概率统计D 01.06 伯努利概型

§1.6伯努利概型 \color{blue}{\S 1.6伯努利概型}

如果一个试验E只有两个结果A与A ¯ ,把这个试验重复独立地进行n次,所构成的联合试验称为n重伯努利概型,记为E n . 如果一个试验E只有两个结果A与\bar A,把这个试验重复独立地进行n次,\\ 所构成的联合试验称为n重伯努利概型,记为E^n.

若,P(A)=p,P(A ¯ )=1−p(0<p<1),则n重伯努利概型中,事件A发生k次概率P n (k)为P n (k)=(nk)P k (1−p) n−k ,k=0,1,2,⋯,n.事实上,事件A在指定的k次发生,其余n−k次不发生的概率为p k (1−p) n−k ,而在n次重复独立试验中,恰有k次发生A的个数为(nk)个,所以P n (k)=(nk)p k (1−p) n−k ,k=0,1,2,⋯,n.这个公式称为二项概率公式. 若,P(A) = p, P(\bar A) = 1 - p(0

在n重伯努利概型中,事件A至少发生一次的概率为:P n (≥1)=1−P n (0)=1−(1−p) n . 在n重伯努利概型中, 事件A至少发生一次的概率为:\\ P_n(\geq 1) = 1 - P_n(0) = 1 - (1 - p)^n.

例1.某人向一目标独立射击100次,每次命中概率为0.1,求恰好击中两次和至少击中一次的概率. 例1.某人向一目标独立射击100次,每次命中概率为0.1,\\ 求恰好击中两次和至少击中一次的概率.
解:这是一个100重伯努利概型,p=0.1,设B 1 表示事件恰好击中两次,B 2 表示事件至少击中一次,则P(B 1 )=P 100 (2)=(1002)0.1 2 (1−0.1) (100−2) =0.0016,P 100 (≥1)=1−P 100 (0)=1−(1−0.1) 100 =0.99997 解:这是一个100重伯努利概型,p = 0.1,设B_1表示事件恰好击中两次,\\ B_2表示事件至少击中一次,则\\ P(B_1) = P_{100}(2) = \dbinom{100}{2}0.1^2(1-0.1)^{(100-2)} = 0.0016, \\ P_{100}(\geq 1) = 1 - P_{100}(0) = 1 - (1 - 0.1)^{100} = 0.99997
从上例中可以看出,每次射击命中的概率很小,只有0.1,但重复进行下去,几乎肯定能够击中目标. 从上例中可以看出,每次射击命中的概率很小,只有0.1,\\ 但重复进行下去,几乎肯定能够击中目标.

例2.某车间有10台机床相互独立地运行,设每台机床出故障的概率为0.2,求在同一时刻有3台到5台机器出故障的概率. 例2.某车间有10台机床相互独立地运行,设每台机床出故障的概率为0.2,\\ 求在同一时刻有3台到5台机器出故障的概率.
解:这是10重伯努利概型,p=0.2,设A i 表示恰有i台机床出现故障,i=3,4,5.则所求概率为,p=P(A 3 +A 4 +A 5 )=P 10 (3)+P 10 (4)+P 10 (5)=(103)0.2 3 (1−0.2) (10−3) +(104)0.2 4 (1−0.2) (10−4) +(105)0.2 5 (1−0.2) (10−5) =0.315 解:这是10重伯努利概型,p = 0.2,设A_i表示恰有i台机床出现故障,\\ i = 3,4, 5. 则所求概率为,\\ p = P(A_3 + A_4 + A_5) \\ = P_{10}(3) + P_{10}(4) + P_{10}(5) \\ = \dbinom{10}{3}0.2^3(1-0.2)^{(10 - 3)} \\ + \dbinom{10}{4}0.2^4(1-0.2)^{(10 - 4)} \\ + \dbinom{10}{5}0.2^5(1-0.2)^{(10 - 5)} \\ = 0.315

例3.在100件产品中有10件次品,现随机抽取5次,每次取1件,取后放回.求取出2件次品和至少取到一件次品的概率. 例3.在100件产品中有10件次品,现随机抽取5次,每次取1件,\\ 取后放回.求取出2件次品和至少取到一件次品的概率.
解:每次抽取有两种可能结果,即取次品(记为A)或取正品(记为A ¯ ),P(A)=10100 =0.1.因每次取后放回,5次抽取是独立进行的,所以可看成是5重伯努利概型,p=0.1.据二项概率公式,取出2件次品的概率为:P 5 (2)=(52)0.1 2 (1−0.1) 3 =0.0729至少取到一件次品的概率为:P 5 (≥1)=1−P 5 (0)=1−0.9 5 =0.41 解:每次抽取有两种可能结果,即取次品(记为A)或取正品(记为\bar A),\\ P(A)= \dfrac{10}{100} = 0.1.因每次取后放回,5次抽取是独立进行的,\\ 所以可看成是5重伯努利概型, p = 0.1.据二项概率公式,\\ 取出2件次品的概率为: \\ P_5(2) = \dbinom{5}{2} 0.1^2(1 - 0.1)^3 = 0.0729 \\ 至少取到一件次品的概率为:\\ P_5( \geq 1) = 1 - P_5(0) = 1 - 0.9^5 = 0.41

