概率统计Python计算:解古典概型问题

article/2025/10/18 20:55:35

在这里插入图片描述
假定以 S S S为样本空间的随机试验是一个等概模型,事件 A ⊆ S A\subseteq S AS。若能算得 ∣ S ∣ = n |S|=n S=n ∣ A ∣ = m |A|=m A=m,我们知道 P ( A ) = m / n P(A)=m/n P(A)=m/n。我们把这样的计算方法定义成下列的Python函数。

from sympy import Rational  #导入Rational
def P(A, S):	            #等概模型下事件A的概率n = len(S)	            #S所含元素个数m = len(A)	            #A所含元素个数return Rational(m, n)   #返回m/n的分数形式

结合程序中行内注释信息,不难理解上述程序。第3、4两行调用Python的len函数,分别计算由参数传递而来的S和A所含的元素个数n和m。第5行用m和n创建表示m/n的分数形式的Rational(sympy包中表示有理数的数据类型,第1行导入)对象并返回。
例1 将一枚均匀硬币抛掷三次,用上面定义的P函数计算事件 A 1 A_1 A1:“恰有一次出现正面”和 A 2 A_2 A2:“至少有1次出现正面”的概率 P ( A 1 ) P(A_1) P(A1) P ( A 2 ) P(A_2) P(A2)
解: 若将分币的正面朝上记为1,正面朝下记为0,该随机试验的样本空间 S = { ( 0 , 0 , 0 ) , ( 0 , 0 , 1 ) , ( 0 , 1 , 0 ) , ( 0 , 1 , 1 ) , ( 1 , 0 , 0 ) , ( 1 , 0 , 1 ) , ( 1 , 1 , 0 ) , ( 1 , 1 , 1 ) } S=\{(0, 0, 0), (0, 0, 1), (0, 1, 0), (0, 1, 1), (1, 0, 0), (1, 0, 1), (1, 1, 0), (1, 1, 1)\} S={(0,0,0),(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)},即集合 { 0 , 1 } \{0,1\} {0,1}中取3个元素可重排列的全体。故 ∣ S ∣ = 8 |S|=8 S=8。由于硬币是均匀的,所以每个样本点是等概的。事件“恰有一次出现正面” A 1 = { ( 0 , 0 , 1 ) , ( 0 , 1 , 0 ) , ( 1 , 0 , 0 ) } A_1=\{(0, 0, 1), (0, 1, 0), (1, 0, 0)\} A1={(0,0,1),(0,1,0),(1,0,0)},故 ∣ A 1 ∣ = 3 |A_1|=3 A1=3
P ( A 1 ) = ∣ A 1 ∣ / ∣ S ∣ = 3 / 8 P(A_1)= |A_1|/|S|=3/8 P(A1)=A1∣/∣S=3/8
事件“至少有1次出现正面” A 2 A_2 A2的对立事件为“一次正面都没有出现”,即 A ˉ 2 = { ( 0 , 0 , 0 ) } \bar{A}_2=\{(0, 0, 0)\} Aˉ2={(0,0,0)}。故 ∣ A ˉ 2 ∣ = 1 |\bar{A}_2|=1 Aˉ2=1,于是 P ( A ˉ 2 ) = 1 / 8 P(\bar{A}_2)=1/8 P(Aˉ2)=1/8。而
P ( A 2 ) = 1 − P ( A ˉ 2 ) = 1 − 1 / 8 = 7 / 8 P(A_2)=1-P(\bar{A}_2)=1-1/8=7/8 P(A2)=1P(Aˉ2)=11/8=7/8
下列代码完成验算。

from sympy.utilities.iterables import variations as permutations#导入permutations
S=set(permutations([0, 1], 3, True))           					#构造样本空间S
A1 = subSet(S, lambda a: sum(a) == 1)        					#设置事件A1
p1 = P(A1, S)                                  					#计算事件A1的概率p1
print('P(A1)=%s' % p1)                         					#输出p1
A2 = setSet(S, lambda a: 1 in a)             					#设置事件A2
p2 = P(A2, S)                                  					#计算事件A2的概率p2
print('P(A2)=%s' % p2)                         					#输出p2

程序中第2行调用permutations函数(第1行导入,详见博文《排列组合——构造样本空间》)设置抛掷3次分币试验的样本空间S,其中的样本点为三元组(i, j, k),每个分量均取1(正面朝上)或0(正面朝下)。第3行调用函数subSet(定义见博文《按条件设置随机事件》),传递参数lambda a: sum(a)==1设置事件A1,第4行调用上面定义的计算等概模型中事件概率的函数P,用传递给它的参数A1和S计算A1的概率p1。第5行输出p1的值。相仿地,第8~10行分别设置事件A2,计算A2的概率p2,输出p2。运行程序,输出:

P(A1)=3/8
P(A2)=7/8

例2房间里有10个人,各自编号1~10,任选3人记录其编号。计算事件 A 1 A_1 A1:3人中最小编号为5, A 2 A_2 A2:3人最大编号为5的概率 P ( A 1 ) P(A_1) P(A1) P ( A 2 ) P(A_2) P(A2)
解: 在10个人中选择3人,共有 C 10 3 C_{10}^3 C103种不同的选法,即样本空间含有的样本点数 ∣ S ∣ = C 10 3 = 120 |S|= C_{10}^3=120 S=C103=120。又由于3人是任选的,所以每个选法发生的可能性是相同的。这是一个古典概型。事件 A 1 A_1 A1:所选3人中最小编号为5,意味着编号为5者必在此3人中。其余两人的编号应该比5大,共有 C 5 2 = 10 C_5^2=10 C52=10种选择方法,即 ∣ A 1 ∣ = 10 |A_1|=10 A1=10。于是
P ( A 1 ) = ∣ A 1 ∣ / ∣ S ∣ = C 5 2 / C 10 3 = 10 / 120 = 1 / 12 P(A_1)= |A_1|/|S|=C_5^2/C_{10}^3=10/120=1/12 P(A1)=A1∣/∣S=C52/C103=10/120=1/12
相仿地,事件 A 2 A_2 A2:3人最大编号为5所含样本点数 ∣ A 2 ∣ = C 4 2 = 6 |A_2|=C_4^2=6 A2=C42=6。于是
P ( A 2 ) = ∣ A 2 ∣ / ∣ S ∣ = C 4 2 / C 10 3 = 6 / 120 = 1 / 20. P(A_2)= |A_2|/|S|=C_4^2/C_{10}^3=6/120=1/20. P(A2)=A2∣/∣S=C42/C103=6/120=1/20.
下列代码完成验算

from sympy.utilities.iterables import subsets as combinations	#导入subsets
numbers=[1,2,3,4,5,6,7,8,9,10]                  				#房内10人的编号
S=set(combinations(numbers, 3))                 				#构造样本空间S          
A1=subSet(S, lambda a: min(a)==5)             				    #3人中最小号码为5
p1=P(A1, S)
print('P(A1)=%s'%p1)
A2=subSet(S, lambda a: max(a)==5)             				    #3人中最大号码为5
p2=P(A2, S)
print('P(A2)=%s'%p2)

第2行将10个编号1,2,…,10设为列表numbers,第4行调用函数combinations(第1行导入,详见博文《排列组合——构造样本空间》),构造从numbers中任取3个的所有组合作为样本空间S。第4行函调用数subSet设置事件 A 1 A_1 A1,最小号码为5;相仿地,第7行调用subSet函数设置事件 A 2 A_2 A2,最大号码为5。运行程序,输出:

P(A1)=1/12
P(A2)=1/20

写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
返回《导引》


http://chatgpt.dhexx.cn/article/AFvxVdWf.shtml

相关文章

古典概型

【例1】一部四册的文集按任意次序放到书架上去,问各册自右向左或自左向右恰成 1,2,3,4 的顺序(用 表示)的概率是多少? 解 此随机试验的结果是四本书在书架上的一种放法,而每一…

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&#xf…

概率论基础(1)古典和几何概型及事件运算

概率论对于学习 NLP 方向的人,重要性不言而喻。于是我打算从概率论基础篇开始复习,也顺便巩固巩固基础。 1.事件及运算 1.1 文森图及运算 1.2常用运算律 1.3相关练习 理解:要么A要么B要么C发生,所以是A ∪ B ∪ C&#xff…

概率论--古典概型和几何概型

-------------------------------------------几何概型------------------------------------------------------------------ 向某一可度量的区域内任掷一点.如果所掷的点落在中任意子区域内的可能性大小与A的度量(长度,面积和体积等&…

古典概型和几何概型

古典概型(等可能概型) 1.1定义(随机试验模型) ①只有有限个可能 ②每个结果发生的可能性大小相同。 由 1P(S)得 设事件A包含样本空间S中k个基本事件,那么事件A发生的概率为 1.2计算古典概型的方法——排列跟组合 …

古典概型-分房模型

古典概型问题一般从排列组合、乘法原理的角度思考; 回想概率的基本公式:p(A)A事件发生的次数/总的实验次数 (1)k个盒子已经指定了,每次拿一个球放入其中一个盒子 第一问可以理解为:指定的k个盒子中各有一球…

【概率论与数理统计】猴博士 笔记 p1-p2 古典概型、几何概型

视频 古典概型 常见的古典概型题目分为: 有放回无放回 有放回 对于有放回的题目,一般可以这样做: 举个例子,如题: 则它们的答案是: 1. C 4 4 ∗ ( 2 5 ) 4 C_{4}^{4} *&…

