每到期末，我都会收到同一类私信：严士健《概率论基础》第二版的“习题与补充1.6”，答案到底怎么写。说句实话，网上流传的那些结果大多是对的，但过程很少讲清楚，有的甚至在关键处直接来一句“显然由独立性可得”。独立性的题恰恰不能“显然”——你越默认它显然，后面学到随机变量时就越吃亏。这篇文章我就把1.6覆盖的典型题完整拆一遍，不仅给出答案，也把每一步背后的判断依据讲明白。文章适合正在做课后题但不确定过程对不对的同学，也适合想把独立性相关结论真正吃透、而不是背答案的读者。
1. 先弄清楚1.6在考什么，再谈答案
严士健《概率论基础》第二版第一章从随机事件开始，经过概率空间、古典概型、条件概率，再到“事件的独立性”收尾。所以“习题与补充1.6”对应的不是一道孤立的题，而是一整块关于独立性的训练。这块训练通常由三类题目组成。
第一类是概念辨析题，专门考“两两独立”和“相互独立”的差异，常见问法是判断命题真假、要求举反例。第二类是证明题，比如已知A与B独立，要证明A与B̄独立；已知三个事件相互独立，要证明某个组合也独立。这类题考察的是集合运算和乘法公式的配合能力。第三类是计算题，常见模型是伯努利试验：求n次试验中事件恰好出现k次的概率、求最可能出现次数、求直到第r次成功所需试验次数等。
如果你手里的版本排版跟我的不完全一样，题号可能有出入，但“习题与补充1.6”覆盖的知识点基本不会跳出上面三类。下面给出的解法，可以直接按题型对照使用。
为什么这节容易让人卡壳？因为独立性本身不是一个“看得见”的性质。事件互斥可以从集合图上直接看出来，但独立是概率关系，必须回到概率乘法公式去判断。很多同学做题靠直觉，而直觉在独立性和条件概率这儿特别不可靠，翻车非常正常。为了让你真正能落地，我在后面先回顾定义，再逐题拆解。你会看到，所有看似复杂的题目最后都只归结为一个动作：把概率关系写成乘法公式，然后化简。
2. 解开1.6的第一把钥匙：独立性的定义方式
2.1 为什么用乘法公式而不是条件概率
两个事件A和B独立的定义是
[ P(A\cap B)=P(A)P(B). ]
有些教材会写成：当(P(B)>0)时，(P(A|B)=P(A))。这两种写法在大多数情况下等价，但做习题时尽量用乘法公式。
原因很简单：条件概率(P(A|B))是以(P(B)>0)为前提的。如果题目没有说明(P(B))大于0，你在证明过程中写(P(A|B))就可能踩到分母为0的坑。乘法公式对任何事件都成立，不需要额外条件。做题时只要看到“独立”两个字，第一步就是把它翻译成(P(A\cap B)=P(A)P(B))，不要犹豫。
从这个定义出发，立刻能推出三个常用结论：若A与B独立，则A与B̄独立；Ā与B独立；Ā与B̄独立。这三个结论在证明题里会反复出现，建议当成乘法口诀记下来。当然，记结论前最好自己推一遍，后面第三小节我就带大家推一次。
2.2 两两独立不等于相互独立
“两两独立”说的是任意两个事件之间都满足乘法公式；“相互独立”要求更强：任意一个子集的交的概率都等于各自概率的乘积。
以三个事件A、B、C为例。相互独立需要同时满足：
[ P(A\cap B)=P(A)P(B),\quad P(A\cap C)=P(A)P(C),\quad P(B\cap C)=P(B)P(C), ]
以及
[ P(A\cap B\cap C)=P(A)P(B)P(C). ]
只满足前三个方程，叫两两独立，不叫相互独立。这一点是1.6习题里最容易拿来出概念题的地方。
2.3 独立和互斥是两码事
互斥的定义是(A\cap B=\varnothing)，两个事件不能同时发生；独立的定义是(P(A\cap B)=P(A)P(B))，一个事件发生与否不改变另一个事件发生的概率。
如果事件A和B既互斥又独立，且(P(A)>0)、(P(B)>0)，就会推出
[ 0=P(A\cap B)=P(A)P(B)>0, ]
矛盾。所以两个正概率事件不可能既互斥又独立。这个“不可能”在选择题和判断题里非常常见。
