期末概率论稳拿分：分布律与独立事件的计算要点

期末复习概率论，大多数同学的崩溃点其实不在偏难怪题，而在那些看起来“简单到不需要背”的题。我改过不少卷子，发现离散型随机变量的分布律和独立事件的概率计算，恰恰是两道最容易被低估的失分题：前一种容易漏条件、端点写错，后一种容易把“独立”和“互斥”搞混，一步错之后整题连环错。

这篇内容适合正在准备概率论与数理统计期末考试的同学，尤其是复习时间紧、想快速把分布律和独立事件这部分做成“稳定拿分项”的人。下面不铺开整本书，只把离散型随机变量分布律的写法与判定、由分布律引出的求概率与求分布函数、独立事件的乘积公式，以及期末最爱考的完整例题，成块讲清楚。每一条都能直接用到答题卷上。

1. 离散型随机变量的分布律到底在考什么

1.1 分布律不是一列数，而是一张“概率清单”

很多人背得住“分布律”三个字，却写不对一张表。先看定义：设离散型随机变量 (X) 的可能取值为 (x_1,x_2,\dots,x_n) 或 (x_1,x_2,\dots)，记

[
P(X=x_i)=p_i,\quad i=1,2,\dots
]

把 (X) 的所有取值和对应概率列出来，就是分布律。最容易直接抄错的地方在于：表里每一行要填的是一个“点上的概率”，不能填函数、不能填约等于的式子，更不能自己在旁边多加几个“合理取值”。

举一个最普通的例子。盒子里有5个红球、3个白球，从中不放回地抽取2个，记 (X) 为抽到的红球个数。(X) 的可能取值为0、1、2，利用古典概型计算：

[
P(X=0)=\frac{C_3^2}{C_8^2}=\frac{3}{28},\quad
P(X=1)=\frac{C_5^1C_3^1}{C_8^2}=\frac{15}{28},\quad
P(X=2)=\frac{C_5^2}{C_8^2}=\frac{10}{28}.
]

写成表就是这样：

这道题属于超几何分布的考查方式，但不放回抽取也完全可以从分布律原始定义入手，不需要一开始就套分布名称。理解这张表的含义，比背出“超几何分布的通式”更重要。分布律的价值在于：它用一组概率把一个随机变量可能出现的所有情况完整交代清楚了，之后无论求区间概率、分布函数还是期望方差，都要回到这张表。

1.2 分布律的两个硬性条件，少一个都不给分

判断或计算分布律时，常用的不是背诵定义，而是两条验算规则：

第一，非负性：任意的 (p_i\ge 0)。概率不能是负的，这个条件看起来是废话，但参数题里经常有人解出负数结果还不自知。

第二，归一性：

[
\sum_i p_i=1.
]

这个条件才是分布律的“灵魂”。如果题目给出一串含参分布律，例如：

[
P(X=1)=a,\quad P(X=2)=2a,\quad P(X=3)=a+0.1,
]

要解 (a)，不能凭感觉猜，必须先把总和列出来：

[
a+2a+(a+0.1)=1,
]

得到 (4a=0.9)，所以 (a=0.225)。如果算出来的 (a) 使某个概率变成负数，即使满足总和为1，这样的分布律仍然不合法。两个条件要同时检查，不能只检查一个。

期末阅卷时常看到的一种扣分，是学生把分布律表中概率写成

[
0\le p_i \le 1
]

然后就结束作答。严格来说，这只说明每个概率在0和1之间，没有验证所有概率加起来是否等于1。标准做法是先列出所有取值，再列概率，最后用“(\sum p_i=1)”作为验算过程放在醒目位置。这道验算步骤在解答题里往往也能帮你挽回一步过程分。

