🔢 高中数学必修第二册第十章 概率相互独立事件乘法公式对立事件重复试验

事件的相互独立性

理解两个事件相互独立的数学定义与判断条件,掌握独立事件的乘法公式及对立事件性质,会解决多次独立试验中的概率问题。

难度:★★★★★

💡前一次结果会影响下一次吗

连续抛一枚均匀硬币,第一次出现正面后,第二次出现正面的概率仍是 1/21/2。这是独立性的典型模型。相反,从盒中不放回抽卡,第一张是什么会改变盒内组成,第二次事件通常不再独立。

“看起来没关系”只是直觉,数学上需要检验事件同时发生的概率是否等于各自概率的乘积。独立性是概率模型中的明确条件,也是使用乘法公式的前提。

🎯学习目标与考查重点
  • 掌握两个事件相互独立的定义 P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B)。
  • 在相关概率非零时,会用条件概率解释和判断独立性。
  • 理解独立与互斥的本质区别,能识别常见错误。
  • 掌握独立事件及其对立事件组合仍独立的性质。
  • 会用乘法公式、分类加法和对立事件求重复试验概率。

一、相互独立的数学定义

设 A,BA,B 是同一随机试验中的两个事件。如果

P(A∩B)=P(A)P(B),P(A\cap B)=P(A)P(B),

就称事件 AA 与 BB 相互独立。这个等式既是定义,也是最基本的判断标准。独立性不是说两个事件不能同时发生,恰恰要比较“同时发生”的实际概率与独立模型下的乘积。

当 P(A)>0P(A)\gt0 时,事件 AA 已发生条件下 BB 的条件概率定义为

P(B∣A)=P(A∩B)P(A).P(B\mid A)=\frac{P(A\cap B)}{P(A)}.

于是 A,BA,B 独立等价于

P(B∣A)=P(B).P(B\mid A)=P(B).

它表达“知道 AA 发生后,BB 的概率不变”。这里必须有 P(A)>0P(A)\gt0 才能作除法;定义本身 P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B) 不需要这个附加条件。

独立性由试验机制或已知概率关系决定。不同设备、不同时间并不自动保证独立,因为它们可能受共同环境影响;连续抛硬币常被建模为独立,是建立在每次抛掷条件保持一致且彼此不干扰的假设上。

二、独立与互斥不能混淆

事件互斥是

A∩B=∅,A\cap B=\varnothing,

表示二者不能同时发生;事件独立则要求交事件概率等于概率乘积。若 P(A)>0P(A)\gt0 且 P(B)>0P(B)\gt0,互斥给出 P(A∩B)=0P(A\cap B)=0,而

P(A)P(B)>0,P(A)P(B)\gt0,

所以二者不独立。

例如一次掷骰子,事件“点数为 11”与“点数为 22”互斥,但知道第一个事件发生后,第二个事件必然不发生,显然互相影响。连续两次掷骰子,事件“第一次为 11”与“第二次为 22”则可在通常模型下独立,并且可以同时发生。

特殊地,不可能事件与任何事件都满足独立定义,因为 P(∅∩A)=0=P(∅)P(A)P(\varnothing\cap A)=0=P(\varnothing)P(A);必然事件也与任何事件独立。这个数学结论提醒我们,判断时应以定义为准,而不是只依赖日常语言。

🔑

“不能同时发生”是互斥,“一个是否改变另一个的概率”是独立。只有在独立条件成立时,才能把同时发生的概率写成乘积;只有在互斥条件成立时,才能把并事件概率直接相加。

三、独立事件的对立性质

如果 AA 与 BB 独立,那么 AA 与 B‾\overline B、A‾\overline A 与 BB、A‾\overline A 与 B‾\overline B 也都独立。以第一组为例,

P(A∩B‾)=P(A)−P(A∩B)P(A\cap\overline B)=P(A)-P(A\cap B) =P(A)−P(A)P(B)=P(A)[1−P(B)]=P(A)P(B‾).=P(A)-P(A)P(B) =P(A)[1-P(B)] =P(A)P(\overline B).

因此计算“AA 发生而 BB 不发生”时,在已知独立的条件下可以写成

P(A∩B‾)=P(A)[1−P(B)].P(A\cap\overline B)=P(A)[1-P(B)].

若 A1,A2,…,AnA_1,A_2,\ldots,A_n 相互独立,则它们同时发生的概率为

P(A1∩A2∩⋯∩An)=∏i=1nP(Ai).P(A_1\cap A_2\cap\cdots\cap A_n) =\prod_{i=1}^{n}P(A_i).

