#概率题解题套路：生日悖论与抽球问题

上周模拟面试，有个学员小陈栽在了一道"简单"的概率题上。

面试官问："50个人的班级，至少两人生日相同的概率是多少？"

小陈张口就来："大概 3%左右吧。"面试官追问："你怎么算的？"他愣了两秒，说："用1减去50个人都不重复的概率..."

面试官点点头："那你算出来是多少？"

他又愣了。

这个问题我见过太多人答错。不是因为概率论没学过，而是因为没有形成一套清晰的解题套路。今天这篇，把概率题的两大核心题型彻底讲透。

#一、生日悖论：算不对就别说懂概率 🔴

#1.1 问题拆解

先说标准问题：

在 n 个人的班级里，至少有两人生日相同的概率是多少？

很多人会凭直觉想：一年365天，50个人，概率应该很小吧？

错。这个问题的答案会颠覆你的认知。

#1.2 ❌ 错误示范

候选人原话："50个人，生日可能是365种，概率大概是 50/365 = 14% 左右..."

问题诊断：

• 把"生日相同"理解成了"某个人和我生日相同"
• 用的是加法思维，不是乘法思维
• 完全没理解"至少两人相同"的逆否命题

面试官内心 OS："这种算式的候选人，一听就是背过结论但没理解推导过程的。"

#1.3 标准回答

核心思路：算"至少两人生日相同"的反面——"所有人的生日都不同"。

graph TD
    A[至少两人生日相同] --> B[对立事件]
    B --> C[所有人的生日都不同]
    C --> D[第1人: 365/365]
    D --> E[第2人: 364/365]
    E --> F[第3人: 363/365]
    F --> G[...]
    G --> H[第50人: 316/365]
    H --> I[乘积 ≈ 0.03]
    I --> J[1 - 0.03 ≈ 0.97]

所以，50个人的班级，生日相同的概率是 1 - P(50个人生日都不同)：

P(都不相同) = 365/365 × 364/365 × 363/365 × ... × 316/365 ≈ 0.03
P(至少相同) = 1 - 0.03 ≈ 0.97

也就是说，50个人的班级，有 97% 的概率存在生日相同的人。

#1.4 追问升级

面试官通常会继续追问：

追问1："如果要保证至少有两个人生日相同，班级至少需要多少人？"

答：这个问题等价于"至少多少人使得 P(至少相同) > 50%"。

计算过程：

• 23人时：1 - (365×364×...×343)/365^23 ≈ 0.507
• 所以 23人 是临界点

追问2："那如果有100个人，至少有两个人生日相同的概率是多少？"

答：100人时，不重复的概率已经非常小了，约为 365!/265! / 365^100 ≈ 3.07×10^-7，所以概率接近 99.99997%。

追问3："这个悖论为什么叫'悖论'？"

答：因为直觉上我们觉得365天，50个人，重复概率应该很小。但实际上23人就超过50%了，这就是直觉和数学结果的矛盾。

【面试官手记】 小陈的失误在于：他知道要用"1减去对立事件"，但没有真正理解如何计算"n个人生日都不相同"的概率。我追问"怎么列式子"时，他开始慌了。真正懂的人，能把这个乘法写出来并解释每一步的含义。 :::

#二、抽球问题：袋子里摸出来的真相 🔴

#2.1 问题拆解

经典抽球问题通常长这样：

袋子里有 n 个白球、m 个黑球，每次摸一个，摸完后不放回。连续摸 k 次，求恰好摸到 x 个白球的概率。

或者升级版：

袋子里有 n 个白球、m 个黑球，每次摸一个，摸完后放回。连续摸 k 次，求恰好摸到 x 个白球的概率。

核心区别：不放回用组合公式，放回用二项分布。

#2.2 ❌ 错误示范

候选人原话："摸 k 次，恰好摸到 x 个白球的概率...这个不好算吧..."