我辅导时发现，很多同学会把“互斥”和“独立”搞混，本质原因是没区分“集合关系”和“概率关系”。互斥描述的是样本点层面，独立描述的是概率层面。判断互斥看交集，判断独立看乘法公式，千万别混着用。
3. 经典题答案详拆：独立性证明与反例
3.1 题：若A与B独立，证明A与B̄独立
这是概念证明题中最基础的一道，几乎每本教材的习题与补充都会出现。
证明过程如下：
[ \begin{aligned} P(A\cap \overline{B}) &= P(A\setminus (A\cap B))\ &= P(A)-P(A\cap B)\ &= P(A)-P(A)P(B)\ &= P(A)\big(1-P(B)\big)\ &= P(A)P(\overline{B}). \end{aligned} ]
所以A与B̄独立。
这中间用了两个关键事实：一是(A\cap\overline{B}=A\setminus(A\cap B))，且(A\cap B\subseteq A)，所以概率可以相减；二是在第三行代入了独立性条件。其他两个组合，也就是Ā与B、Ā与B̄，证明完全对称。作业里如果要求“同理”，可以把过程补完整，不要只写“同理”两个字就算完，至少把最后一步写出来。
这里提醒一下，证明时不要写“由全概率公式显然”。全概率公式也能做，但你会绕回原问题。最干净的办法就是集合差加减法，直接了当。
3.2 题：构造三个事件，使它们两两独立但不相互独立
这是概念题里的经典题，构造方法不止一种。我推荐一个最容易写清楚的正四面体模型。
设有一个均匀的正四面体，四个面分别记为1、2、3、4。面1涂红色，面2涂蓝色，面3涂黄色，面4涂红蓝黄三种颜色。随机掷一次，观察接触地面的面。定义三个事件：
- (R)：地面含红色；
- (B)：地面含蓝色；
- (Y)：地面含黄色。
容易算出：
[ P(R)=\frac{2}{4}=\frac12,\quad P(B)=\frac12,\quad P(Y)=\frac12. ]
再看交事件。(R\cap B)要求地面同时含红色和蓝色，满足条件的只有面4，所以
[ P(R\cap B)=\frac14.
]
同理(P(R\cap Y)=1/4)，(P(B\cap Y)=1/4)。于是三个事件两两独立。
但是三事件的交呢？(R\cap B\cap Y)要求地面同时含三种颜色，仍然只有面4满足，所以
[ P(R\cap B\cap Y)=\frac14, ]
而
[ P(R)P(B)P(Y)=\frac12\cdot\frac12\cdot\frac12=\frac18. ]
二者不相等。所以R、B、Y两两独立，但不相互独立。
如果你想写一个更日常的例子，可以写抛两枚均匀硬币的版本：A=“第一枚正面”，B=“第二枚正面”，C=“两枚结果相同”。同样能得到两两独立但不相互独立。两个例子本质一样，都是构造一个恰好在三个事件同时发生时概率为1/4的样本空间。
这道题的核心价值在于提醒你：验证三个事件相互独立，必须把前面的四个方程全部验一遍。只验(P(ABC)=P(A)P(B)P(C))也不够，还要验两两独立。缺一个方程都可能被反例钻空子。
3.3 三个事件相互独立，到底要验证几个方程
如果题目直接告诉你“A、B、C相互独立”，你要会用它：任何组合都满足概率乘积公式。反过来，要你判断“是否相互独立”时，理论上要检查的非平凡方程是四个：三个两两方程加一个三交方程。
在实际作业里，很少真的硬算很多项。通常做法是：先检查两两独立，再检查三交集。两个条件都满足，三事件相互独立；有一个不满足，就不相互独立。这类题常以判断题形式出现，掌握了这一条就不会被坑。
4. 伯努利试验与二项分布：1.6计算题的主战场
4.1 题：n重伯努利试验中，最可能的成功次数是多少
设每次试验成功概率为(p)，失败概率为(q=1-p)。n次独立重复试验中成功k次的概率为
[ a_k=P(X=k)=\binom{n}{k}p^k q^{n-k},\quad k=0,1,\dots,n. ]