2. 由分布律延伸出的三类期末计算题

2.1 求任意事件概率：先把该事件“翻译”成点集

分布律表写完之后，第一类高频计算题是求包含区间的不等式事件概率。比如设随机变量 (X) 的分布律为下表：

求 (P(0\le X\le 1))。很多同学看到区间，立刻把连续型随机变量的习惯带进来，想把0到1之间所有面积都算一遍。但离散型随机变量只在这些“点上”有概率，区间里没有别的取值。解题顺序应该是先确定哪些取值落在事件范围内，再把这些点对应的概率逐一相加。

对上面的分布律来说，(X) 可能的取值是 -1、0、2。在 (0\le X\le 1) 范围内只有一个取值0，因此：

[
P(0\le X\le 1)=P(X=0)=0.3.
]

同理可以算 (P(X<2))，可取值中满足 (X<2) 的是 -1 和0，所以：

[
P(X<2)=0.2+0.3=0.5.
]

而 (P(X>0)=P(X=2)=0.5)。值得强调的是，很多学生的错误不在计算方法，而在于区间端点写错了。如果题目要求 (P(-1<X\le 0))，那么取值 -1 不能算进去，只有0在区间内，结果就是0.3；如果不小心把 -1 也算进去，就得到0.5，一步错全盘错。

这道题暴露的规律是：离散型求概率，核心动作是“先列点，再相加”，不是“画一条连续的曲线去积分”。拿到题的第一反应，应该是在分布律表旁边划掉不满足条件的取值，剩下的再求和。

2.2 从分布律到分布函数：跳跃点就是概率的落脚点

第二类高频计算题是“已知分布律，求分布函数”。分布函数定义为：

[
F(x)=P(X\le x)=\sum_{x_k\le x}p_k.
]

它表达的是“小于等于 (x) 的累计概率”。对离散型随机变量来说，重点是画出分段阶梯函数，并注意区间的左右开闭。

仍以上面的分布律为例：

• 当 (x<-1) 时，没有任何取值小于等于 (x)，所以 (F(x)=0)；
• 当 (-1\le x<0) 时，小于等于 (x) 的取值只有 -1，所以 (F(x)=0.2)；
• 当 (0\le x<2) 时，取值为 -1 和0的概率都要累计，所以 (F(x)=0.5)；
• 当 (x\ge 2) 时，所有概率都累计，所以 (F(x)=1)。

写成完整分段形式：

[
F(x)=
\begin{cases}
0, & x<-1,\
0.2, & -1\le x<0,\
0.5, & 0\le x<2,\
1, & x\ge 2.
\end{cases}
]

离散型分布函数的一个重要特点是右连续。也就是说，在跳跃点 (x=0) 右侧取极限时，算出来的是包含0在内的0.5；而 (F(0)) 本身也是0.5。但在 (x=0) 的左侧，(F(0-)=0.2)，这一瞬间的跳跃高度恰好是：

[
F(0)-F(0-)=0.5-0.2=0.3=P(X=0).
]

利用这个性质，可以由分布函数反过来求离散点的概率：

[
P(X=x_i)=F(x_i)-F(x_i-).
]

有些同学会把分段区间写成“(-1<x\le 0)”而不是“(-1\le x<0)”，这会导致 (F(-1)) 和 (F(0)) 处的值出现矛盾。一个安全的记忆方式是：“分布函数中每个跳跃区间左闭右不闭，写到下一个取值前不跨过它。”遇到含参数的题，最后用 (F(+\infty)=1) 来验算，能快速排除低级错误。

2.3 高频离散分布模型：看到“独立重复”优先想二项分布

期末卷面上的分布律题，很少让你从最原始定义慢慢抽取。绝大多数会按以下几种常见分布来设计：

• 0-1分布：只做一次试验，成功概率为 (p)，随机变量只能取0或1；
• 二项分布 (X\sim B(n,p))：做 (n) 次独立重复试验，每次成功概率固定为 (p)，公式为

[
P(X=k)=C_n^k p^k(1-p)^{n-k},\quad k=0,1,\dots,n;
]

