视为不同个体，n=5!=120；若只关心"中/谢"的排列模式，n=C(5,3)=10，两种数法只要前后一致，结果相同)。m 按同一口径数出"中中中谢谢"这类满足条件的排列/组合数即可。
⚠ 抽签问题最容易被"抽的顺序"迷惑:其实无论第几个抽,每个人中奖的概率都相等(对称性),不必对每个人单独列举全部排列——但列举时也要保证 m、n 口径一致。
正难则反: 遇到"至少一个""至多""不全是"这类字眼,直接算往往要分好几种情况相加,容易漏算;而它的对立事件(如"至少一个"的对立是"一个都没有")通常只有一种情况,算起来干净利落。P(至少一个)=1−P(一个都没有)。
| 正面描述 | 对立事件(常更好算) |
|---|---|
| 至少1个次品 | 0个次品(全是正品) |
| 至少2人排在一起 | 比较复杂,不一定用对立(视具体条件而定) |
| 至少命中1次 | 全部未命中 |
| 三人中至少1人及格 | 三人都不及格 |
⚠ 互斥（不能同时发生）≠ 对立（不能同时发生 且 必有一个发生）。对立事件一定互斥,但互斥事件不一定对立(不一定"非此即彼"，可能都不发生)。加法公式 P(A∪B)=P(A)+P(B) 只对互斥事件成立,若 A、B 不互斥要减去交集,防止重复计数。
左侧展开"直接枚举"要列出的所有"至少1次命中"的分支(命中1次、命中2次…);右侧对立事件只需算"全部不中"这一种情形，再用 1 减。n 越大，直接枚举的分支越多，对立事件的优势越明显。
当基本事件有无限多个(比如"在区间[0,10]上随机取一点"),没法一个个数,但如果每一点被取到的"机会"仍然是均匀的,就用几何概型:把"可能性"换算成测度(长度、面积、体积)。
| 类型 | 测度 | 典型场景 |
|---|---|---|
| 线段/区间型 | 长度 | 在线段上随机取一点/随机剪断绳子 |
| 平面区域型 | 面积 | 向平面区域随机投点、靶盘、会面问题 |
| 空间型 | 体积 | 向立体区域随机投点(较少见,了解即可) |
| 时间型 | 时间长度(本质是线段型) | 等车、等人、随机时刻发生的事件 |
几何概型的两个特征(与古典概型对照):①基本事件有无限个(不可数);②每个基本事件出现的可能性仍然相等(均匀分布，不能有的地方"更容易"被选中)。
⚠ 几何概型的概率与图形的位置、形状无关，只与测度的大小有关——这是几何概型的"平移不变性"。但选错测度维度(该用面积却用长度，或反之)是最常见的失分点。
在 [0,L] 上等可能取点，黄色阴影 [0,b] 是"事件发生"的区域。多次点击"随机取一点"，命中黄色区域的频率会逐渐逼近 P=b/L——用频率验证概率。
正方形边长2的靶内随机撒点(蒙特卡洛法)。滑块=0时阴影为内切圆(理论面积比=π/4≈0.785)，=1时阴影为对角线分出的三角形(理论比=0.5)。点数越多，估计概率越接近理论值——这就是几何概型"用频率估计概率"的直观演示。
经典模型: 甲、乙两人约定在 0~T 时间内的某个时刻到达约会地点，各自到达时间设为 x、y，均在 [0,T] 上等可能。若约定"先到者最多等待 t 分钟，超过则离开"，求两人能会面的概率。
建模三步: ①以 x、y 为坐标轴，全部结果对应边长 T 的正方形(面积 T²);②"会面成功"对应 |x−y|≤t 这条带状区域,写成两条直线 y=x+t 和 y=x−t 之间的部分;③正方形去掉两个直角三角形(each 直角边为 T−t)就是带状区域面积。
⚠ 会面问题的核心是把"文字条件"翻译成"平面区域的不等式"，再求面积比。常见错误:漏掉正方形本身的边界，或算三角形直角边时忘了是 T−t 而不是 t。画图是唯一靠谱的办法，不要死记公式。
