高中数学必修三概率练习题全解析：从古典概型到Python自动化生成

简介：高中数学必修三概率章节的配套练习资料，面向高一学生课后巩固、高三考前回顾以及教师备课选题。内容紧扣教材中的概率基本性质、对立与互斥事件、独立事件与条件概率、组合计数、二项分布、超几何分布和伯努利试验等核心知识点，并以选择题、填空题、解答题等形式覆盖常见考查角度，有助于提升对易混淆概念的辨析能力和公式应用熟练度。资源包共包含1个doc文档，整体大小524KB，结构清晰、可直接打印使用。目前已有96人学习。文档中还特别针对组合概率、概率乘法规则、至少与恰好类型题目给出典型例题，适合读者通过专项训练建立完整解题思路，掌握从古典概型到独立重复试验的常见模型与计算技巧。例如通过分析5张卡片相邻字母抽取、掷骰子点数和、产品抽查不放回等实际场景，帮助读者将抽象概率公式转化为可操作的解题步骤。

1. 这份 doc 不是拿来背的，是拿来算的

很多学生翻开“高中数学必修三_概率练习题.doc”的第一反应是读题，像读语文阅读理解一样把事件描述反复看几遍，然后凭感觉写下“大概率是二分之一”。概率和排列组合的最大区别就在这：排列组合错了还能看出漏了哪种情况，概率错了往往连自己怎么错的都说不清。我平时处理这类题，第一步永远是让学生把“频率”和“概率”这两个词分开——频率是实验做出来的统计结果，概率是理论上该事件发生的可能性。练习题里大量题目其实是在绕着这两个概念的边界打转，比如“抛 100 次硬币正面朝上 52 次，问正面朝上的概率是多少”，答案不是 0.52，而是 0.5，因为频率稳定在概率附近，但不等于概率。这篇文章不打算堆题，而是把必修三概率练习题的题型、解法步骤和自动化生成思路拆开，让你拿到任何一份类似的 doc 都能快速分清每道题在考什么、怎么做、怎么验算。

2. 必修三概率练题的三大基本盘：古典概型、几何概型、互斥和对立事件

2.1 先建立样本空间：概率练习题的第一件事永远是“列出所有可能”

必修三的概率题不管包装成什么场景——摸球、掷骰子、射击、抽卡片——本质上都在做同一件事：先明确试验的所有可能结果，再数出目标事件包含的结果数，最后做除法。这个“所有可能结果”的集合就是样本空间。

以“掷两枚质地均匀的骰子，求点数之和为 7 的概率”为例。很多学生直接写“和为 7 的情况有（1,6）（2,5）（3,4）（4,3）（5,2）（6,1），共 6 种，总情况 36 种，所以概率是 6/36=1/6”。这个答案是对的，但中间有个关键步骤被跳过了：为什么总数是 36？因为第一枚骰子有 6 种结果，第二枚也有 6 种结果，按分步乘法计数原理，总数为 6×6=36。这里默认了“两枚骰子是不同的”，如果题目改成“同时抛两枚相同骰子”，样本空间就变成了 21 种（不计顺序），和为 7 的情况只有 3 种，概率变成了 3/21=1/7——答案完全变了。

练习题里最容易挖坑的地方就在这：题目用词是“先后抛”还是“同时抛”，直接决定了样本空间的计数方式。我做这类题时会在草稿纸上先把样本空间用列举法写出来，哪怕题目的数字很大，也至少写出前几项来找规律，而不是直接套公式。对于数字小的情况，直接用树状图展开：

第一枚：1 2 3 4 5 6 /|\ /|\ /|\ /|\ /|\ /|\ 第二枚：1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

这个树状图画完，所有可能结果一目了然，再数目标事件时就不容易漏。尤其当题目出现“至少”“至多”“不超过”这类限定词时，直接数目标事件经常数错，先数对立事件反而更省事。

2.2 古典概型的计数手段：列举、排列组合与“等可能”的前提

古典概型的定义要求每个基本事件发生的可能性相等，这个“等可能”三个字看起来废话，其实是整道题成立的前提。比如“从 1 到 10 中随机取一个整数，求取到偶数的概率”，显然每个整数被取到的可能性相同，属于古典概型，答案 1/2。但如果你把“随机取一个整数”理解成“从所有整数中取”，那就不是古典概型了——因为整数集是无限的，根本没法定义“等可能”。必修三的考试不太会出这种理论辨析题，但会在解答题的第一步要求你写出“每个基本事件发生的可能性相等，所以是古典概型”这句话，不写就可能扣分。

