5. 等可能概型(古典概型)
文章目录
- 等可能概型(古典概型)
等可能概型(古典概型)
定义:若实验满足:
- 样本空间 S 种样本点有限(有限性)
- 出现每一个样本点的概率相等(等可能性)
称这种试验为等可能概型(或古典概型)
P(A)=A所包含的样本点数S中的样本点数P(A) = \frac{A所包含的样本点数}{S中的样本点数} P(A)=S中的样本点数A所包含的样本点数
例 1: 一袋中有5个球,其中3个为白球,2个为蓝球,设取到每一球的可能性相等.
(1)从袋中随机取一球,记A={ 取到白球 },求P(A).
(2)从袋中不放回取两球,记B={两个都是白球},求
P(B).
先说明下抽样方法:
不放回抽样: 第 1 次取出一个球,记录其颜色,不再放回,第 2 次从剩余的球中取出一球;
放回抽样: 第 1 次取出一个球,记录其颜色,放回,第 2 次依然从全部的球中取出一球.
解: 将球编号,白球为 1,2,3,蓝球为 4,5.
(1) S={1,2,3,4,5},A={1,2,3}⟹P(A)=35S = \{1,2,3,4,5\}, A = \{1,2,3\}\implies P(A) = \frac{3}{5}S={1,2,3,4,5},A={1,2,3}⟹P(A)=53
(2) S={(1,2),(1,3),...(5,3),(5,4)},S = \{(1,2),(1,3),...(5,3),(5,4)\},S={(1,2),(1,3),...(5,3),(5,4)},
B={(1,2),(1,3),(2,1),(2,3),(3,1),(3,2)}.B=\{(1,2),(1,3),(2,1),(2,3),(3,1),(3,2)\}.B={(1,2),(1,3),(2,1),(2,3),(3,1),(3,2)}.
SSS 所包含的样本点数是 5x4
AAA 所包含的样本点数是 3x2
P(B)=3×25×4=C32C52=0.3P(B) = \frac{3\times 2}{5\times 4} = \frac{C_{3}^{2}}{C_{5}^{2}} = 0.3P(B)=5×43×2=C52C32=0.3
一般地,如果有 NNN 个球,其中 aaa 个白球, b=N−ab = N - ab=N−a 个蓝球采用不放回抽样取n个球(n≤Nn\leq Nn≤N),记Ak={恰好取到k个白球}(k≤a)A_k=\{恰好取到k个白球\} (k\leq a)Ak={恰好取到k个白球}(k≤a),则
P(Ak)=CakCbn−kCNn,其中CNn=(Nn)=N!n!(N−n)!P(A_k) = \frac{C_{a}^{k}C_{b}^{n-k}}{C_{N}^{n}},其中 C_{N}^{n} = \tbinom{N}{n} = \frac{N!}{n!(N-n)!} P(Ak)=CNnCakCbn−k,其中CNn=(nN)=n!(N−n)!N!
P(A0)=Ca0CbnCNn,P(A1)=Ca1Cbn−1CNn,P(A2)=Ca2Cbn−2CNnP(A_0) = \frac{C_{a}^{0}C_{b}^{n}}{C_N^{n}},P(A_1) = \frac{C_{a}^{1}C_{b}^{n-1}}{C_N^{n}},P(A_2) = \frac{C_{a}^{2}C_{b}^{n-2}}{C_N^{n}} P(A0)=CNnCa0Cbn,P(A1)=CNnCa1Cbn−1,P(A2)=CNnCa2Cbn−2
P(至少取到2个白球)=1−P(A0)−P(A1)P(至少取到 2 个白球) = 1 - P(A_0) - P(A_1)P(至少取到2个白球)=1−P(A0)−P(A1)
P(至多取到2个白球)=P(A0)+P(A1)+P(A2)P(至多取到 2 个白球) = P(A_0) + P(A_1) + P(A_2)P(至多取到2个白球)=P(A0)+P(A1)+P(A2)
例 2: 足球场内23个人(双方队员 11 人加 1 名主裁),至少有两人生日相同的概率为多大?
解: 假设每个人的生日在一年 365 天是等可能的。所以 23 人的生日共有 36523365^{23}36523 种可能结果。
先考虑事件 A: “任何两人生日不同”,
要使 A 发生,共有 365×364×...×(365−22)365\times364\times...\times(365-22)365×364×...×(365−22) 种可能。
因此,P(A)=365×364×...×(365−22)36523≈0.493P(A) = \frac{365\times364\times...\times(365-22)}{365^{23}} \approx 0.493P(A)=36523365×364×...×(365−22)≈0.493
P(A‾)=1−P(A)=0.507>0.5P(\overline{A}) = 1 - P(A) = 0.507 > 0.5P(A)=1−P(A)=0.507>0.5
例 3: (抽签问题)一袋中有 a 个白球, b 个蓝球,记 a+b=n.设每次摸到各球的概率相等,每次从袋中摸一球,不放回地摸n次。求第 k 次摸到白球的概率。
记 Ak={第k次摸到白球},k=1,2,...,n.求P(Ak).A_k = \{第 k 次摸到白球\}, k = 1,2,...,n. 求 P(A_k).Ak={第k次摸到白球},k=1,2,...,n.求P(Ak).
