概率论与数理统计 P5 古典概型(等可能概型)

P5 古典概型(等可能概型)

一.中学概率知识

1.加法原理:设完成一件事有n类方法(只需其中一类方法即可完成事情),若第k类方法有 m k m_k mk种方法(1 ⩽ \leqslant ⩽k ⩽ \leqslant ⩽n),则完成这件事总共有 N = m 1 + m 2 + ... + m n \color{red}{N = m_1+m_2+...+m_n} N=m1+m2+...+mn种方法。

2.乘法原理:设完成一件事有n个步骤(当且仅当n个步骤全部完成),若第k个步骤有 m k m_k mk种方法(1 ⩽ \leqslant ⩽k ⩽ \leqslant ⩽n),则完成这件事总共有 N = m 1 × m 2 × ... × m n \color{red}{N = m_1\times m_2\times ...\times m_n} N=m1×m2×...×mn种方法。

3.排列:

​ ①不同元素的选排列:从n个不同元素中任取m(m ⩽ \leqslant ⩽n)个按一定顺序排成一列,称为从n个元素中取出m个元素的选排列,共有 P n m P{^m_n} Pnm种。当m=n时,称为全排列,共有n!种。(0!=1)

​ P n m = n ( n − 1 ) ( n − 2 ) ⋯ ( n − m + 1 ) = n ! ( n − m ) ! = A n m P{^m_n}=n(n-1)(n-2)\cdots\quad(n-m+1)=\dfrac{n!}{(n-m)!}=A{^m_n} Pnm=n(n−1)(n−2)⋯(n−m+1)=(n−m)!n!=Anm

​ ②不同元素的重复排列:从n个不同元素种又放回的取m(m ⩽ \leqslant ⩽n)个进行排列,其排列总数共有 n × n × ... × n = n m \color{red}{n\times n\times ...\times n=n^m} n×n×...×n=nm​种。

​ ③不全相异元素的排列:在n个元素中,有m类元素,每类各有 k 1 , k 2 , ... , k m k_1,k_2,...,k_m k1,k2,...,km个,将这n个元素做全排列,共有如下种方式:

​ N= n ! k 1 ! k 2 ! ... k n ! \dfrac{n!}{k_1!k_2!...k_n!} k1!k2!...kn!n!​

​ ④环排列:从n个不同的元素中,选出m个不同的元素排成一个圈,共有如下种方式:

​ n ( n − 1 ) ( n − 2 ) ... ( n − m + 1 ) m = C n m ( m − 1 ) ! \dfrac{n(n-1)(n-2)...(n-m+1)}{m}=C{^m_n}(m-1)! mn(n−1)(n−2)...(n−m+1)=Cnm(m−1)!

4.组合:

​ ①从n个元素中取出m个( 不放回抽样 \color{blue}{不放回抽样} 不放回抽样)组成一组,不同的分发方式共有:

​ ( n m ) = C n m = n ! m ! ( n − m ) ! = P n m m ! \begin{pmatrix}n\\m\end{pmatrix}=C{^m_n}=\dfrac{n!}{m!(n-m)!}=\dfrac{P{^m_n}}{m!} (nm)=Cnm=m!(n−m)!n!=m!Pnm

​ ②从n个元素中取出m个( 放回抽样 \color{blue}{放回抽样} 放回抽样)组成一组,不同的分发方式共有:

​ H n m = ( n + m − 1 m ) H{^m_n}=\begin{pmatrix}n+m-1\\m\end{pmatrix} Hnm=(n+m−1m)

二.古典概型

1.Def:若随机试验E满足:

​ (1)样本空间S只含有限个样本点,S={ e 1 , e 2 , ... , e n e_1,e_2,...,e_n e1,e2,...,en};

​ (2)每个基本事件(样本点)发生的可能性相同;

则称此随机试验的概率模型为等可能概型,又称古典概型。

2.古典概型中,事件A={ e i 1 , e i 2 , ... , e i k e_{i1},e_{i2},...,e_{ik} ei1,ei2,...,eik}发生的概率为

​ P ( A ) = k n = A 包含的基本事件数 S 包含的基本事件总数 P(A)=\dfrac{k}{n}=\dfrac{A包含的基本事件数}{S包含的基本事件总数} P(A)=nk=S包含的基本事件总数A包含的基本事件数

三.古典概型基本模型

3.1 分球模型

1.无放回摸球:

2.有放回的摸球:

3.2 分球入盒模型

1.盒子容量无限:

2.每个盒子只能装一个球:

3.综合例题:

3.3 分组问题

四.几何概型(等可能概型)

1.Def:若随机试验E满足:

​ ①样本空间S是 R n R^n Rn(n=1,2,3)中一个可度量的几何区域;

​ ②每个样本点出现的概率相等,即样本点落入S某一可度量的子区域A的可能性大小与A的几何度量成正比,而与A的位置及形状无关,则事件A={样本点落入区域A}的概率为:
P ( A ) = A 的几何度量 ( 长度、面积、体积 ) S 的几何度量 ( 长度、面积、体积 ) P(A)=\dfrac{A的几何度量(长度、面积、体积)}{S的几何度量(长度、面积、体积)} P(A)=S的几何度量(长度、面积、体积)A的几何度量(长度、面积、体积)
注意! \color{red}{注意!} 注意! ①古典概型:基本事件有限,等可能的随机试验。

​ ②几何概型:基本事件无限,等可能的随机试验。

相关推荐
赛卡几秒前
IPOF(Input-Process-Output-Feedback)方法学简介
人工智能·机器学习·流程图·硬件工程·软件工程·系统工程
半青年1 小时前
单例模式:全局唯一性在软件设计中的艺术实践
java·c++·python·单例模式
鸿蒙布道师1 小时前
百度Create大会深度解读:AI Agent与多模态模型如何重塑未来?
人工智能·深度学习·神经网络·机器学习·百度·自然语言处理·dubbo
fen_fen2 小时前
Miniconda Windows10版本下载和安装
python
kyle~2 小时前
深度学习---Pytorch概览
人工智能·pytorch·python·深度学习
一点.点3 小时前
自动驾驶(ADAS)领域常用数据集介绍
人工智能·深度学习·机器学习·自动驾驶
PXM的算法星球5 小时前
【leetcode】3524 求出数组的X值1
算法·leetcode·职场和发展
老胖闲聊6 小时前
Python PyAutoGUI库【GUI 自动化库】深度解析与实战指南
python
椰羊~王小美7 小时前
LeetCode -- Flora -- edit 2025-04-27
算法·leetcode·职场和发展
GeekABC8 小时前
FastAPI系列06:FastAPI响应(Response)
开发语言·python·fastapi·web