MathLabs

10 年级

事件与概率

一个结果发生的可能性,用一个介于 0 和 1 之间的数来衡量。

直观直觉:发生的可能性有多大?

掷一枚硬币、掷一颗骰子,或转一个转盘:这些都是随机试验,其确切结果无法提前预知,但所有可能结果组成的集合——样本空间 Ω\Omega ——是事先已知的。一个可能出现的结果称为一个结果,而我们关心的任意一组结果,例如“骰子出现偶数”,称为一个事件 AA。概率给它赋一个数 P(A)P(A),它介于 00 和 11 之间,用来衡量该事件发生的可能性,其中 P(A)=0P(A) = 0 表示不可能,而 P(A)=1P(A) = 1 表示必然。

一个带有相等彩色弧段的圆形转盘,指针目前位于从顶端起252度的位置。
一个被分成若干相等圆弧的转盘被转动,指针停在从顶端量起的某个角度 θ\theta 处。如果事件 AA 是全部 9090 度中占 360360 度的一段弧,那么由对称性 P(A)=90360=14P(A) = \frac{90}{360} = \frac{1}{4},恰好等于该弧所占圆周的比例。

中学样本空间与古典概率

定义: 样本空间与事件

样本空间 Ω\Omega 是随机试验中所有可能结果组成的集合。事件是样本空间的任意子集 A⊆ΩA \subseteq \Omega; 当试验的实际结果落在 AA 中时,称该事件“发生”。

P(A)=∣A∣∣Ω∣P(A) = \frac{|A|}{|\Omega|}

这里 ∣A∣|A| 表示事件 AA 中所含结果的个数(假设 Ω\Omega 是有限的),而 ∣Ω∣|\Omega| 表示样本空间中结果的总数。这个公式——有时称为古典(或拉普拉斯)概率定义——只有当 Ω\Omega 中每个结果都等可能时才适用;例如一枚均匀骰子的全部 66 个面,或一副洗匀纸牌的全部 5252 张牌。

P(A∪B)=P(A)+P(B)−P(A∩B)P(A \cup B) = P(A) + P(B) - P(A \cap B)

对两个事件 AA 和 BB,这条加法法则考虑到 A∩BA \cap B 中的结果在 P(A)P(A) 中被计一次、在 P(B)P(B) 中又被计一次,因此重叠部分 P(A∩B)P(A \cap B) 必须减去一次以避免重复计数。当 AA 与 BB 不能同时发生时,A∩B=∅A \cap B = \varnothing,于是 P(A∩B)=0P(A \cap B) = 0,法则简化为 P(A∪B)=P(A)+P(B)P(A \cup B) = P(A) + P(B)。另一种关系——独立性——是指知道一个事件不会给另一个事件提供任何信息;代数上定义为 P(A∩B)=P(A)⋅P(B)P(A \cap B) = P(A) \cdot P(B)。

两个事件之间的特殊关系
关系定义条件所得公式
互斥A∩B=∅A \cap B = \varnothingP(A∪B)=P(A)+P(B)P(A \cup B) = P(A) + P(B)
独立P(A∩B)=P(A)⋅P(B)P(A \cap B) = P(A) \cdot P(B)P(A∪B)=P(A)+P(B)−P(A)P(B)P(A \cup B) = P(A) + P(B) - P(A) P(B)
一般事件—P(A∪B)=P(A)+P(B)−P(A∩B)P(A \cup B) = P(A) + P(B) - P(A \cap B)

大学严格表述与证明

在有限样本空间中,对任意两个事件 A,B⊆ΩA, B \subseteq \Omega,有 P(A∪B)=P(A)+P(B)−P(A∩B)P(A \cup B) = P(A) + P(B) - P(A \cap B)。

为什么成立?

简单地把 P(A)P(A) 与 P(B)P(B) 相加,会把同时属于两个事件的每个结果计两次——一次在 P(A)P(A) 中,一次在 P(B)P(B) 中——因此必须恰好减去一次重叠部分 P(A∩B)P(A \cap B) 以修正计数。

证明

第一步(把并集分成互不相交的部分):把 A∪BA \cup B 拆成三个两两不相交的部分:A∖BA \setminus B(AA 中独有的结果),A∩BA \cap B(A∩BA \cap B 中共有的结果),以及 B∖AB \setminus A(BB 中独有的结果)。 A∪BA \cup B 中的每个结果都恰好落入这三个部分中的一个。

第二步(用不相交集合的加法原理数并集):由于这三部分两两不相交,结果的个数满足 ∣A∪B∣=∣A∖B∣+∣A∩B∣+∣B∖A∣|A \cup B| = |A \setminus B| + |A \cap B| + |B \setminus A|。

第三步(用同样的三部分表示 ∣A∣|A| 与 ∣B∣|B|):同样地,∣A∣=∣A∖B∣+∣A∩B∣|A| = |A \setminus B| + |A \cap B|(按 AA 是否与 BB 重叠来拆分)以及 ∣B∣=∣B∖A∣+∣A∩B∣|B| = |B \setminus A| + |A \cap B|(用同样的方式拆分 BB)。把这两个等式相加,得到 ∣A∣+∣B∣=∣A∖B∣+∣B∖A∣+2∣A∩B∣|A| + |B| = |A \setminus B| + |B \setminus A| + 2|A \cap B|。

