跨卷导读：概率、期望与随机过程

先声明：随机不等于含糊

先预测：如果每次掷骰子或选择枢纽的结果都可能不同，数学还能给出严格结论吗？可以。严格性不来自预言某一次结果，而来自先定义随机机制、再计算事件概率，最后给出期望、误差或失败概率的边界。

本页是独立重写的跨卷导读，不冒充《数学女孩》的原书章节。officialUnitId: mg4-01 选择第 4 卷第 1 章作为概率直觉和信息协议的核心锚点；后文再把这个锚点连接到同卷的期望、矩阵、随机漫步和随机算法。读者应始终区分：原书目录范围、基于目录的主题桥接、以及本页新增的推导和实验。

一、概率空间：把未知未来写成模型

用 $(\Omega,\mathcal F,P)$ 表示：$\Omega$ 是所有基本结果，$\mathcal F$ 是允许讨论的事件集合，$P$ 给每个事件分配不小于 0 的权重，并满足 $P(\Omega)=1$ 和可列可加性。事件是结果集合，不是“感觉会发生的事情”。

概率函数满足

以及两两互斥事件的可列可加。由此得到 $P(\varnothing)=0$、补事件公式和一般加法公式。有限且等可能时才可以写 $P(A)=|A|/|\Omega|$；一旦权重不同，必须回到 $P(A)=\sum_{\omega\in A}P(\{\omega\})$。

互斥、独立与信息协议

互斥说两个事件不能同时发生：$A\cap B=\varnothing$，所以 $P(A\cup B)=P(A)+P(B)$。独立说知道一个事件没有改变另一个事件的概率：$P(A\cap B)=P(A)P(B)$。两个正概率事件如果互斥，就不可能独立；“或”常对应加法，“且”只有在独立或已知条件足够时才可直接乘法。

概率问题的答案还依赖信息协议：谁观察了什么、何时观察、是否随机选择、是否知道隐藏状态。改了协议，就改了样本空间或条件概率，不能沿用旧答案。

二、官方锚点：从赌博表到信息如何产生

第 4 卷第 1 章的“概率问题与直觉相悖”适合作为本页的官方锚点：它从具体实验出发，要求把全部情况列出来，再检查平局、条件信息和主持人的行为。下面逐项保留这条概念链，但所有图论、期望和随机过程的延伸都是本页的独立重写。

绝不会输的赌博：选择与未知未来

“绝不会输的赌博”不是承诺真的能预测未来，而是一个检查模型的标题；“选择与未知未来”提醒我们，过去的结果已经确定，未来的随机机制尚未展开。用“掷骰子”或“两个骰子”做小实验时，让爱丽丝和鲍勃按“点数大者获胜”的规则对比结果，先写清楚平局怎么处理，再谈胜率。

36 个结果与平局

两个骰子产生 6×6=36种 有序结果；其中“平局6种”，所以“平局概率1/6”。剩余结果按对称性配对，得到“爱丽丝胜15种”和“爱丽丝获胜概率5/12”。“对称所以各一半”只有在交换两颗骰子确实保持概率且已处理平局时才成立；遗漏平局会把分母和胜率同时算错。

用表格来想：观察全体

“用表格来想”不是为了画得漂亮，而是为了“观察全体” 36 个有序对。每一格写出第一颗和第二颗骰子，标记爱丽丝胜、鲍勃胜和平局，最后逐格加总。表格把对称直觉变成可复核的证据，也为后面的条件概率树和程序测试提供了黄金小样本。

抛硬币与两枚硬币

把“抛硬币”重复两次，样本空间包含“两枚硬币”的四个有序结果；“百元硬币和十元硬币”提醒我们两枚硬币即使外观不同，也要说明它们的偏置与是否独立。若条件是“至少有一枚是正面的”，就保留 HH HT TH TT 中除 TT 外的结果；其中 H是Head正面，T是Tail反面，所以要先“排除TT”，再得到“条件后HH HT TH”。

条件后的分母会改变

若四种结果等可能，已知至少一枚正面后，“两枚都是正面概率1/3”；若指定某一枚硬币为正面，剩余两种结果中 HH 只占一个，所以“指定硬币正面时概率1/2”。这两个答案不同，不是算术矛盾，而是“信息如何产生”不同：一个只知道事件发生，另一个知道具体哪一枚满足条件。

一枚硬币、立起的硬币与协议边界

“一枚硬币”的正常模型只有正面和反面；若题目写“正面尤里赢反面哥哥输”，那两个分支已经穷尽正常结果。若又允许“硬币立起来哥哥赢”，就必须把这个第三结果的概率写进模型；“百分百获胜”只能在规则明确排除了对手所有正常获胜分支时成立。换句话说，加入一个结果会改变分母，不能只在答案末尾补一句。

“印有年号的一面是反面”是约定的命名，不是额外概率；名称变化不会改变随机机制，但会改变读者对 H、T 的解释。定义和协议必须在实验开始前写出，不能根据想要的答案事后重命名。

彩票的记忆：历史事实不是未来优势

“彩票的记忆”这个说法正好用来反驳赌徒谬误。“妈妈的新汤”与“本店诞生了一等奖”只是故事场景；即使“中奖店下次更容易中奖”的海报让人产生直觉，真实的公平彩票“没有记忆力”。海报只陈述历史事实，事实不蕴含未来优势；若抽奖机制没有改变，下一张票的概率仍按同一分布计算。

