企业官网建设流程全解析

简介：这份《概率统计与随机过程》同步练习册由南京邮电大学工程数学教学中心编写，面向修读该课程的本科生及考研复习者，用于课后巩固与自测。内容围绕事件关系与运算、概率计算、乘法与加法定律、排列组合、条件概率与贝叶斯定理、随机变量与抽样分布、伯努利试验与二项分布等核心知识点展开，并配有大量典型例题与解答过程，如用A、B、C表示各类事件、一元二次方程有重根的概率等，帮助读者在练习中掌握解题思路。资源包内含1个pptx文件，大小约2.45MB，以幻灯片形式呈现，便于课堂演示与逐页翻阅。目前已有293人学习，适合需要系统刷题、对照答案查漏补缺的学习者使用。

1. 从一份 107 页的 PPT 练习册说起：概率统计到底该怎么刷

带过几届学生做工程数学辅导，我发现一个很普遍的现象：很多人把概率统计当成“背公式就能过”的课，结果一上考场，事件关系一复杂就翻车。这份由某高校工程数学教学中心编写的《概率统计与随机过程同步练习册》，一共 107 页，全部以 PPT 教案形式呈现，覆盖了从事件运算、条件概率、贝叶斯公式到伯努利试验和二项分布的核心题型。它最大的价值不是“题多”，而是每一道题都带着完整的推导过程——从设事件、列公式到代入数值，一步不落。适合正在学这门课、需要同步练习的本科生，也适合考研复习时想快速捡回基础的人。如果你手头正好缺一份能对着抄作业的推导范本，这份资料值得认真过一遍。

2. 事件运算与概率计算：从符号到数值的完整链路

2.1 用 A、B、C 表示复合事件的底层逻辑

练习册开篇就抛出了一道经典题：设 A、B、C 为三个事件，试用它们表示“都不发生”“至少有一个发生”“恰有一个发生”“恰有两个发生”“至多有两个发生”“至少有两个发生”这七种情况。很多人第一次做这种题会懵，因为符号语言和自然语言之间的映射不是直觉能搞定的。

核心思路只有一条：先把自然语言拆成“与、或、非”三种基本运算的组合，再套符号。比如“A 与 B 不发生，而 C 发生”写成 $\bar{A}\bar{B}C$；“恰有一个发生”写成 $A\bar{B}\bar{C} \cup \bar{A}B\bar{C} \cup \bar{A}\bar{B}C$。这里的关键是“恰有”意味着要排除其他所有可能性，所以每一项都是“一个发生 + 其余不发生”的交。

我一般会建议按这个顺序操作：

1. 把每个事件的发生/不发生列成真值表（三个事件共 8 种状态）
2. 圈出满足条件的状态
3. 把每个状态写成交的形式，再用并连接

这样不容易漏项。练习册里给出的答案也是这个套路，107 页里类似的事件运算题反复出现，说明这是整个课程的地基。

2.2 加法公式与容斥原理的实战用法

第 3 题给出了 $P(A)=P(B)=P(C)=\frac{1}{4}$，$P(AB)=P(AC)=\frac{1}{8}$，$P(BC)=0$，求 A、B、C 都不发生的概率。这道题考的是三个事件的容斥原理：

$$P(A \cup B \cup C) = P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)$$

代入数值后得到 $P(A \cup B \cup C)=\frac{1}{2}$，所以都不发生的概率是 $1-\frac{1}{2}=\frac{1}{2}$。

这里有一个容易忽略的细节：$P(BC)=0$ 意味着 B 和 C 互不相容，因此 $P(ABC)=0$。很多人会忘记这一步，直接假设 $P(ABC)$ 需要另外求，结果卡住。练习册在推导中明确写了 $0 \leq P(ABC) \leq P(BC)=0$，所以 $P(ABC)=0$，这个夹逼的思路值得记住。

用代码验证一下这个计算：

# 验证三事件容斥原理 P_A = P_B = P_C = 1/4 P_AB = P_AC = 1/8 P_BC = 0 P_ABC = 0 # 因为 P(BC)=0，所以 P(ABC) 必为 0 P_union = P_A + P_B + P_C - P_AB - P_AC - P_BC + P_ABC P_none = 1 - P_union print(f"P(A∪B∪C) = {P_union}") # 输出 0.5 print(f"P(都不发生) = {P_none}") # 输出 0.5