• 泊松分布 (X\sim P(\lambda))：适合描述稀有事件在单位时间内的发生次数，公式为

[
P(X=k)=\frac{\lambda^k e^{-\lambda}}{k!},
]

其中 (\lambda>0)。这时均值、方差都是 (\lambda)；

• 超几何分布：从 (N) 个产品中不放回地抽取 (n) 个，其中次品数为 (M)，则抽到次品数 (k) 的概率为

[
P(X=k)=\frac{C_M^kC_{N-M}^{n-k}}{C_N^n}.
]

期末复习不用把所有公式都死记硬背，关键是判断场景。题目里出现“有放回抽取”“相互独立”“重复试验”“条件不变”，优先考虑二项分布；题目里出现“一次性抽取”“不放回”，不应盲目套二项分布，而要用超几何分布的抽件模型。泊松分布则常与“单位时间到达次数”“每分钟电话数”等表述绑定出现。分清模型，分布律才能写对，后面求分布函数、期望、方差才谈得上。

3. 独立事件概率计算：容易被“想当然”毁掉的一章

3.1 独立和互斥，别再当成一回事

事件独立的概念很简短：若事件 (A) 与事件 (B) 相互独立，则

[
P(AB)=P(A)P(B).
]

这里的 (AB) 表示 (A) 与 (B) 同时发生。独立的意思是“一个事件发生与否，不改变另一个事件发生的概率”。

不少同学把独立和互斥混在一起。互斥的定义是两个事件不可能同时发生，即：

[
AB=\varnothing,\quad P(AB)=0.
]

如果两个事件都有正概率，并且它们互斥，那么它们一定不独立，因为左边是0，右边是正数乘积，不可能相等。

举个最简单的例子：抛一枚硬币两次，设 (A) 表示第一次正面朝上，(B) 表示第二次正面朝上。显然：

[
P(A)=P(B)=\frac12,\quad P(AB)=\frac14,
]

所以 (A,B) 独立，但 (A) 和 (B) 并不互斥，因为“第一次正面且第二次正面”这个结果同时包含在两者中。反过来，设 (C) 表示第一次正面，(D) 表示第一次反面，则 (C,D) 互斥，但 (P(CD)=0)，而 (P(C)P(D)=\frac14)，因此不独立。

“独立”从概率角度看是一种乘积关系；从生活场景看更像两条互不干扰的生产线；“互斥”则像同一个路口被一辆车堵住后，另一辆车无法通过。考试时不要凭生活感觉判断，而是直接把乘法关系代入公式。题中一旦出现“相互独立”四个字，立刻要想到写 (P(AB)=P(A)P(B))，而不是默认 (AB) 为空集。

3.2 独立事件并、交、补的四个常用公式

从 (P(AB)=P(A)P(B)) 出发，可以推出一系列期末高频公式：

• 若 (A,B) 独立，则 (A) 与 (\bar B) 也独立，因为：

[
P(A\bar B)=P(A)-P(AB)=P(A)-P(A)P(B)=P(A)(1-P(B)).
]

• 若 (A,B) 独立，则加法公式写成

[
P(A\cup B)=P(A)+P(B)-P(A)P(B).
]

千万不能把并集概率直接写成两个概率相加，除非题目已经说明二者互斥。

• 若需要求“至少一个发生”，更常见的是先求补集。因为 (A\cup B) 的补集是 (\bar A\bar B)，所以

[
P(A\cup B)=1-P(\bar A)P(\bar B).
]

这个式子在多个独立事件时会更省力。比如有 (n) 个独立元件，每个元件正常工作的概率为 (p)，整套系统只要有一个元件正常工作就能运行（并联逻辑），则系统正常工作的概率是：

[
P=1-(1-p)^n.
]

如果系统要求所有元件都必须正常工作才能运行（串联逻辑），系统正常的概率就是

[
P=p^n.
]