例4.已知每枚地对空导弹击中敌机的概率为0.96,问需要发射几枚导弹,才能保证击中敌机的概率大于0.999? 例4.已知每枚地对空导弹击中敌机的概率为0.96,\\ 问需要发射几枚导弹,才能保证击中敌机的概率大于0.999?
解:设需要发射n枚导弹,p=0.96,由题意,P n (≥1)>0.999,而P n (≥1)=1−P n (0)=1−(1−0.96) n ,于是1−(1−0.96) n >0.999,即有0.04 n <0.001,解得n>log 0.04 0.001=ln0.001ln0.04 =2.15.所以应取n=3,即需要发射3枚导弹. 解:设需要发射n枚导弹, p = 0.96,由题意, \\ P_n(\geq 1) > 0.999, \\ 而P_n(\geq 1) = 1 - P_n(0) = 1 - (1 - 0.96)^n, 于是 \\ 1 - (1 - 0.96)^n > 0.999, \\ 即有 0.04^n \log _{0.04} 0.001 = \dfrac{ \ln 0.001}{\ln 0.04} = 2.15. \\ 所以应取n = 3,即需要发射3枚导弹.

概率统计D 01.06 伯努利概型相关推荐

【概率论基础进阶】随机事件和概率-古典概型与伯努利概型
文章目录一.古典概型二.几何概型三.伯努利概型一.古典概型定义:当试验结果为有限nnn个样本点,且每个样本点的发生具有相等的可能性,如果事件AAA由nAn_{A}nA个样本点组成,则事件A ...
排列组合、古典概型、几何概型与伯努利概型
排列组合 (1)排列组合公式从mmm个人中挑出nnn个人进行排列的可能数:Pmn=m!(m−n)!P_m^n = \frac{m!}{(m-n)!}Pmn=(m−n)!m!从mmm个人中挑出nn ...
概率论：古典概型与伯努利概型
古典概型不要在意伯努利就是二项分布伯努利其实就是建模型出的题什么模型都没告诉你的叫你自己建立模型一般情况都是伯努利正态分布模型,指数分布模型题上都会直接告诉你的比如某随机变量服从正态分布什么话 ...
古典概型几何概型伯努利概型条件概率
概率论知识回顾（四）：事件独立性、贝努利概型
概率论知识回顾(四) 重点:事件独立性.贝努利概型知识回顾用于巩固知识和查漏补缺.知识回顾步骤: 查看知识回顾中的问题,尝试自己解答自己解答不出来的可以查看下面的知识解答巩固知识. 对知识解答有疑 ...
概率统计·概率论的基本概念【古典概型、几何概型】
注意划线部分的这种表示方式古典概型(等可能概型) 乘法原理基本模型箱中摸球分组分配(分球入箱) 先给特殊元素分配 # -- 事件个数以上题的思路如下: 例题抽签模型因为不知道前面人的结果 ...
伯努利大数定理（揭示了频率和概率的关系）
在概率的公理化体系中, 定义了概率, 而且, 在这个定义中, 概率和可能行(频率)没有任何毛关系.那概率怎么就经常和生活中的可能性(频率)就扯上了关系呢? 概率的公理化定义可没揭示这个原理. 揭示概率 ...
5 机器学习朴素贝叶斯算法高斯模型多项式模型伯努利模型拉普拉普平滑系数 TfidfVectorizer
机器学习 1 朴素贝叶斯算法 1.1 朴素贝叶斯算法介绍朴素贝叶斯算法是一种衡量标签和特征之间概率关系的监督学习算法,是一种专注于分类的算法."朴素"二字表示这个算法基于一个朴素 ...
三种常用的朴素贝叶斯实现算法——高斯朴素贝叶斯、伯努利朴素贝叶斯、多项式朴素贝叶斯
朴素贝叶斯在机器学习中,朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类器. 朴素贝叶斯算法Naive Bayes定义中有两个关键定义:特征之间强假设独立和贝 ...

概率统计D 01.06 伯努利概型

§1.6伯努利概型 \color{blue}{\S 1.6伯努利概型}

概率统计D 01.06 伯努利概型相关推荐

最新文章

热门文章