当前位置:文档之家› 典型例题(第一章概率论的基本概念) 古典概型

典型例题(第一章概率论的基本概念) 古典概型

按(1):每取一次就做了一次试验,构成一个基本事件,只观察颜色不分顺序,按组合计
算样本点总数:
C
a+b N
设 A:a+b 球中恰有 a 个白 b 个红,把 A 发生的过程分为串行的两步:在白球中取 a
个球,再在红球中取
b
个球按乘法原则所含样点是
C
a N1

C
b N
2
∴ P( A)
=
Ca N1

C
b N
这样就大大提高了甲胎蛋白法的准确率了。 在此例中,正确理解区分概率P(A|B1)与P(B1|A)是多么重要。概率思维是人们正确
观察事物必备的文化修养,这样说也许并不过份。
例 某电子设备制造厂所用的晶体管是由三家元件制造厂提供的,根据以往的记录有以下的 数据。元件制造厂次品率提供晶体管的份额
1 0.02 0.15 2 0.01 0.80 3 0.03 0.05 设这三家工厂的产品在仓库中是均匀混合的,且无区别的标志(1)在仓库中随机地取一只 晶体管求它是次品的概率。(2)在仓库中随机地取一只晶体管,若已知取到的是次品,为分 析此次品出自何厂,需求出此次品由三家工厂生产的概率分别是多少,试求这些概率。 解: 设A表示“取到的是一只次品”,Bi(i=1,2,3)表示“所取到的产品是由第i家工厂提供的”, 易知,B1,B2,B3是样本空间S的一个划分,且有 P(B1)=0.15,P(B2)=0.80,P(B3)=0.05, P(A|B1)=0.02,P(A|B2)=0.01,P(A|B3)=0.03 (1)由全概率公式 P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+P(A|B3)P(B3)=0.0125 (2)由贝叶斯公式
他们的生日各不相同的概率为
P( A)
=
Cr 365
⋅ r!
or
Ar 365
(365) r
(365) r
所以,至少两个人生日相同的概率为: p=1-P(A),
计算如下:
可得下述结果:
n 20
23
p 0.411 0.507
30 0.706
40
50 64
100
0.891 0.970 0.997 0.9999997
典型例题 Page 1 of 5
典型例题(第一章概率论的基本概念)
古典概型 条件概率
古典概型
(一)取球问题
袋中共有 N 个球,N1 白,N2 红,采用摸后“放回”“不放回”两种方式任取出 a+b 个
球,试求这 a+b 个球中恰含 a 个白 b 个红的概率。
解:
[不放回] 试验从 N 个球中取出 a+b 个球,有两种理解 (1)一次取出 a+b 个球; (2)一个一个取,不放回,取 a+b 次;
设 A 为事件“产品合格”,B 为事件“机器调整良好”,已知 P(A|B)=0.9,P(A|B)=0.3,P (B)=0.75,P (B) =0.25,所需求的概率为 P(B|A),由贝叶斯公式
典型例题 Page 5 of 5
这就是说,当生产出第一件产品是合格品时,此时机器调整良好的概率为 0.9,这里, 概率 0.75 是由以往的数据分析得到的,叫做先验概率,而在得到信息(即生产出的第一件 产品是合格品)之后再重新加以修正的概率(即 0.9)叫做后验概率,有了后验概率我们就 能对机器的有进一步的了解。
其中事件A表示“阳性”,现设某人已检出呈阳性,问他患肝癌的概率P(B1|A)是多少?
解:
由贝叶斯(Bayes)公式
这表明,在已检查出呈阳性的人中,真患肝癌的人不到 1%,这个结果可能会使人大吃
典型例题 Page 4 of 5
一惊,但仔细分析一下,就可以理解了。因为肝癌发病率很低,在 10000 人只有 4 人左右。 而约有 9996 年不患肝癌。如对 10000 人用甲胎蛋白法进行检验。按错检的概率可知 4 位患 肝癌的都呈阳性,而 9996 位不患肝癌人中约有 9996×0.05≈500 个。呈阳性,在总共 504 个 呈阳性者中,真患肝癌的 4 人占总阳性中不到 1%,其中大部分人(500 人)是属“属报”, 在实际中,医生常用另一些简单易行的辅助方法先进行初查,排除大量明显不是肝癌的人, 当医生怀疑某人有可能患肝癌时,才建设用甲胎蛋白法检验。这时在被怀疑的对象中,肝癌 的发病率已显著提高了,比如说 P(B1)=0.4,这时再用贝叶斯公式进行计算,可得
Aa+b N
+
b)!
=
C C a b N1 N2 C a+b N
[放回抽样] 一个一个取,故看为可重复的排列,样本空间的样本点数:Na+b
由乘法、加法原理,A
所含样本点数为:(分析同(2))
C
a a+b