参数说明：$P(ABC)$ 不能随意假设，必须由已知条件推导。当 $P(BC)=0$ 时，$ABC \subseteq BC$，所以 $P(ABC)=0$。这是集合包含关系在概率上的直接推论。

2.3 互不相容与包含关系的三种情况讨论

第 4 题是另一个高频考点：已知 $P(A)=\frac{1}{3}$，$P(B)=\frac{1}{2}$，$P(AB)=\frac{1}{8}$，分别在“A、B 互不相容”“A、B 有包含关系”“一般情况”下求 $P(B-A)$。

这里的关键公式是 $P(B-A)=P(B)-P(AB)$，但不同条件下 $P(AB)$ 的取值不同：

注意第二种情况：如果 $A \subseteq B$，那么 $AB=A$，所以 $P(AB)=P(A)=\frac{1}{3}$。但题目给的 $P(AB)=\frac{1}{8}$ 和 $P(A)=\frac{1}{3}$ 矛盾，说明在包含关系下不能用给定的 $P(AB)$，而应该用 $P(A)$ 替代。这个细节在练习册的推导里有体现，也是考试中容易设陷阱的地方。

3. 条件概率与贝叶斯公式：从透视诊断到色盲问题

3.1 贝叶斯公式的三步计算法

练习册第 12 页的肺结核透视问题非常典型：患肺结核的人被确诊的概率为 0.95，未患肺结核的人被误诊的概率为 0.002，某单位职工患肺结核的先验概率为 0.001。现在一个人被诊断为患肺结核，求他确实患病的概率。

用贝叶斯公式：

$$P(A|B) = \frac{P(B|A)P(A)}{P(B|A)P(A) + P(B|\bar{A})P(\bar{A})}$$

代入数值：

# 贝叶斯公式计算 P_A = 0.001 # 先验概率：患肺结核 P_B_given_A = 0.95 # 确诊率（灵敏度） P_B_given_notA = 0.002 # 误诊率（假阳性率） P_notA = 1 - P_A P_B = P_B_given_A * P_A + P_B_given_notA * P_notA P_A_given_B = P_B_given_A * P_A / P_B print(f"P(确实患病|诊断为患病) = {P_A_given_B:.4f}") # 输出约 0.3223

结果约 0.3223，也就是说即使被诊断为阳性，真正患病的概率也只有 32% 左右。这个反直觉的结论正是贝叶斯公式的威力所在——先验概率极低时，即使检测很准，后验概率也不会太高。

我一般会提醒学生注意三点：第一，先验概率不能忽略；第二，分母是全概率公式展开；第三，结果要回代检验是否合理。

3.2 色盲问题中的全概率与逆概率

第 13 页的色盲问题考的是同一个公式的另一个场景：男子色盲率 5%，女子色盲率 0.25%，男女各半。求：(1) 随机选一人是色盲的概率；(2) 已知此人是色盲，求此人是女性的概率。

第一问用全概率公式：

$$P(A) = P(A|B)P(B) + P(A|\bar{B})P(\bar{B}) = 0.05 \times 0.5 + 0.0025 \times 0.5 = 0.02625$$

第二问用贝叶斯公式：

$$P(\bar{B}|A) = \frac{P(A|\bar{B})P(\bar{B})}{P(A)} = \frac{0.0025 \times 0.5}{0.02625} \approx 0.0476$$

练习册给出的答案是 $\frac{1}{21}$，约等于 0.0476。这里容易出错的地方是把“女性”和“色盲”的联合概率算错，或者忘记乘以 0.5 的性别先验。

3.3 不放回抽样中的条件概率链

第 14 页的零件抽取问题涉及不放回抽样：第一箱 50 只零件中有 10 只一等品，第二箱 30 只中有 18 只一等品，任选一箱后不放回地取两次。求第一次取到一等品的概率，以及在第一次取到一等品的条件下第二次也取到一等品的概率。

第一问：

$$P(A_1) = \frac{1}{2} \times \frac{10}{50} + \frac{1}{2} \times \frac{18}{30} = 0.1 + 0.3 = 0.4$$

第二问需要计算 $P(A_1 A_2)$：

$$P(A_1 A_2) = \frac{1}{2} \times \frac{10 \times 9}{50 \times 49} + \frac{1}{2} \times \frac{18 \times 17}{30 \times 29}$$