期末题目常喜欢把这些公式藏进应用题。看到“至少有一次命中”“至少有一个开关闭合”“系统能够工作”，基本套路都是 (1-) 全部失败的概率。写步骤时不要省略“为什么是 (1-) 全集”，最好用一句话点出“这里利用德摩根定律化为对立事件”，这样过程分拿得更稳。

3.3 随机变量独立，和事件独立是两套判断

既然事件独立有乘积公式，离散型随机变量 (X) 与 (Y) 相互独立也有类似定义：对所有可能取值 (x_i) 和 (y_j)，都有

[
P(X=x_i,Y=y_j)=P(X=x_i)P(Y=y_j).
]

这里容易踩的坑是：只在某一个数据上发现相等，就急着写“独立”。真正正确的写法是必须对联合分布律表里所有格子全部验证。哪怕只有一个格子不满足，两个随机变量就不独立。

我给学生讲这个知识点时常用一个比喻：联合分布表是全班期末成绩的完整记录，只看一个分数段就能判断所有科目之间有没有关联，显然不靠谱。必须每一个交叉格都满足乘积公式，才能说成绩和科目相互独立。

随机变量的独立性经常和事件独立性一起出现在同一大题里。比如题目给出二维离散型随机变量的联合分布律，先让你求边缘分布，再判断独立性，还顺便求几个形如 (P(X+Y\le 1)) 的事件概率。这个流程在下一部分用完整例题展开，你会发现只要老老实实列点检查，这部分拿分真不难。

4. 三道高频真题，把概念落成步骤

4.1 例题1：离散型分布律与分布函数综合题

已知随机变量 (X) 的分布律为：

求常数 (a)，并求 (P(1\le X<3)) 以及 (X) 的分布函数 (F(x))。

这道题属于基础但覆盖面很广的小综合题。第一步必须用归一性：

[
0.1+0.3+a+0.2=1,
]

解得 (a=0.4)。求 (P(1\le X<3)) 时，先列出满足条件的所有取值：(X=1) 和 (X=2)。注意 (X=3) 不满足 (X<3)，所以不能算进去。因此：

[
P(1\le X<3)=P(X=1)+P(X=2)=0.3+0.4=0.7.
]

求分布函数时，关键是把分段区间写清楚。按取值从小到大依次是0、1、2、3：

[
F(x)=
\begin{cases}
0, & x<0,\
0.1, & 0\le x<1,\
0.4, & 1\le x<2,\
0.8, & 2\le x<3,\
1, & x\ge 3.
\end{cases}
]

检查这个结果有两个技巧：第一，(F(3)=1)，因为 (X\le3) 已经覆盖全部取值；第二，每个取值点上的“跳跃高度”就是对应概率，例如 (F(2)-F(2-)=0.8-0.4=0.4)，正好等于 (P(X=2))。如果你写完分段函数，发现某个跳跃高度和原分布律不一致，证明区间边界写错了，赶紧回头查。

4.2 例题2：独立试验和二项分布的联合应用

设某生产线生产的产品不合格率为0.02，每次抽检结果相互独立。现从生产线上随机抽检20件产品，记 (X) 为其中不合格品件数。求恰有一件不合格品的概率，以及至少有一件不合格品的概率。

题目出现“抽检20件”“每次独立”“不合格率固定”，先明确写出：

[
X\sim B(20,0.02).
]

因此恰好一件的概率为：

[
P(X=1)=C_{20}^1(0.02)^1(0.98)^{19}.
]

(C_{20}^1=20)，所以：

[
P(X=1)=20\times0.02\times0.98^{19}=0.4\times0.98^{19}.
]

如果按保留四位小数计算，约等于0.2725。这里要注意不要把指数写成20，因为“恰好一件”发生后，剩下的19次都必须是合格品。题目只问“恰有 k 件”，公式中 ((1-p)) 的指数是 (n-k)，这是最容易被粗心写反的低级错误。

至少有一件不合格品，用补事件更方便：

[
P(X\ge 1)=1-P(X=0)=1-(0.98)^{20}.
]