正方形内蓝色带状区域 |x−y|≤t 表示"两人相遇"。拖大 t(愿意多等)带状区域变宽，会面概率上升；拖大 T(约定时段变长而等待时间不变)带状区域相对变窄，会面概率下降。
| 古典概型 | 几何概型 | |
|---|---|---|
| 基本事件个数 | 有限(可数完) | 无限(连续，数不完) |
| 概率公式 | P=m/n(个数之比) | P=测度之比(长度/面积/体积) |
| 典型触发词 | "掷骰子""摸球""抽签""排队" | "随机取一点""随机时刻""投针/投点""区间内任取" |
| 等可能性 | 每个基本事件概率相等(都是1/n) | 每一点被取到的"概率密度"均匀，单点概率为0 |
| 易错点 | m、n 数错(重复或遗漏) | 测度维度选错(长度当面积，或反之) |
判断口诀: 先看结果能不能一个个数完——数得完、machine 数量有限 → 古典概型；数不完、结果连续分布在一段区间/一块区域上 → 几何概型。两者共同的灵魂都是「等可能」，只是"数个数"还是"量地盘"的区别。
⚠ 看到"任取一个实数""任意时刻""随机投掷到区域内"这类连续型描述，第一反应就该是几何概型，而不是硬套 P=m/n(此时 n 是无穷大，m/n 没有意义)。
触发信号:「掷骰子」「摸球」「抛硬币」等有限次、有限结果的试验，问某事件概率。
标准动作:用列举法/树状图/列表法把所有等可能基本事件写全 → 数出总数 n → 数出符合条件的 m → P=m/n，能约分就约分。
示例(带解):同时掷两枚骰子，求点数和为8的概率。列表得36个等可能基本事件；和为8的有(2,6)(3,5)(4,4)(5,3)(6,2)共5种，P=5/36。
陷阱:漏列组合(比如漏掉(6,2)只写(2,6))；把"和为8"误当成跟"和为2"等可能。
触发信号:「从…个球中摸出…个」「抽签」「分组/派人」，元素较多不便直接列举。
标准动作:先确定"有序还是无序"、"有放回还是无放回"，统一口径用组合数 C 或排列数 A 分别数出 n 和 m。
示例(带解):袋中5个球(3红2白)，不放回摸2个，求恰好摸到1红1白的概率。n=C(5,2)=10(无序)，m=C(3,1)×C(2,1)=6，P=6/10=3/5。
陷阱:m 与 n 一个用组合一个用排列，口径不一致导致比值错误；漏乘或重复计数。
触发信号:题目出现「至少」「至多」「不全」「不都」等字眼。
标准动作:先想对立事件是什么(通常是"一个都不发生"或"全部都发生")，算对立事件概率，再用 P(A)=1−P(¬A)。
示例(带解):3人各自独立解出某题的概率都是0.6，求至少1人解出的概率。对立事件"3人都解不出"：P(¬A)=0.4³=0.064，P(至少1人)=1−0.064=0.936。
陷阱:直接枚举"恰好1人""恰好2人""恰好3人"再相加，计算量大且容易漏项或算错组合数；混淆"互斥"与"对立"。
触发信号:「在区间[a,b]上随机取一个数/一点」「随机时刻」「随机剪断一根绳子」。
标准动作:画数轴，标出全部结果对应的总长度，再标出事件对应的子区间长度，P=子区间长度/总长度。
示例(带解):在[0,10]上随机取一点x，求x²−5x+6<0(即2<x<3)的概率。事件区间长度为1，总长度10，P=1/10。
陷阱:先解不等式再定区间时，忘了与[0,10]取交集；把不等式解错方向导致区间搞反。
触发信号:「向正方形/圆形/三角形区域内随机投掷一点」「会面问题」「二维随机变量落在某区域」。
标准动作:建立坐标系，画出全部结果区域和事件区域，P=事件区域面积/全部区域面积。会面类问题要把文字条件翻译成 |x−y|≤t 一类不等式。