然后 $P(A_2|A_1) = P(A_1 A_2) / P(A_1)$。

# 不放回抽样的条件概率 # 第一箱 p1_a1 = 10/50 p1_a2_given_a1 = 9/49 # 第二箱 p2_a1 = 18/30 p2_a2_given_a1 = 17/29 # 第一次取到一等品的概率 P_A1 = 0.5 * p1_a1 + 0.5 * p2_a1 # 两次都取到一等品的概率 P_A1A2 = 0.5 * p1_a1 * p1_a2_given_a1 + 0.5 * p2_a1 * p2_a2_given_a1 # 条件概率 P_A2_given_A1 = P_A1A2 / P_A1 print(f"P(A1) = {P_A1:.4f}") # 0.4000 print(f"P(A2|A1) = {P_A2_given_A1:.4f}") # 约 0.4856

注意不放回抽样中第二次的概率要基于第一次取走一只后的剩余数量来算，这是和放回抽样最大的区别。练习册在推导中明确写了 $\frac{9}{49}$ 和 $\frac{17}{29}$ 的来源，这个细节不能跳。

4. 排列组合与古典概型：从书本排列到晶体管抽样

4.1 指定元素捆绑法的标准流程

第 5 页的“10 本书中指定 3 本放在一起”是捆绑法的经典例题。思路是把指定的 3 本书看成一个整体，与其余 7 本书共 8 个元素全排列，再乘以 3 本书内部的排列数：

$$P(A) = \frac{8! \times 3!}{10!} = \frac{8! \times 6}{10!} = \frac{6}{10 \times 9} = \frac{1}{15}$$

练习册给出的答案就是 $\frac{1}{15}$。这里的关键是理解“捆绑”后整体数量的变化：原来 10 个元素变成 8 个元素（7 本单独的书 + 1 个捆绑体），所以是 $8!$ 而不是 $10!$。

我一般会让学生按这个步骤走：

1. 确定总样本空间的大小（$10!$）
2. 把指定元素捆绑成一个整体
3. 计算捆绑后的排列数（$8!$）
4. 乘以捆绑体内部的排列数（$3!$）
5. 相除得到概率

4.2 最小号码与最大号码的古典概型

第 7 页的纪念章问题：10 个人佩戴 1 到 10 号纪念章，任选 3 人。(1) 最小号码为 5 的概率；(2) 最大号码为 5 的概率。

第一问：最小号码为 5，意味着选出的 3 人中必须包含 5 号，另外两人从 6 到 10 号中选，即 $C_5^2$。总样本空间是 $C_{10}^3$。所以：

$$P(A) = \frac{C_5^2}{C_{10}^3} = \frac{10}{120} = \frac{1}{12}$$

第二问：最大号码为 5，意味着必须包含 5 号，另外两人从 1 到 4 号中选，即 $C_4^2$：

$$P(B) = \frac{C_4^2}{C_{10}^3} = \frac{6}{120} = \frac{1}{20}$$

这类题的通用套路是：先确定“必须包含”的那个号码，再从剩余符合条件的号码中选够人数。练习册在推导中把 $C_5^2$ 和 $C_4^2$ 的来源写得很清楚，照着套就行。

4.3 油漆桶问题中的多项组合

第 8 页的油漆问题：17 桶油漆中白漆 10 桶、黑漆 4 桶、红漆 3 桶，标签脱落后随机发货。求顾客订白漆 10 桶、黑漆 3 桶、红漆 2 桶能如数得到的概率。

这是一个多项组合问题：

$$P(A) = \frac{C_{10}^{10} \times C_4^3 \times C_3^2}{C_{17}^{15}} = \frac{1 \times 4 \times 3}{C_{17}^{15}} = \frac{12}{136} = \frac{3}{34}$$

练习册给出的答案约等于 0.0882。这里的分母 $C_{17}^{15}$ 等于 $C_{17}^{2}$，因为从 17 桶中发 15 桶等价于从 17 桶中留下 2 桶。这个等价转换能简化计算，值得记住。

4.4 晶体管抽样与一元二次方程重根概率

第 9 页的晶体管问题：10 只中有 2 只次品，不放回取两次。求两只都是正品、两只都是次品、一正一次、第二次取出次品的概率。这四个事件的概率计算覆盖了古典概型的主要变体：

第 10 页的方程重根问题则把概率和代数结合起来：$x^2 + Bx + C = 0$，B、C 是骰子两次掷出的点数，求方程有重根的概率。有重根意味着判别式 $B^2 - 4C = 0$，即 $C = B^2/4$。在 1 到 6 的取值范围内，满足条件的只有 $(B,C)=(2,1)$ 和 $(4,4)$ 两组，所以概率是 $\frac{2}{36}=\frac{1}{18}$。