遇到计数量大一点的题目，列举法就不够用了。比如“从 5 个男生和 4 个女生中任选 3 人，求至少 1 人是女生的概率”。直接算“至少 1 名女生”要分三种情况：1 女 2 男、2 女 1 男、3 女，比较繁琐。我一般先用对立事件：至少 1 名女生的反面是“全是男生”，而“全是男生”就是从 5 个男生里选 3 个，有 C(5,3)=10 种；总数是从 9 个人里选 3 个，有 C(9,3)=84 种。所以概率 = 1 - 10/84 = 37/42。这比枚举快得多，而且不容易漏情况。

这里有个使用上的边界：排列组合公式可以算古典概型，但算出来的结果只有当“每种组合方式被选到的可能性相同”时才正确。比如“把 5 本不同的书分给 3 个人，每人至少 1 本”有多种分法，每种分法的概率不是天然相同的，你要是把它们当成古典概型来做，结果必然错。所以在练习题里看到“任取”“随机抽取”“等可能”这些词，才能放心用古典概型公式；看到“任意分配”“自由选择”这类词，要警惕不是等可能。

2.2.1 几何概型：测度不是只有长度

几何概型在必修三里占的比例不如古典概型，但几乎每次考试都会有一道小题。它的核心是：样本空间不再是离散的有限个点，而是变成了一段长度、一块面积或一个体积。典型例子是“在长度为 1 的线段上随机取一点，求该点到两端点的距离都大于 0.25 的概率”。样本空间总长度为 1，满足条件的点在中间 0.5 的长度上，所以概率是 0.5/1=0.5。这类题难在识别“用长度还是用面积”：

• 涉及时间、路程、线段上取点 → 用长度
• 涉及两个独立变量（如两人到达的时间、往矩形区域里投点）→ 用面积

“两人到达的时间”是最常见的二维几何概型。比如甲乙两人约定在 8:00 到 9:00 之间在某地见面，先到者等 20 分钟，求两人能见面的概率。这时横轴是甲到达时间，纵轴是乙到达时间，样本空间是 60×60 的正方形，能见面当且仅当 |x - y| ≤ 20，对应正方形中间的一个带状区域。面积算出来是 60² - 40² = 2000，总面积为 3600，概率 = 5/9。很多学生做错是因为只考虑了甲等乙的情况，忘了乙也可能等甲，绝对值不等式正好把两种情况都包含了。

学生做几何概型最常见的错误是单位不统一。题目给“8:00 到 9:00”你用了小时，给“20 分钟”又用了分钟，算出来的比值直接出错。一定要先把所有量统一成同一个单位再计算。另外，几何概型的概率计算公式是 P(A) = 构成事件 A 的区域长度（面积或体积）/ 试验的全部结果所构成的区域长度（面积或体积），分母是“试验的全部结果”，不是“整个平面”或“整个正方形”以外的东西，画图前先确定边界在哪儿。

2.3 互斥事件与对立事件：概率加法公式的适用条件

互斥事件是指两个事件不能同时发生，对立事件是指两个事件既互斥又必有一个发生。这两个概念的区分是必修三概率题里最容易丢分的点，因为题目经常绕：把“事件 A 不发生”说成“事件 B”，然后问 P(A) 和 P(B) 的关系。

公式层面很简单：如果 A、B 互斥，P(A∪B) = P(A) + P(B)；如果 B 是 A 的对立事件，P(A) + P(B) = 1。但题目里出的不是公式本身，而是判断“互斥”和“对立”的关系。比如从一副扑克牌中随机抽一张，事件 A 是“抽到红桃”，事件 B 是“抽到 A”。这两个事件互斥吗？不互斥，因为抽到红桃 A 时两个事件同时发生了。如果题目问“A 与 B 是对立事件吗”，答案更是否定——抽到梅花 3 时两个事件都没发生。