解 1. 将 n 个球依次编号为 :1,2,…,n,其中前 a 号是白球。
视 1,2,…,n 的每一个排列为一样本点,则每一样本点等概率。
P(Ak)=a(a+b−1)!(a+b)!=aa+b与k无关P(A_k) = \frac{a(a+b-1)!}{(a+b)!} = \frac{a}{a+b} 与 k 无关P(Ak)=(a+b)!a(a+b−1)!=a+ba与k无关
解 2. 将第 k 次摸到的球号作为一个样本点,由对称性,取到各球的概率相等。
S={1,2,...,a,a+1,...,n}S = \{1,2,...,a,a+1,...,n \}S={1,2,...,a,a+1,...,n}
Ak=1,2,...,aA_k = {1,2,...,a}Ak=1,2,...,a
⟹P(Ak)=an=aa+b\implies P(A_k)=\frac{a}{n}=\frac{a}{a+b}⟹P(Ak)=na=a+ba
5. 等可能概型(古典概型)相关推荐
- [概统]本科二年级 概率论与数理统计 第一讲 古典概型
[概统]本科二年级 概率论与数理统计 第一讲 古典概型 古典概型 排列组合复习 组合恒等式的例题 古典概型的例题 事件概率的性质 条件概率与独立性 全概率公式与贝叶斯公式 事件概率的例题 打算这两年写 ...
- 概率论3——古典概型与二项分布
排列组合 排列组合高中应该就学过,包括两个原理(加法和乘法原理),以及排列和组合 两个原理 加法原理 比如完成某件事有3类途径,在1类中有4种方法,第2类中有2种方法,第3类中有3种方法,那么完成这件 ...
- 概率论学习一——公理化定义及古典概型
概率论学习一 前言 一.概率论的公理化定义 1.公理化定义 2.性质 二.古典概型 1.啥叫古典概型? 2.超几何分布 总结 前言 仅用于记录自己学习过程 一.概率论的公理化定义 1.公理化定义 设S ...
- 概率论 事件关系 古典概型与几何概型
基本知识点 随机试验:1.不确定性2.可预知性3.可重复性 基本事件:包含一个样本点 必然事件:全集 不可能事件:空集 子集2^n-1-1(减去空集与真集) 事件间的关系 1.包含关系 2.和运算AU ...
- 古典概型中的几何体计数
前言 一.计数策略 注意三个维度: 利用类比思维: 注意剔除重复情形: 二.典例剖析 例1已知正方体\(ABCD-A_1B_1C_1D_1\)的六个面的中心分别为\(E\),\(F\),\(G\),\ ...
- 概率笔记2——古典概型
上一章中通过几个示例对概率进行了初步介绍,从本章开始,将系统地介绍概率的相关知识. 基本概念 概率研究的是随机现象背后的客观规律--我们对随机没有兴趣,感兴趣的是通过大量随机试验总结出的数学模型. 随 ...
- 古典概型,条件概率,贝叶斯公式
概率的定义,性质 定义 设 EEE 是随机试验,SSS 是它的样本空间. 对于 EEE 的每一个事件 AAA 赋予一个实数,记为 P(A)P(A)P(A),称为事件 AAA 的概率. 如果 ...
- 概率论---古典概型
1.称具有下列两个特征的随机试验模型为古典概型: (1)随机试验具有有限个可能的结果:(2)每一个结果发生的可能性大小相同. 2.在古典概型的假设下,设事件A包含样本空间S中的k个基本事件为,即(基本 ...
- 【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 ...
最新文章
- php脚本函数,PHP执行系统命令函数实例讲解
- 高版本JDK13新特性以及与JDK8对比
- 大数据教你实现预测未来,这不是梦
- toj 4604 搞笑版费马大定理
- SpringBoot (6)---RestTemplate方法详解(2)
- 拳王虚拟项目公社:如何通过知识付费赚钱,知识付费搬运赚钱,虚拟资源付费项目
- 【续上篇】推荐一款液晶电视测试软件
- 阶段3 2.Spring_03.Spring的 IOC 和 DI_9 spring的依赖注入
- 聚类算法-密度聚类算法DBSCAN
- 《新牧场物语》攻略(转自百度)
- 柴静——《穹顶之下》的雾霾调查读后感
- WIN7桌面IE图标删除
- 关于虚拟主机那点事儿
- Shift + 0 不能打出右括号 )打不出来
- 详解阿里云数据中台,一篇文章全面了解大数据“网红”
- python组件有多少个_python-计算,排序和重新排列组件
- hessian矩阵特征值
- 经典PID在智能自寻迹小车中的应用分析
- 《Python编程从入门到实践》_第二章_变量和简单数据类型
- BSD是什么,车辆为什么要装BSD?