需要注意,两两独立不一定保证多个事件相互独立。严格的相互独立要求任取其中若干事件,其交事件概率都等于相应概率的乘积。高中常见重复独立试验会直接给出或由机制说明相互独立。

四、独立重复试验中的分类计算

若一次试验成功概率为 pp,失败概率为 1−p1-p,各次试验相互独立,则连续 nn 次全部成功的概率为

pn,p^n,

全部失败的概率为

(1−p)n.(1-p)^n.

至少成功一次可用对立事件计算:

P(至少一次成功)=1−(1−p)n.P(\text{至少一次成功})=1-(1-p)^n.

“恰好一次成功”还要考虑成功出现在哪一次。每个指定位置成功、其他位置失败的概率为 p(1−p)n−1p(1-p)^{n-1},共有 nn 个互斥位置,所以概率为

np(1−p)n−1.np(1-p)^{n-1}.

这里既用了独立事件的乘法,也用了互斥情形的加法。公式不能用于不放回抽样等概率会随步骤变化的试验,除非题目另有机制保证独立。

例 1原创基础例题:检验两个事件是否独立

已知 P(A)=0.4P(A)=0.4,P(B)=0.5P(B)=0.5,P(A∪B)=0.7P(A\cup B)=0.7。判断 AA 与 BB 是否相互独立。

✏️ 查看分步解析

由一般加法公式,

P(A∩B)=P(A)+P(B)−P(A∪B)=0.4+0.5−0.7=0.2.P(A\cap B)=P(A)+P(B)-P(A\cup B) =0.4+0.5-0.7=0.2.

另一方面,

P(A)P(B)=0.4×0.5=0.2.P(A)P(B)=0.4\times0.5=0.2.

两者相等,所以 AA 与 BB 相互独立。它们并不互斥,因为交事件概率为 0.20.2,大于 00。

例 2原创进阶例题:重复检测至少成功一次

某独立检测程序每次发现目标缺陷的概率为 0.80.8。在缺陷状态不变且三次检测相互独立的模型下,求三次中至少发现一次以及恰好发现一次的概率。

✏️ 查看分步解析

每次未发现的概率为 0.20.2。三次均未发现的概率为

0.23=0.008.0.2^3=0.008.

因此至少发现一次的概率为

1−0.008=0.992.1-0.008=0.992.

恰好发现一次时,成功可出现在第一、第二或第三次。三种情况互斥,每种概率为 0.8×0.220.8\times0.2^2,所以

P(恰好一次)=3×0.8×0.22=0.096.P(\text{恰好一次}) =3\times0.8\times0.2^2 =0.096.

若多次检测共用同一故障传感器,独立假设可能不成立,不能直接使用这些乘积。

⚠️易错点
  • 独立性必须由题设机制或等式验证,不能仅凭“两个不同事件”认定。
  • 概率均为正的互斥事件一定不独立;独立事件则可以同时发生。
  • P(A∩B)=P(A)P(B)P(A\cap B)=P(A)P(B) 需要独立条件,不能在任意交事件上套用。
  • 多次试验只有在每次概率不变且相互独立时,才能直接使用幂或乘积。
  • 两两独立与多个事件相互独立不是同一概念,不能随意替换。
🌏生活应用:冗余系统的可靠性

某系统配备两个并联模块,只要至少一个正常就能工作。若模块正常事件相互独立,可靠率分别为 0.950.95 与 0.900.90,则系统失效要求两个模块同时失效,概率为

(1−0.95)(1−0.90)=0.005,(1-0.95)(1-0.90)=0.005,

系统可靠率为 0.9950.995。但若两个模块共用同一电源,电源故障会使二者同时失效,独立假设可能严重高估可靠性。工程应用中既要会算,也要审查独立条件是否符合结构。

五、自测与解析

1. 定义判断

已知 P(C)=0.3P(C)=0.3,P(D)=0.6P(D)=0.6,P(C∩D)=0.18P(C\cap D)=0.18。判断 C,DC,D 是否独立。

✏️ 查看答案

因为

P(C)P(D)=0.3×0.6=0.18=P(C∩D),P(C)P(D)=0.3\times0.6=0.18=P(C\cap D),

所以 C,DC,D 相互独立。

2. 独立与互斥

若 P(E)=0.2P(E)=0.2,P(F)=0.4P(F)=0.4,且 E,FE,F 互斥,它们能否独立?

✏️ 查看答案

不能。互斥给出 P(E∩F)=0P(E\cap F)=0,但 P(E)P(F)=0.08P(E)P(F)=0.08,二者不相等。

3. 至少一次

某射手每次命中概率为 0.70.7,两次射击相互独立。求至少命中一次的概率。

✏️ 查看答案

两次均未命中的概率为 (1−0.7)2=0.09(1-0.7)^2=0.09,所以

P(至少命中一次)=1−0.09=0.91.P(\text{至少命中一次})=1-0.09=0.91.
📺B 站视频讲解去 B 站观看「事件的相互独立性视频讲解」优质讲解视频 →