这里我一般会给学生一个判定流程：先判断能否同时发生，能则一定不是互斥；不能同时发生，再判断是否“必有且只有一个发生”，如果是则是对立，否则只是互斥。常见的出题陷阱是拿“抽到红桃”和“抽到黑桃”这种明显互斥的事件问“是不是对立事件”——显然不对，因为还有方块和梅花。做这类选择题时，不要凭感觉选，要举一个反例出来验证。

3. 把一道概率解答题做成标准流程：读题、写样本空间、列公式、算数

3.1 读题三步：先找“随机试验”，再找“事件”，最后找“概率类型”

一道标准的必修三概率解答题通常包含三到四问，从简单到复杂。我拿到题后的第一件事不是算，而是用笔在题干上划出三个东西：试验是什么、事件是什么、要求的是什么概率。

以一道典型题为例：“一个盒子中有 6 个球，其中 4 个白球、2 个红球。从中有放回地抽取 2 次，每次取 1 个球，求取到的 2 个球都是白球的概率。”这里试验是“有放回地抽取 2 次”，事件是“两次都取到白球”，因为是有放回，所以每次抽取结果互不影响，总样本空间是 6×6=36，第一次取到白球有 4 种可能，第二次也有 4 种，所以概率 = (4/6)×(4/6)=4/9。

如果题目把“有放回”改成“无放回”，同样的事件概率就变成了 (4/6)×(3/5)=2/5。同一道题，一个词之差答案就从 4/9 变成了 2/5。所以读题的第一个动作就是确认“有放回还是无放回”，这部分我建议在草稿纸上写成公式时把“有放回”和“无放回”两种都算一遍，再根据题意选一个，这样就算结果选错了，检查时也能快速定位。

3.2 解答题的标准书写格式与步骤分

必修三的概率解答题写起来有固定的结构，阅卷通常是按步骤给分，即使最后答案错了，前面写对的步骤也能拿分。我建议步骤按照下面的顺序来写：

1. 设事件 A：用字母表示目标事件，并写出 A 的含义，例如“设 A 为‘抽取的 2 个球都是白球’”
2. 写出试验的所有可能结果数 n
3. 写出事件 A 包含的结果数 m
4. 说明基本事件等可能，因此是古典概型
5. 写出 P(A) = m/n 并计算

对应上面的例题，标准答案是：

设 A 为“两次都取到白球”。 有放回抽取 2 次，每次有 6 种可能，所以基本事件总数 n = 6 × 6 = 36。 事件 A 包含的基本事件数 m = 4 × 4 = 16。 因为每次抽取是等可能的，所以是古典概型。 P(A) = m/n = 16/36 = 4/9。

很多学生会省略第 2 步直接写 P(A)=16/36，看答案没问题，但碰上需要分类讨论的题目就乱了。多写一行“基本事件总数 = …”，不只是为了格式，更重要的是强迫自己确认计数方式有没有错。

3.3 学生最容易栽的三个坑：重复计数、漏情况、混淆互斥与独立

重复计数是概率解答题里最隐蔽的错误。比如“从 5 个人中选 2 人参加活动，甲和乙同时被选中的概率”，有些学生算组合数时先选甲再选乙和先选乙再选甲算成了两种，导致分子多了一倍。正确做法是明确“选 2 人”是无序的，用组合数 C(5,2)=10，甲和乙同时被选中只有 1 种，概率是 1/10。如果是“从 5 个人中先后选 2 人分别担任不同职务”，这时顺序有意义，总数是 A(5,2)=20，甲和乙同时被选中的情况有 2 种（甲先乙后或乙先甲后），概率是 2/20=1/10。巧合的是两种情况的概率一样，但中间的计数逻辑完全不同——考试时如果只写答案不写过程，碰巧蒙对也拿不到分。

漏情况主要出现在“至少”“至多”类题目里。比如“投掷 3 次硬币，求正面朝上次数至少为 2 的概率”。直接算至少 2 次要分“2 次正面 1 次反面”和“3 次正面”两类。第二类“3 次正面”只有 1 种情况，第一类要从 3 次里选出哪 2 次正面，有 C(3,2)=3 种，总情况 = 1+3=4。总样本空间是 2³=8，概率 = 4/8=1/2。这里如果忘记“3 次正面”这一小类，结果就变成 3/8，错得毫无察觉。我推荐的验证方式是：至少 2 次的对立面是至多 1 次正面，也就是 0 次正面或 1 次正面。0 次正面即 3 次全反面，1 种；1 次正面从 3 次里选 1 次，3 种，共 4 种，所以概率 = 1 - 4/8 = 1/2。两种算法结果一样，说明没有漏。