现在要问k取多少时(a_k)最大。
直接比较相邻两项：
[ \frac{a_k}{a_{k-1}} =\frac{\binom{n}{k}p^k q^{n-k}}{\binom{n}{k-1}p^{k-1}q^{n-k+1}} =\frac{n-k+1}{k}\cdot\frac{p}{q}. ]
于是
[ a_k\ge a_{k-1} \iff \frac{n-k+1}{k}\cdot\frac{p}{q}\ge1 \iff k\le (n+1)p. ]
这说明：当k不超过((n+1)p)时，概率随k增大而增大；一旦k超过((n+1)p)，概率开始下降。所以结论是：
- 若((n+1)p)不是整数，最大值在(k=\lfloor (n+1)p\rfloor)处取得；
- 若((n+1)p=m)是整数，那么(a_m=a_{m-1})，两个相邻值同为最大。
这个结论通常叫二项分布的众数。做这道题时，最容易错的地方是边界条件。比如(n=5,p=0.5)，((n+1)p=3)是整数，最大的是(k=2)和(k=3)两项。别想当然认为众数是np，那其实是“平均成功次数”，和“最可能成功次数”不是一回事。
4.2 题：直到第r次成功才停止，求所需试验次数X的分布
这也是伯努利试验模型下的经典题。独立重复试验，每次成功概率为(p)。问“恰好第r次成功时，一共做了n次试验”的概率。
设随机变量X为试验总次数。若(X=n)，则第n次试验必须成功，前(n-1)次中恰有(r-1)次成功、(n-r)次失败。前(n-1)次中挑出(r-1)次成功的位置，有(\binom{n-1}{r-1})种选法。每种选法对应概率(p^{r}q^{n-r})。因此
[ P(X=n)=\binom{n-1}{r-1}p^r q^{n-r},\quad n=r,r+1,\dots ]
这个分布叫负二项分布，也叫帕斯卡分布。它的一个直观理解是：成功r次的时刻等于r个独立的几何分布随机变量之和。因此如果已经学过期望，可以直接得到
[ E[X]=\frac{r}{p}. ]
没学过期望也没关系，这个结论在后面学到随机变量时会再遇到。
验证它是不是分布列的方法，是看概率和：
[ \sum_{n=r}^{\infty}\binom{n-1}{r-1}p^r q^{n-r} =p^r\sum_{m=0}^{\infty}\binom{r+m-1}{m}q^m=1. ]
最后一步用的是((1-q)^{-r}=\sum_{m=0}^{\infty}\binom{r+m-1}{m}q^m)。这一步我建议在作业里写出来，能向批改者说明你知道它是分布列，而不是默认结论。
4.3 题：有放回和无放回抽取时，两次结果是否独立
袋中有a个白球、b个黑球，依次取两球。A表示第一次取到白球，B表示第二次取到白球。
有放回时：
[ P(A)=\frac{a}{a+b},\quad P(B)=\frac{a}{a+b},\quad P(A\cap B)=\left(\frac{a}{a+b}\right)^2=P(A)P(B), ]
所以独立。
无放回时：
[ P(A)=\frac{a}{a+b}, ]
第二次取到白球的概率仍然是(\frac{a}{a+b})，用对称性可以理解。但
[ P(A\cap B)=\frac{a}{a+b}\cdot\frac{a-1}{a+b-1}. ]
要让这里的乘积等于(P(A)P(B))，需要
[ \frac{a-1}{a+b-1}=\frac{a}{a+b}, ]
化简得(a=0)或(a+b=1)。在没有白球或者袋子中只有一个球这种退化情形下才会成立。一般情形下，无放回抽取不独立，原因是第一次取球改变了袋中的成分比例。
这道题的易错点是很多人认为“只要两次概率相等就独立”。概率相等和事件独立完全不是一回事。独立要求的是条件概率不变，或者乘法公式成立。有放回满足，是因为每次抽取条件没变；无放回不满足，是因为第一次结果确实改变了第二次抽到白球的条件概率。
4.4 题：串联、并联系统的可靠度怎么算