第四步(合并并除以 ∣Ω∣|\Omega|):比较第二步和第三步,得到 ∣A∣+∣B∣−∣A∩B∣=∣A∖B∣+∣B∖A∣+∣A∩B∣=∣A∪B∣|A| + |B| - |A \cap B| = |A \setminus B| + |B \setminus A| + |A \cap B| = |A \cup B|。两边同除以 ∣Ω∣|\Omega|,并对每一项应用古典概率公式 P(A)=∣A∣∣Ω∣P(A) = \frac{|A|}{|\Omega|},恰好得到 P(A∪B)=P(A)+P(B)−P(A∩B)P(A \cup B) = P(A) + P(B) - P(A \cap B)。

设 Ω=Ω1×Ω2\Omega = \Omega_1 \times \Omega_2 是由两个独立的有限等可能样本空间构成的样本空间,其中 mm 是第一个空间的结果数,nn 是第二个空间的结果数。对事件 A⊆Ω1A \subseteq \Omega_1 与 B⊆Ω2B \subseteq \Omega_2,记 A∩BA \cap B 表示第一个结果落在 AA 中且第二个结果落在 BB 中的事件,则 P(A∩B)=P(A)⋅P(B)P(A \cap B) = P(A) \cdot P(B)。

为什么成立?

选出一个同时满足 AA 与 BB 的结果,是一个两步计数过程(计数的乘法原理),因此有利结果对的个数就是每个分量中有利结果个数的乘积。

证明

第一步(设置计数):设 ∣A∣=a|A| = a 与 ∣B∣=b|B| = b。样本空间 Ω=Ω1×Ω2\Omega = \Omega_1 \times \Omega_2 中同时满足两个条件的一个结果是一对 (ω1,ω2)(\omega_1, \omega_2) 满足 ω1∈A\omega_1 \in A 与 ω2∈B\omega_2 \in B。

第二步(应用计数的乘法原理):选取 ω1\omega_1 有 aa 种方式,与此选择独立地,选取 ω2\omega_2 有 bb 种方式,于是由计数的乘法原理,共有 a⋅ba \cdot b 个有利的组合。

第三步(除以结果总数):整个样本空间共有 m⋅nm \cdot n 个等可能的结果,因此 P(A∩B)=abmnP(A \cap B) = \frac{ab}{mn}。

第四步(把分式分解因子):改写为 abmn=am⋅bn=P(A)⋅P(B)\frac{ab}{mn} = \frac{a}{m} \cdot \frac{b}{n} = P(A) \cdot P(B),这是因为由古典概率公式, P(A)=a/mP(A) = a/m 且 P(B)=b/nP(B) = b/n 由古典概率公式给出,这就证明了结论。

大学实际应用与典型例题

古典概率以及加法法则与乘法法则,是质量控制(一批产品含有缺陷的可能性)、金融(若干独立投资中至少有一项亏损的可能性)、遗传学(从独立的等位基因中继承某性状的可能性)以及计算机科学(发生哈希冲突或随机测试失败的可能性)中日常用到的运算。下面两个例子把加法法则和乘法法则应用到具体数字上。

例题: 语言课程调查

一所学校共有 200200 名学生,其中有 120120 人学法语,有 8080 人学西班牙语,还有 3030 人两种语言都学。求随机选出的一名学生学法语或西班牙语的概率。

解答

第一步:设 AA 为“学法语”,BB 为“学西班牙语”,于是 ∣Ω∣=200,  ∣A∣=120,  ∣B∣=80,  ∣A∩B∣=30|\Omega| = 200,\; |A| = 120,\; |B| = 80,\; |A \cap B| = 30。

第二步:由于“法语或西班牙语”就是事件 A∪BA \cup B,由加法法则得 P(A∪B)=P(A)+P(B)−P(A∩B)P(A \cup B) = P(A) + P(B) - P(A \cap B)。

第三步:代入古典概率,得 P(A∪B)=120200+80200−30200=170200P(A \cup B) = \frac{120}{200} + \frac{80}{200} - \frac{30}{200} = \frac{170}{200},化简为 1720=0.85\frac{17}{20} = 0.85。

例题: 对两道独立测验题的随机猜测

一名学生对两道相互独立的选择题随机猜测。第1题有 44 个选项且恰好一个正确,第2题有 55 个选项且恰好一个正确。求该学生两题都猜对的概率。

解答

第一步:设 AA 为“猜对第1题”,BB 为“猜对第2题”;由于每个选项被选中的可能性相等,P(A)=14P(A) = \frac{1}{4} 且 P(B)=15P(B) = \frac{1}{5}。

第二步:两道题的猜测互不影响,因此 AA 与 BB 独立,可以应用乘法法则:P(A∩B)=P(A)⋅P(B)P(A \cap B) = P(A) \cdot P(B)。

第三步:代入第一步的值,得 P(A∩B)=14⋅15=120P(A \cap B) = \frac{1}{4} \cdot \frac{1}{5} = \frac{1}{20},所以两题都猜对的概率只有 5%5\%。

掷一次均匀的六面骰子。求结果为素数的概率 P(A)P(A)(其中 A={2,3,5}A = \{2, 3, 5\})。

在 4040 名学生中,有 1818 人下国际象棋,1515 人下围棋,还有 66 人两种都下。随机选出一名学生下国际象棋或围棋的概率是多少?

掷一枚均匀硬币两次。设 AA 为“第一次正面朝上”,BB 为“第二次正面朝上”。由于两次投掷互不影响,P(A∩B)P(A \cap B) 是多少?

一家工厂有两台完全独立运作的机器。每台机器在一次生产中产生次品的概率为 10%10\%。两台机器都不产生次品的概率是多少?

参考文献

  1. Sheldon Ross (2019). A First Course in Probability
  2. Joseph K. Blitzstein, Jessica Hwang (2019). Introduction to Probability