“互斥事件”和“相互独立事件”的混淆几乎年年都有。互斥说的是两个事件不能同时发生，独立说的是一个事件发生不影响另一个事件发生的概率。这两套概念在中文表述上很接近，但数学含义完全不同。例如“掷一枚骰子，A 为‘点数小于 3’，B 为‘点数为奇数’”。A 和 B 能同时发生吗？能，点数为 1 时同时发生，所以 A、B 不是互斥事件。A 发生会影响 B 的概率吗？不影响，P(B)=1/2 是固定的，A 发生后 B 的条件概率还是 1/2，所以它们相互独立。这个例子我会让学生反复做，因为它同时考察了两个概念的定义。

4. 用 Word + Python 把概率练习题 doc 变成可复用题库

4.1 Word 排版：样式、公式和自动编号的设置

网上下载的“高中数学必修三_概率练习题.doc”大多排版混乱——公式是图片、编号靠手打、每道题的间距不一致。要做成能反复使用的题库，第一步就是把这些统一掉。我通常的做法是分三步：

第一步，把文档里的公式全部转换成 Word 自带的公式编辑器格式。在 Word 中按快捷键 Alt+= 插入公式，比截图清晰得多，后续修改数据时不用重新截图。第二步，把选择题、填空题、解答题分别挂在三个一级标题下，二级标题用“第 1 题”“第 2 题”命名，在“开始—多级列表”里定义为自动编号。这样以后在中间插入一道新题，后续编号会自动顺延，不用手动改。第三步，设置“正文”样式的字体为宋体小四，段前段后 6 磅，公式单独居中。

对于 .doc 格式的老文件，Word 打开后先执行一次“另存为 .docx”，否则样式和公式编辑器可能不兼容。我遇到过 .doc 里的公式对象在 .docx 下显示乱码的情况，另存后基本都能恢复正常。

4.2 Python 脚本批量生成概率题：模板化 + 随机参数

手工改 Word 里每道题的数字太慢，我一般直接用 Python 生成题目文本，再写进 Word 文档。核心思路是把一道题变成一个模板，把可变的数字抽成参数，每次运行脚本从参数范围内随机取值生成新题目。

下面是一段生成古典概型解答题的脚本，运行后会生成 10 道不重复的抽球题：

import random def gen_question(): # 总球数、白球数、抽取次数各自独立变化，保证题目不重复 total = random.randint(6, 12) white = random.randint(1, total - 1) red = total - white draws = random.randint(2, 3) # 有放回与无放回两种模式交替出现 replace = random.choice([True, False]) if replace: p = (white / total) ** draws mode = "有放回" else: # 无放回时，每次取到白球的概率逐次递减 p = 1 for i in range(draws): p *= (white - i) / (total - i) mode = "无放回" # 标准差用于评估题目难度稳定性 std = (p * (1 - p)) ** 0.5 return { "total": total, "white": white, "red": red, "draws": draws, "replace": mode, "prob": round(p, 4), "std": round(std, 4) } questions = [gen_question() for _ in range(10)] for idx, q in enumerate(questions, 1): print(f"第{idx}题：盒子中有{q['total']}个球，其中白球{q['white']}个、红球{q['red']}个。") print(f"从中有{q['replace']}地抽取{q['draws']}次，每次取1个球，求取到的球都是白球的概率。") print(f"答案：{q['prob']}，标准差：{q['std']}\n")

这段代码的核心在概率计算分支：replace=True时，每次抽取都是独立事件，直接做幂运算；replace=False时，每次取球会减少白球总数，所以要在一个循环里逐次累乘。很多学生做无放回题目时直接套有放回的公式，就是因为没有理解这个逐次递减的过程。std是概率的标准差，用来衡量这道题的区分度——标准差越大，说明答案在 0 到 1 之间分布得越均匀，试卷整体难度分布越合理。如果生成的所有题目概率都集中在 0.1 以下或 0.9 以上，说明参数范围设得太偏了。