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AUBAB,A与B至少有一个发生 3.积事件A∩BAB,AB同时发生 4.差事件A-BAB ̅A-AB,A发生但B不发生 5.…

概率论 1.3 古典概型与几何概型

1.3.1 排列与组合 排列 从n个不同元素任取r(r<n)个元素排成一列(考虑元素出现的先后次序)&#xff0c;称此为一个排列&#xff0c;此种排列的总数为n(n-1)....(n-r1)n!/(n-r)&#xff01;&#xff0c;若rn,则称为全排列&#xff0c; 2.重复排列 从n个不同元素中每次取出一个…

概率论基础 —— 1. 基本事件类型、运算规则,及古典概型与几何型概型

概率论与数理统计的相关知识&#xff0c;是机器学习及深度学习最常应用到的基本知识。因为对于机器学习和深度学习来说&#xff0c;最常见的一个应用场景就是训练一堆样本集后&#xff0c;给定一个测试样本&#xff0c;它可能同时具备类A和类B的特征&#xff0c;那么就需要通过…

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&#xff1a; (1)随机试验具有有限个可能的结果&#xff1b;&#xff08;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&#xff0c;设事件A包含样本空间S中的k个基本事件为,即(基本事件只含一个样本点),则 , 即古…

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&#xff1a;若实验满足&#xff1a; 样本空间 S 种样本点有限&#xff08;有限性&#xff09;出现每一个样本点的概率相等&#xff08;等可能性&#xff09; 称这种试验为等可能概型&#xff08;或古典概型&#x…

古典概型、条件概率

文章目录 1 概率1.1 定义1.2 性质 2 古典概型2.1 定义2.2 计算公式 3 条件概率3.1 定义3.2 性质3.3 乘法定理 1 概率 1.1 定义 定义 (概率的公理化定义)&#xff1a;设 E E E 是随机试验&#xff0c;其样本空间 S S S &#xff0c;对于 E E E 的每一事件 A A A 赋于一个实…

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&#xff0c;从本章开始&#xff0c;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&#xff0c;感兴趣的是通过大量随机试验总结出的数学模型。 随机试验 顾名思义&#xff0c;这…

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&#xff08;等可能概型&#xff09; 乘法原理 基本模型 箱中摸球 分组分配&#xff08;分球入箱&#xff09; 先给特殊元素分配 # —— 事件个数 以上题的思路如下&#xff1a; 例题 抽签模型 因为不知道前面人的结果&#xff0c;所以…

古典概型例题

【例1】一部四册的文集按任意次序放到书架上去&#xff0c;问各册自右向左或自左向右恰成 1&#xff0c;2&#xff0c;3&#xff0c;4 的顺序&#xff08;用 表示&#xff09;的概率是多少&#xff1f; 解 此随机试验的结果是四本书在书架上的一种放法&#xff0c;而每一…

概率论的学习和整理10:古典概型 和 N重伯努利试验 的概率和计算方法对比 -----(头脑要纠错!!!)

目录 1 古典概型&#xff08;等可能模型 / 等概率模型&#xff09; 1.1 古典概型的定义 1.2 现实的例子很多 1.3 古典概型的核心要求 1.4 古典概型的好处 1.4.1 足够直观 1.4.2 适应面广&#xff0c;只要基础事件概型相等即可套用 1.4.3 适应面广&#xff0c;只要各…

古典概型——概率论与数理统计(宋浩)

事件的概率 1.2.1概率的初等描述 概率的定义&#xff1a;事件发生的可能性的大小&#xff08;P&#xff08;A&#xff09;&#xff09; 性质&#xff1a; P&#xff08;Ω&#xff09;1&#xff0c;P&#xff08;φ&#xff09;0&#xff08;规范性&#xff09;0<P(A)&l…

移远 4G EC20 高通 9X07 工业级 车规级 CAT4 CAT6

EC20 是移远通信推出的最高LTE Cat 6无线通信模块&#xff0c;采用LTE 3GPP Rel.11 技术&#xff0c;支持最大下行速率300Mbps和最大上行速率50Mbps&#xff1b;同时在封装上兼容移远通信UMTS/HSPA UC20模块以及移远通信多网络制式LTE Cat 3 EC20模块&#xff0c;实现了3G网络与…

cat详解

1、概念 cat命令(concatenate的缩写)是Linux操作系统中使用最广泛的命令行实用工具之一。它是一个标准的Linux实用程序&#xff0c;用于查看文件的内容&#xff0c;而不需要在任何文本编辑器中打开它。cat命令的另一个主要用法是将多个文件串联到一个文件中。 2、基本参数 参…