示例(带解):甲乙两人在0~30分钟内随机到达，先到者最多等10分钟。P(会面)=1−[(30−10)/30]²=1−4/9=5/9。
陷阱:三角形直角边算成 t 而不是 T−t；漏了取值范围的边界(如 t>T 时公式不再适用)。
触发信号:题目没有明说是哪种概型，需要先判断基本事件是有限还是无限。
标准动作:问自己"结果能不能一个个数完"。能数完(骰子点数、球的个数、人数)→古典概型，P=m/n；数不完、连续分布在区间/区域上→几何概型，P=测度之比。
示例(带解):"抛一枚骰子出现的点数"是古典概型(6个结果)；"往返于A、B两地的汽车在某个随机时刻抛锚，抛锚地点到A地的距离"是几何概型(距离连续取值)。
陷阱:把连续型问题错误套用 P=m/n(n为无穷大无意义)；把有限但个数很大的问题误判为几何概型而去算测度(其实仍应枚举/组合计数)。
① 用 P=m/n 前必须先确认基本事件等可能，"看起来只有两种结果"不代表这两种结果概率相等。
② m、n 计数口径要一致：同为排列(有序)或同为组合(无序)，不能一个用A一个用C。
③ 有放回 vs 无放回、有序 vs 无序会改变样本空间总数 n，动手列举前先想清楚题目的抽取方式。
④ 列举基本事件要不重不漏，两步试验优先用列表法(表格)而不是脑内硬数，减小出错率。
⑤ 遇到"至少""至多"优先想对立事件，别急着分情况罗列相加。
⑥ 互斥 ≠ 对立：对立事件一定互斥，但互斥事件未必对立(可能都不发生)；A、B不互斥时加法要减去交集。
⑦ 几何概型选测度维度要对：一维问题(取点、剪绳子)用长度；二维问题(投点、会面)用面积；不要混用。
⑧ 几何概型中单点的概率为0，但"不可能"和"概率为0"是两回事——这是几何概型区别于古典概型的重要概念点。
⑨ 会面问题中直角三角形的直角边是 T−t（等待剩余时间对应的边），不是 t 本身，画图核对最保险。
⑩ 见到"随机取一个实数/任意时刻/连续区域"等描述，立刻反应是几何概型，不要用有限枚举的思路硬凑。
① 概率的本质是"测度归一化": 无论古典还是几何概型，P(A)本质都是"A的测度 / 全空间的测度"——古典概型的"测度"是"计数"(每个基本事件权重相等，测度=1/n)，几何概型的"测度"是长度/面积/体积。理解这一点，你会发现两者不是两套孤立的公式，而是同一思想在离散和连续两种情形下的体现。
② 列举法的本质是给样本空间"建坐标": 列表法之所以好用，是因为它把两步试验映射成平面上的格点，横纵坐标各自独立取值。以后遇到更复杂的多步试验，可以把"树状图"看成是这种坐标思想的推广——每加一步试验，就是维度加一。
③ 对立事件的本质是"补集测度=1−原集测度": 无论古典还是几何概型，P(A)+P(¬A)=1 都成立。"正难则反"不只是技巧，而是概率归一化的必然推论——尤其当A的情形数随n指数增长(比如"至少1次"要枚举1到n次)而¬A只有1种情形时，用对立事件是唯一理性的选择。
④ 几何概型的"平移/伸缩不变性"： P只依赖于测度的比值，与图形摆在哪里、多大无关——把区间[0,10]换成[5,15]，只要事件区间跟着整体平移，概率不变。这解释了为什么会面问题的答案只跟"t/T"这个比值有关，而不单独依赖T或t的绝对大小。
⑤ 从有限走向无限：概型的"连续化"是后续学习的伏笔: 古典概型(有限、离散)→几何概型(无限、连续但仍均匀)是走向后续"随机变量与分布"(尤其是连续型随机变量、均匀分布、概率密度函数)的第一步。几何概型里"P=长度比"其实就是均匀分布的雏形——提前建立这个直觉，学选修阶段的连续分布会顺畅很多。
thebest2dan · 数学攻坚包 · 古典概型讲"数个数"，几何概型讲"量地盘"，核心都是等可能