5. 避坑与排查：概率题最容易翻车的五个地方

5.1 现象：事件表达式漏项或多项

原因：把“恰有一个发生”写成 $A \cup B \cup C$，或者把“至少有一个发生”写成 $ABC$。本质是对“恰有”“至少”“至多”的语义理解不到位。

解决：每次写表达式之前，先列出所有可能的状态组合，逐个判断是否满足条件。三个事件有 8 种状态，四个事件有 16 种，列完再写符号，准确率会高很多。

5.2 现象：容斥原理中 $P(ABC)$ 处理错误

原因：看到三个事件就下意识认为 $P(ABC)$ 需要单独给出，或者直接忽略这一项。实际上当 $P(BC)=0$ 时，$P(ABC)$ 必然为 0，不需要额外条件。

解决：先检查事件之间的包含关系。如果 $BC=\emptyset$，则 $ABC=\emptyset$，$P(ABC)=0$。如果 $A \subseteq B$，则 $AB=A$，$P(AB)=P(A)$。这些关系能大幅简化计算。

5.3 现象：贝叶斯公式中先验概率用错

原因：把 $P(A|B)$ 和 $P(B|A)$ 搞混，或者在分母中漏掉全概率展开的某一项。

解决：记住贝叶斯公式的结构——分子是“似然 × 先验”，分母是“所有可能路径的似然 × 先验之和”。写完之后检查分母是否覆盖了样本空间的所有划分。

5.4 现象：不放回抽样中第二次概率算错

原因：第二次抽取时忘记更新剩余数量，仍然用初始总数做分母。

解决：不放回抽样中，第二次的概率必须基于第一次取走后的剩余数量。比如 50 只取走 1 只后剩 49 只，一等品从 10 只变成 9 只，所以是 $\frac{9}{49}$ 而不是 $\frac{10}{50}$。

5.5 现象：排列组合中捆绑法忘记内部排列

原因：把指定元素捆绑后只算了整体的排列数，忘记乘以捆绑体内部的排列数。

解决：捆绑法的完整公式是“捆绑后整体排列数 × 捆绑体内部排列数”。比如 3 本书捆绑后，既要算 8 个元素的排列（$8!$），也要算 3 本书内部的排列（$3!$），缺一不可。

6. 从练习册到实战：用 Python 验证概率计算的一个习惯

刷完这 107 页的练习册，最大的收获不是会做某一道题，而是建立起“先设事件、再列公式、最后代入验证”的固定流程。我后来养成了一个习惯：每算完一道概率题，只要条件允许，就用 Python 跑一遍数值验证。这不是不信任手算，而是因为概率题的条件概率和容斥原理太容易在符号层面出错，数值验证能快速定位问题。

比如练习册里那道“所有仪器都能出厂”的问题：每台仪器直接出厂的概率是 0.7，需要调试的概率是 0.3，调试后能出厂的概率是 0.8。求 n 台仪器都能出厂的概率。

单台能出厂的概率是：

$$P(A_i) = 0.7 + 0.3 \times 0.8 = 0.94$$

n 台独立，所以所有都能出厂的概率是 $0.94^n$。

# 验证仪器出厂概率 p_direct = 0.7 # 直接出厂 p_debug = 0.3 # 需要调试 p_pass_after_debug = 0.8 # 调试后出厂 p_single = p_direct + p_debug * p_pass_after_debug print(f"单台出厂概率: {p_single}") # 0.94 for n in [2, 5, 10]: print(f"{n} 台全部出厂概率: {p_single**n:.4f}")

另一个值得用代码验证的是系统可靠性问题：4 个独立元件可靠性均为 p，按特定方式连接。练习册给出的答案是 $(1-(1-p)^2)^2$，展开后是 $2p^2 - p^4$。这个结构说明系统分为两组并联，每组两个元件串联。用代码验证：

import sympy as sp p = sp.Symbol('p', positive=True) # 每组两个串联的可靠性 series = p * p # 两组并联的可靠性 system = 1 - (1 - series)**2 print(sp.expand(system)) # 输出 2*p**2 - p**4

这种“手算 + 代码验证”的习惯，让我在后来的信号处理和数据科学工作中少踩了很多坑。概率统计的公式看起来简单，但条件一多就容易出玄学错误，有个独立的验证通道会安心很多。从那以后我每次遇到多事件复合概率，都强制走一遍“符号推导 + 数值代入”的双通道，希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取