蒙提霍尔问题：主持人知道什么

“概率问题与直觉相悖”最典型的例子是“蒙提霍尔问题”：有“3个信封”，其中“一个礼品券两个空信封”；主持人知道哪些信封为空，并且“主持人总打开空信封”。如果参赛者初选中奖时，主持人仍要在另外两个中随机开一个空信封，协议就确定了条件分支。

坚持还是交换

“汽车和山羊”的故事可以列出“9种情况”或按“3×3=9”写出初选与奖品的组合。初选中奖概率为“初选中奖概率1/3”，未选的两个信封合计为“桌上中奖概率2/3”；坚持的胜率是“坚持胜率1/3”，交换的胜率是“交换胜率2/3”。主持人动作的概率分支不能被删掉，因为主持人知道奖品位置。

一万封信与概率熬干浓缩

把问题放大到“一万封信”：初选命中率是“初选命中1/10000”，其余信封含奖的概率是“其余9999封含奖9999/10000”。主持人打开“打开9998个空信封”后，剩余未选信封承载了原先那一大块概率；这就是“概率熬干浓缩”，不是主持人把概率凭空转移。

主持人协议与上帝视角

如果主持人不是总打开空信封，或在多个空信封中不是随机选择，就需要重新写“主持人协议”；协议改变必须重新建模，答案会变。所谓“上帝视角”是同时观察全部隐藏状态；“同时观察全部隐藏状态”时可以直接按全体结果计数，但现实参与者只获得协议允许透露的信息。

未来、不确定性与伙伴

“中考与高考”是未知未来的生活类比；“不知道未来会怎样”与“未来会走向哪一条”表达的是从现在到多个分支的选择。一个“可以畅谈所思所想的伙伴”能帮助检查假设，但不能替概率空间替你计算；“哥哥被亲过吗”是与未来选择有关的问题，必须先确定行为规则和信息分布，不能用故事气氛替代事件定义。

三、条件概率与贝叶斯公式

条件概率 当 $P(B)>0$ 时，定义

它不是给原概率加一个竖线装饰，而是把观察到 $B$ 后的可行结果重新归一化。

由 $P(A\cap B)=P(B\mid A)P(A)$ 得到

先验是观察证据前的 $P(A)$，似然是原因成立时看到证据的 $P(B\mid A)$，证据是 $P(B)$，后验则是观察证据后更新的 $P(A\mid B)$。医学检测示例中，先验患病率 1%、灵敏度 99%、假阳性率 1%，10000 人里真阳性 99、假阳性 99，所以阳性后的患病概率为 $1/2$；这不是医疗建议，只是基础率演示。

四、随机变量、期望与方差

把复杂结果映射成数值，例如骰子点数、算法比较次数或一次实验的误差。随机变量的概率分布仍然依赖底层样本空间；换一个映射，不代表原随机机制消失。

期望 离散情形为

公平骰子的期望是 3.5，但一次掷骰不会出现 3.5；期望是概率加权平均，不是最可能的结果，也不是每次实验都会达到的值。

期望满足线性法则：

它不要求 $X,Y$ 独立。把总次数拆成指示器随机变量之和，利用 $\mathbb E[I_A]=P(A)$，就能把复杂计数改写成概率之和。

用来记录每个局部事件是否发生。方差则描述波动：

一般有

独立可以推出协方差为 0，但方差相加不能不加条件地照抄期望线性。

五、随机漫步、马尔可夫链与随机算法

用状态集合和转移矩阵 $P$ 表示一步概率，若采用列向量约定，则

一条具体路径的概率等于沿途转移概率的乘积；多条互斥路径抵达同一终点时再求和。马尔可夫性是只依赖当前状态的模型假设，不会因写下矩阵就自动成立。

蒙特卡洛实验用随机样本估计期望或概率。要记录随机源、种子、抽样方式、样本数、估计值、标准误或置信区间；注入随机源能让测试复现，但固定种子不是独立性证明。

type RandomSource = () => number;
 
export function estimatePi(samples: number, random: RandomSource): number {
  if (!Number.isInteger(samples) || samples <= 0) {
    throw new RangeError("samples must be a positive integer");
  }
 
  let inside = 0;
  for (let index = 0; index < samples; index += 1) {
    const x = random();
    const y = random();
    if (x * x + y * y <= 1) inside += 1;
  }
 
  return (4 * inside) / samples;
}

输入概率分析和随机算法分析也要区分：前者假设输入排列服从某个分布，后者把随机选择放在算法内部。随机快速排序可以对任意固定输入随机选枢纽，并用指示器变量分析期望比较次数；随机 3-SAT 的单侧错误算法找到满足分配时能验证成功，失败退出可能只是漏找。结论必须写明概率空间、成功事件和失败概率。

分步实验：从样本空间到随机过程

小结：每个概率结论都要带前提

• 样本空间列出结果，事件是结果集合，概率分布给结果权重；有限等可能只是特殊模型。
• 互斥描述不能同时发生，独立描述信息不改变概率，二者不能互换。
• 条件概率改变观察后的分母，贝叶斯公式把先验、似然和证据转换成后验。
• 随机变量把结果变成数值，期望是加权平均，方差还要处理协方差，指示器把计数化为概率和。
• 随机漫步按路径乘法再对互斥路径求和，马尔可夫链还需要只依赖当前状态的模型假设。
• 蒙特卡洛和随机算法结论必须说明随机源、输入或算法的概率空间、成功事件和误差/失败保证。

练习与答案