独立性还有一个典型应用是系统可靠性模型。设系统由n个元件组成，第i个元件正常工作的概率为(p_i)，各元件是否正常相互独立。
串联系统：所有元件都正常，系统才正常。因此
[ P(\text{系统正常})=\prod_{i=1}^n p_i. ]
如果各元件可靠度相同，都是p，那结果就是(p^n)。
并联系统：至少一个元件正常，系统就正常。因此
[ P(\text{系统正常})=1-\prod_{i=1}^n(1-p_i). ]
元件相同且可靠度为p时，结果是(1-(1-p)^n)。
考试中常见的变形是混联系统，比如两个串联支路再并联。处理方法是分层等效：先把串联部分算成一个等效元件，再把等效元件按照并联公式组合。先拆结构，再套公式，不会出错。
5. 这三个坑，几乎每个人都会踩
5.1 坑一：把两两独立当成相互独立
这是1.6最经典的坑。判断三个事件是否相互独立时，有人只验(P(ABC)=P(A)P(B)P(C))，有人只验两两独立，都是不完整的。正确顺序是先验三个两两方程，再验三交方程，四个全通过才算数。记住前面正四面体的反例：三个事件可以做到两两独立，但三交概率明显不满足乘积公式。
5.2 坑二：把互斥当成独立
互斥意味着交事件概率为0，独立通常要求交事件概率等于两个概率的乘积。正概率事件如果互斥，那么两者绝对不独立。有的选择题会故意说“两个互斥事件必然独立”，这是错的。反过来，“两个独立事件必然互斥”也是错的。这两句话都是高频干扰项。
5.3 坑三：伯努利试验计数时少乘组合数
n次独立试验中恰有k次成功，概率是
[ \binom{n}{k}p^k(1-p)^{n-k}. ]
很多同学会漏掉组合数，只写(p^k(1-p)^{n-k})。这相当于指定了前k次成功、后n-k次失败，而不是任意k次。题目如果没有规定成功出现在哪几次，就必须把位置的选择数(\binom{n}{k})乘进去。这个坑在计算题里扣分最狠。
顺便再提醒一个隐藏坑：当题目说“第k次才首次成功”时，概率是((1-p)^{k-1}p)，没有组合数，因为成功位置被固定在第k次。到底要不要组合数，取决于成功位置是否已经被题目限定。
6. 答案写完后，用这套方法快速验算
6.1 边界值检验
把p取0或1，看结果是否符合物理直观。比如二项分布概率，当p=1时，(P(X=n)=1)，其他为0；当p=0时，(P(X=0)=1)。如果你的公式代入p=1后得不到这个结果，多半是p和1-p写反了。
6.2 概率和是否为1
只要算出一个分布列，就求和检查。帕斯卡分布的答案是否合理，可以先对r=1退化成几何分布，验证
[ \sum_{n=1}^{\infty}(1-p)^{n-1}p=1. ]
如果求和结果不是1，说明你的组合数或者指数写错了。
6.3 对称性检验
摸球问题中，如果题目把白球和黑球互换，A、B事件的定义也跟着互换，答案应当保持形式一致。比如有放回时独立，无放回时不独立，不会因为白球黑球数量互换而改变结论。如果算出的答案破坏了这种对称性，说明中间某步做错了。
6.4 用全概率公式交叉验证
在条件概率和独立性问题里，全概率公式经常可以作为独立的验算工具。比如在无放回摸球问题中，算第二次取到白球的概率：按第一次是否取到白球展开，应该仍然得到(a/(a+b))。如果用这条结果验证，通常能发现计算中的遗漏。
7. 关于“习题与补充”答案，最后说几句
每次有人拿着答案来问“为什么这里可以直接乘”，我都建议他把这道题的“独立性来源”写清楚：是题目明说的，是试验设计保证的，还是由已知独立推出来的。这三类来源对应的写法完全不同。写清楚来源，整个证明才严谨，这也是严士健这本教材比较强调的地方。
1.6学完之后，独立性这个工具会被带到第二章随机变量和第三章数字特征。独立随机变量的联合分布、方差可加性，本质上都还是在用“乘积公式”这个老框架。你现在把证明题里的推导练熟了，后面学起来会轻松很多。我做课后题这么多年，最大的体会是：答案只是一个静止的点，推导才是一条能延伸的路。