因为20次抽检全部合格的概率是 (0.98^{20})，所以：

[
P(X\ge1)\approx 1-0.6676=0.3324.
]

如果用“至多有一件不合格品”来出题，就需要把 (P(X=0)) 和 (P(X=1)) 加起来，即 (0.6676+0.2725=0.9401)。这类问题看似在考二项分布，实际上还是在考“独立事件同时发生的乘积公式”：每次抽检合格与不合格互相独立，所以连续多件同时合格才能做乘法。步骤里写上 (X\sim B(20,0.02))，既是为了套公式，也是向阅卷人表明你已经判断出这是一个独立重复试验。

4.3 例题3：联合分布律判断随机变量独立性

设二维离散型随机变量 ((X,Y)) 的联合分布律为：

求 (P(X=0)) 和 (P(Y=0))，并判断 (X) 与 (Y) 是否相互独立。

这是一个典型的“需要把所有格子都验完”的题。先求 (X) 的边缘分布：

[
P(X=0)=0.2+0.1=0.3,\quad P(X=1)=0.3+0.4=0.7.
]

再求 (Y) 的边缘分布：

[
P(Y=0)=0.2+0.3=0.5,\quad P(Y=1)=0.1+0.4=0.5.
]

如果 (X,Y) 相互独立，第一个格子必须满足：

[
P(X=0,Y=0)=P(X=0)P(Y=0).
]

代入得：

[
0.2\stackrel{?}{=}0.3\times0.5=0.15.
]

显然 (0.2\neq0.15)，所以 (X) 与 (Y) 不独立。到这里就能下结论，不需要再看其他格子。可有些题会设计成恰好前几个格子都满足乘积公式，只在某个隐蔽格不满足，这时就必须从第一格、第二格一直验到最后一格，任何一个不满足都说明不独立。

这题还可以顺便练习事件概率。比如求 (P(X+Y\le1))，先列满足条件的取值组合：

[
(0,0):0.2,\quad (0,1):0.1,\quad (1,0):0.3,
]

所以：

[
P(X+Y\le1)=0.2+0.1+0.3=0.6.
]

写联合分布大题时，“列取值、算边缘、逐个验”这个流程不要跳步。哪怕最后结论是“不独立”，前面每一步的计算过程都能得分；如果直接写结论而没有验证过程，在考试中会被扣除大量步骤分。

5. 易错清单与考前自查技巧

5.1 期末失分最常见的问题速查表

把历届卷面错误整理成表，比反复刷十道新题更高效。下面几类是我在教学和阅卷中最常遇到的情况：

每张卷子上的概率题命门基本都在“端点”和“条件判断”上。端点问题需要养成见到不等式就画离散取值集合的习惯；条件判断问题则需要多问自己一句：题目里有没有“独立”这个词？有没有“不放回”？有没有“互斥”？把这句话变成题目审题的“固定动作”，很多下意识错误能拦在落笔之前。

5.2 考前两周，把验算动作练成肌肉记忆

最后一个建议，给了很多届学生都觉得好用：每个解答题写完，立刻用一句话自检。离散型分布律表写完，标上“总计1”；二项分布写完，标出“(n=20,p=0.02,k=1)”等参数；独立事件写完，检查是否用了 (P(A)P(B))；随机变量独立性题写完，保证所有格子都验过一遍。

我监考时经常看到有学生在最后半小时反复涂改大题的区间边界。这不是不会，是做题时没有先写取值集合就直接套公式。如果先写出“满足条件的取值有：……”，再相加，正确率会明显提高。

概率论与数理统计期末复习，最后阶段拼的其实不是创意，而是稳定。分布律和独立事件这部分并不难，难的是把每一步都写扎实。复习时把本文的例题当作自测：先合上答案独立做一遍，再对着速查表找自己的毛病。只要这几类高频题不丢分，期末卷面自然会稳很多。