4.3 把 Python 输出写入 Word：python-docx 的完整流程

光在控制台打印题目还不够，最终目标是生成 .doc 文件。我使用 python-docx 库把上面的题目写入 Word，顺便计算结果和评分标准。

from docx import Document doc = Document() doc.add_heading('概率练习题（自动生成版）', level=1) for idx, q in enumerate(questions, 1): doc.add_heading(f'第{idx}题', level=2) doc.add_paragraph( f"盒子中有{q['total']}个球，其中白球{q['white']}个、红球{q['red']}个。" f"从中有{q['replace']}地抽取{q['draws']}次，每次取1个球。" ) doc.add_paragraph("求取到的球都是白球的概率。") doc.add_paragraph(f"参考解答：P = {q['prob']}") # 两个题目之间空一行，方便打印后裁剪 doc.add_paragraph("") doc.save('概率练习题.docx') print("已生成 概率练习题.docx")

运行时先确认安装了python-docx，安装命令是pip install python-docx。doc.add_heading会生成带样式的标题，doc.add_paragraph生成正文段落。这个脚本生成的是 .docx 格式，如果必须交付 .doc（老版本 Word），用 Word 打开后另存为 .doc 即可。

对于大题库场景，可以把题目数据存成 CSV，一行一题，再用上面的脚本批量导入 Word。这样维护题目只改 CSV，不用碰代码，出卷时按知识点筛选行，导出成新文档就行。

4.4 参数调节：控制题量和难度分布

练习题的难度取决于三个参数：事件个数（抽几次）、概率范围（高概率事件还是低概率事件）、是否需要分类讨论。上面的脚本已经暴露了一个问题：所有题目都是“都是白球”这一种事件类型，实际考试很少这么单一。优化方式是在模板里增加多种事件模式，比如“至少一个白球”“第二次才是白球”“一红一白”，每种模式对应不同的计算逻辑。

modes = { "all_white": lambda w, t, k, r: (w / t) ** k if r else ..., "at_least_one_white": lambda w, t, k, r: 1 - ((t - w) / t) ** k if r else ..., "one_red_one_white": lambda w, t, k, r: ..., }

参数调节没有统一标准，我的经验值是：一次练习卷的概率分布均匀在 0.2 到 0.8 之间，低于 0.1 或高于 0.9 的题目各不超过 2 道，这样学生不会因为连续遇到极端概率而丧失计算节奏。试卷里同一知识点最多出现两题，否则学生做到第三题时就会形成机械套用公式的习惯，反而不利于理解。

5. 用蒙特卡洛模拟验证概率题的答案，比你手算更靠谱

拿到一份现成的概率练习题 doc，最麻烦的是校对这些题的答案是否准确——尤其是那些从旧试卷复制过来的文档，经常会因为改了几个数字而忘记改答案。这时候我习惯写一段蒙特卡洛模拟脚本，用大量随机试验的频率去逼近概率，跟文档里的答案对比。

以第 3 章的抽球题为例，模拟“无放回抽 2 次都是白球”的概率：

import random def simulate(total, white, draws, trials=100000): """模拟无放回抽球，返回白球命中率""" success = 0 for _ in range(trials): # 生成初始球池：1代表白球，0代表红球 pool = [1] * white + [0] * (total - white) # 无放回抽取draws次，每次从池中随机移除一个球 picked = random.sample(pool, draws) if sum(picked) == draws: # 全部是白球 success += 1 return success / trials # 参数：10个球，4个白球，抽2次 result = simulate(10, 4, 2) print(f"模拟结果：{result:.4f}") print(f"理论值：{(4/10)*(3/9):.4f}")

随机模拟的意义不只在验证答案。当一道几何概型题的积分面积算不出来时，可以用随机撒点来逼近面积比；当一道“至少”类题目的分类搞不清楚时，用穷举验证分类方式是否正确。模拟 10 万次得到的频率与理论概率的误差一般在 0.01 以内，足够判断答案对不对——如果模拟结果跟文档答案差了 0.1 以上，基本可以断定文档答案或者你自己的手算是错的。

用模拟验证时要注意一点：随机数的种子会影响结果，如果验证结果恰好接近但略偏，不要立刻下结论。我一般会跑三次，取三次模拟的平均值做最终判断。还可以把模拟代码里的random.seed(42)固定下来，这样别人复现你的验证结果时能得到完全一致的数值，算是给这道概率题的答案留了一个可追溯的数值证据。

本文还有配套的精品资源，点击获取