问题诊断：

• 不放回和有放回的处理方式完全不同，他没有区分清楚
• 组合数 C(n,k) 容易和排列数 P(n,k) 混淆
• 不知道什么时候用组合，什么时候用概率相乘

面试官内心 OS："连抽球问题都分不清放不放回，这概率论肯定是半吊子。"

#2.3 标准回答

不放回模型（超几何分布）：

袋中有 N 个球，其中 K 个白球，N-K 个黑球
不放回摸 n 次，恰好摸到 k 个白球的概率：

P(X = k) = C(K, k) × C(N-K, n-k) / C(N, n)

有放回模型（二项分布）：

每次摸到白球概率 p = K/N
连续摸 n 次，恰好摸到 k 个白球：

P(X = k) = C(n, k) × p^k × (1-p)^(n-k)

#2.4 追问升级

追问1：为什么放回可以用二项分布？

答：因为每次摸球独立，概率不变。摸 n 次相当于 n 次伯努利实验。

追问2：袋子里有 5 个白球、5 个黑球，不放回摸 3 次，恰好摸到 2 个白球的概率？

答：

P = C(5,2) × C(5,1) / C(10,3)
  = 10 × 5 / 120
  = 50/120
  ≈ 0.417

追问3：有放回的情况下呢？

答：p = 0.5，每次独立。

P = C(3,2) × 0.5^2 × 0.5^1 = 3 × 0.125 = 0.375

【面试官手记】 有个学员被追问放不放回的区别时，说"其实差不多"。我追问："有放回情况下，第二次摸到白球的概率会和第一次不同吗？"他说会不同——这说明他其实知道不放回会改变概率，但没能把这个知识迁移到公式选择上。 :::

#三、条件概率：Bayes定理的陷阱 🟡

#3.1 问题拆解

条件概率是概率题里的深水区，经典问题：

已知一个家庭有两个孩子，其中一个是男孩，求另一个也是男孩的概率。

直觉答案：1/2（因为另一个要么是男孩要么是女孩）

正确答案：1/3

#3.2 ❌ 错误示范

候选人原话："另一个是男孩还是女孩，和已知的那个没关系，所以是 1/2。"

问题诊断：

• 没有理解"已知一个是男孩"的信息量
• 混淆了"随机选一个孩子是男孩"和"已知其中一个是男孩"
• 没有列举所有可能情况

面试官内心 OS："这道题迷惑性太强了，十个候选人九个会答错。能答对的，说明真的动脑子想过条件概率。" :::

#3.3 标准回答

所有可能情况（假设孩子按出生顺序）：

"已知有一个男孩"排除了第4种，剩下3种情况。

其中"两个都是男孩"只有情况1，所以概率是 1/3。

#3.4 追问升级

追问1：能不能用 Bayes 定理证明？

答：设 A = "至少有一个男孩"，B = "两个都是男孩"。

P(B|A) = P(A|B) × P(B) / P(A)
       = 1 × (1/4) / (3/4)
       = 1/3

追问2：那如果是三孩家庭，已知至少有一个男孩，求三个都是男孩的概率？

答：总情况 2^3 = 8种，至少一男排除掉"全是女孩"1种，剩7种，三男只有1种：

P = 1/7

【面试官手记】 三孩问题的追问很多候选人答错了，但更可怕的是有人开始怀疑自己的推理。我告诉他们：数学不会骗人，把所有情况列出来数一遍，比相信直觉靠谱一百倍。 :::

#四、概率题万能公式

把上面几道题吃透，你已经掌握了概率题的精髓。总结一下：

#五、生产避坑

有人问：这些概率题和写代码有什么关系？

关系大了。

场景1：推荐系统 如果你设计一个推荐算法，需要计算"用户点击某内容的概率"，你会怎么建模？是伯努利实验还是更复杂的模型？

场景2：熔断机制 设计服务熔断时，需要计算"连续 n 次请求失败"的概率，来决定是否触发熔断。这本质上就是二项分布。

场景3：缓存穿透 计算"恶意用户连续访问不存在key"的概率，来设计防穿透策略。

【面试官手记】 能把这三个生产场景说出来的候选人，基本上都能拿到P6+。因为他们不仅会做题，还能把数学和工程结合起来。 :::

#六、工程选型

遇到概率类面试题，记住"三步走"：

第一步：判断是什么模型

• 独立重复？→ 二项分布
• 有限样本不放回？→ 超几何分布
• 有条件约束？→ Bayes定理

第二步：找对立事件

• "至少有一个成功"往往算对立事件更简单

第三步：列出所有可能

• 条件概率题，把样本空间列出来就不会错