2. 概率基础与随机变量

在上一节中，我们已经建立了“随机现象—样本空间—事件”的基本框架。本节要把这个框架进一步形式化：先用概率公理把“概率”这个直观概念变成可运算的数学对象，再通过条件概率与贝叶斯公式处理“信息更新”问题，最后引入随机变量与分布函数，把对事件的讨论转化为对数值的讨论。这三步是后续所有计算与模拟工作的共同基础。

一、概率公理：给“可能性大小”立规矩

设样本空间为 Ω，事件域为 F（可理解为所有我们关心的事件构成的集合）。概率 P 是定义在 F 上的一个函数，满足三条公理：

• 非负性：对任意事件 A，有 P(A) ≥ 0；
• 规范性：P(Ω) = 1，即必然事件的概率为 1；
• 可列可加性：若 A₁, A₂, … 两两互不相容，则 P(∪Aᵢ) = ΣP(Aᵢ)。

这三条公理看似抽象，但它们直接推出了一系列常用性质：P(∅) = 0；P(Aᶜ) = 1 − P(A)；若 A ⊆ B，则 P(A) ≤ P(B)；以及加法公式 P(A∪B) = P(A) + P(B) − P(A∩B)。最后这条公式在计算中极为常用，因为“至少一个发生”的问题往往先算并集，而并集必须减去重复计入的交集。

需要强调的是，公理只规定概率必须满足的运算规则，并不规定具体数值从何而来。实际建模时，我们通常用三种方式赋值：古典概型（等可能，用计数比值）、几何概型（用长度/面积比值）、频率近似（大量重复试验的相对频率）。在随机模拟中，我们正是用频率去逼近概率，这一点在后续章节会反复出现。

二、条件概率与乘法公式

条件概率回答的是“已知 B 发生，A 发生的概率是多少”。定义为：

P(A|B) = P(A∩B) / P(B)，要求 P(B) > 0

它的直观含义是把样本空间“压缩”到 B 内部，再在 B 中衡量 A 所占的比例。由定义立即得到乘法公式 P(A∩B) = P(B)·P(A|B) = P(A)·P(B|A)，并可推广到多个事件的情形。当 P(A|B) = P(A) 时，称 A 与 B 相互独立，此时乘法公式退化为 P(A∩B) = P(A)P(B)。独立性是建模中频繁使用的简化假设，但必须由问题背景或数据检验来支撑，不能想当然地套用。

三、全概率公式与贝叶斯公式

当直接计算 P(A) 困难，而 A 可以按某个“原因”划分成若干互不相容的部分时，全概率公式非常有效。设 B₁, B₂, …, Bₙ 构成样本空间的一个划分（两两不交且并为 Ω），则：

P(A) = Σ P(Bᵢ)·P(A|Bᵢ)

贝叶斯公式则是它的“反向”使用：已知结果 A 发生，反推它来自某个原因 Bⱼ 的概率：

P(Bⱼ|A) = P(Bⱼ)·P(A|Bⱼ) / Σ P(Bᵢ)·P(A|Bᵢ)

这里 P(Bⱼ) 称为先验概率，P(A|Bⱼ) 称为似然，P(Bⱼ|A) 称为后验概率。贝叶斯公式的本质是“用观测到的证据修正原有判断”。举一个教学示例（数值为假设）：某检测对疾病的灵敏度为 0.95，特异度为 0.90，人群患病率为 0.01。若某人检测阳性，其真正患病的概率为 0.95×0.01 / (0.95×0.01 + 0.10×0.99) ≈ 0.0876。可以看到，即使检测指标不错，由于先验患病率很低，阳性结果对应的后验概率仍然不高——这正是贝叶斯思维最容易被忽视、也最值得用计算去验证的地方。

四、随机变量与分布函数

随机变量 X 是从样本空间到实数的映射，即把每个样本点 ω 对应为一个数值 X(ω)。引入它的意义在于：我们可以用数值工具（求和、积分、期望、方差）来处理随机现象，而不必停留在集合运算层面。按取值特点，随机变量分为离散型（取有限或可列个值）与连续型（取值充满某个区间）。

统一描述随机变量统计规律的工具是分布函数：

F(x) = P(X ≤ x)，x ∈ (−∞, +∞)

分布函数具有三条基本性质：单调不减；右连续；F(−∞) = 0，F(+∞) = 1。对离散型随机变量，F(x) 是阶梯函数，跳跃点即取值点，跳跃高度等于该点的概率；对连续型随机变量，存在概率密度 f(t)，使得 F(x) = ∫_−∞^x f(t)dt，且 P(a < X ≤ b) = F(b) − F(a)。注意连续型随机变量在单点的概率为 0，因此区间端点开闭不影响概率值。

下面的图示把本节的核心逻辑串起来：从公理出发，经条件概率与贝叶斯公式完成“信息更新”，再通过随机变量与分布函数把事件语言翻译成数值语言，最终落到离散与连续两条计算路径上。

五、把公式落到计算上：一个可复现的小例子

为了说明分布函数如何参与实际计算，考虑一个离散型随机变量 X 表示“一次抽检中不合格品的个数”，假设抽检 3 件，单件不合格概率为 0.2，且各件相互独立。则 X 服从二项分布 B(3, 0.2)，分布列为：

P(X=0) = 0.8³        = 0.512
P(X=1) = 3×0.2×0.8²  = 0.384
P(X=2) = 3×0.2²×0.8  = 0.096
P(X=3) = 0.2³        = 0.008

据此可写出分布函数在各点的值：F(0)=0.512，F(1)=0.896，F(2)=0.992，F(3)=1。若要计算“不合格品不超过 2 件”的概率，直接读 F(2)=0.992；若要计算“恰好 2 件”，则用 F(2)−F(1)=0.096。可以看到，分布函数把“区间概率”统一成了端点函数值之差，这正是它在数值计算和编程实现中特别方便的原因。

六、为后续计算与模拟做的准备

本节建立的四个工具会在后面反复出现：公理保证运算合法；条件概率与乘法公式处理联合事件；全概率与贝叶斯公式处理信息更新；随机变量与分布函数把问题转化为数值函数。特别地，随机模拟的基本思路就是：按照某个分布生成大量样本，用样本频率估计概率、用样本分布逼近分布函数。因此，在进入模拟之前，务必能对给定问题明确写出“随机变量是什么、取值范围是什么、分布函数或分布列如何表达”，这是把实际问题翻译成可计算形式的关键一步。