N1a

N
b 2
所以,所求概率为:
P( A)
=
Ca a+b
⋅ N1a N a+b

N
b 2
典型例题 Page 2 of 5
(3) 同理
P(C)
=
C
m k
⋅(N N
− 1) k−m
k
(4) 在这 k 个数字中,最大数不大于 M 的取法有 Mk 种。而最大数不大于 M-1 的取法有(M-1)k
种。
∴ P(D) = M k − (M − 1)k 。 Nk
典型例题 Page 3 of 5
例 假设每人的生日在一年 365 天中的任一天是等可能的,即都等于 1/365,那么随机选取 n (≤365)个人,求他们的生日各不相同的概率。 解:
(二) 放球问题
n 个球,随机的放入 N 个盒(n≤ N),每盒容量不限,观察放法:
(1)某指定的 n 个盒中各有一个球 A1,求 P(A1);
(2)恰有 n 个盒中各有一球A2,求 P(A2) ;
(3)某指定的盒子中恰有 k 个球 A3,求 P(A3).
解:
试验: 一个一个放 n 个球入 N 个盒,每种方法构成了一种可重复的排列,于是 (1) P(A1) = n!N n
2
C a+b N
按(2):一个一个取,每次记录下颜色和球的编号,不放回,取 a+b 个球是有顺序的,
构成
a+b
个球的一个排列,样本点总数:
Aa+b N
A 的发生可分解为如下过程:
在这 a+b 个球的位置上,选 a 个位置放白球,剩下的放红球,样本点数:
Ca a+b

Aa N1

Ab N2

P( A)
人们在长期的实践中总结得到“概率很小的事件在一次试验中实际上几乎是不发生的” (称之为实际推断原理).现在概率很小(只有千万分之三)的事件在一次试验中竟然发生 了.因此有理由怀疑假定的正确性,从而推断接待站不是每天都接待来访者.即认为其接待 时间有规定的.
条件概率
例 据调查某地区居民的肝癌发病率为 0.0004,若记“该地区居民患肝癌”为事件B1并记
解:
试验为从 1,2,……,N 个数中有放回地依次取 k 个数字,每 k 个数字的一个排列构
成一个基本事件,因此基本事件总数为 Nk。
(1)因
k
个数字完全不同,实际为不可数的排列,基本事件个数为:
C
k n

k!
∴ P( A) = Cnk ⋅ k! Nk
(2) 同理 P(B) = (N − r)k Nk
(2)
P(A2)
=
C
n N
⋅ n!
Nn
or
ANn
(3) P(A3) =
C
k n
⋅ (n
− 1) n−k
Nn
(三)随机取数
1—N 个数字任取 k 个数字,一个一个的取,取后放回,求: (1)A:k 个数字完全不同; (2)B:不含 1,2,……,N 中指定的 r 个数字; (3)某指定的数字恰好出现 m(≤ k)次; (4)k 个数字中最大数恰好为 M。
P(B2|A)=0.64,P(B3|A)=0.12。 以上结果表明,这只次品来自第 2 家工厂的可能性最大。
例 对以往数据分析结果表明,当机器调整得良好时,产品的合格率为 90%,而当机器发 生某一故障时,其合格率为 30%。每天早上机器开动时,机器调整良好的概率为 75%,试 求已知某日早上第一件产品是合格品时,机器调整良好的概率是多少? 解:
B2= B , 则P(B1)=0.0004,P(B2)=0.9996。现用甲胎蛋白法检查肝癌,若呈阴性,表
明不患肝癌,若呈阳性,表明患肝癌,由于技术和操作不完善以及种种特殊原因,是肝癌者
还未必检出阳性,不是患者也有可能检出呈阳性,据多次实验统计这二者错误发生的概率为:
P(A|B1)=0.99
P(A|B2)=0.05
例 某接待站在某一周曾接待过 12 次来访,已知所有这 12 次接待都是在周二和周四进行 的.问是否可以推断接待时间是有规定的. 解:
假设接待站的接待时间没有规定,而各来访者在一周的任一天中中去接待站是等可能 的,那么,12 次接待来访者都在周二、周四的概率为 212/712=0.0000003,即千万分之三。
=
Ca a+b

Aa N1
Aa+b N

Ab N2
=Байду номын сангаас
(a + b)! ⋅ a!⋅b!
Aa N1

Ab N2
Aa+b N
=
Aa N1

AN 2
a! b!
Aa+b N
(a + b)!
=
Ca N1
相关主题