热度 11||
在事件B发生的条件下事件A发生的概率称为条件概率。
记为 P(A∣B),且定义
P(A∣B)= P(AB)∕P(B) , P(B)> 0
人们通常会用两种方式来表示整体与部分的关系。或者用实在数据;或者把整体视为1,用比例来表示部分。
在可以用“文氏图”示意的情形,不太严格地说,样本空间及事件就是具体实在,相应概率就好比是“比例”描述。条件概率则是把概率P(B)作为新的总体1,计算P(AB)相对所占的“比例”。在古典概率情形,这个比方尤其直观。
若事件 A含于B ,即 AB = A ,
P(A∣B)= P(AB)∕P(B) = P(A)∕P(B)
若事件A与B互斥,即 AB = Φ(空集),P(AB)= 0 , P(A∣B)= 0
若事件A与B相互独立,P(AB) = P(A) P(B) ,则 P(B)> 0 时
P(A∣B)= P(AB)∕P(B)= P(A) P(B) ∕P(B)= P(A) ,
条件概率的定义在这时正好显示,从逻辑上看,事件 A 与 B相互独立,本质上是发生与否,互不影响,彼此无关。而事件 A 与 B 互斥,却是一个特定关系。
“两个事件能否既互斥又相互独立?”由上述可知,从逻辑上看是不可能的。从概率上看,若两个事件的概率都不为0,则也是不可能的。
在建模实践中,为了简单起见,在不少场合选择了相互独立的最佳状态。比如,射击运动员连续射击多发子弹;乒乓球运动员连续比赛若干局,……,等等;都假设各次射击,各局比赛相互独立。构成n重贝努里概型。
在实际问题中,有时能简便地直接按照实际状况算得条件概率。比如摸球模型。
袋中有20个红球10个黑球,如果每次摸出一球,然后放回去再摸第二次,若以摸出红球为成功,p = 2/3 ,各次摸球相互独立,就构成 n 重贝努里概型。如果第一次摸得红球而不放回去,第二次摸得黑球的概率就是条件概率。这时由实际数据能直接算得
P(第二次摸得黑球∣第一次摸得红球)= 10/29
P(AB)= P(第一次摸得红球,第二次摸得黑球)= P(B)P(A∣B)
= P(第一次摸得红球)·P(第二次摸得黑球∣第一次摸得红球)= 20/87
用二维模型才能更好地理解这个交事件的概率。
先后两次摸球(第一次不放回)的基本点有:(红,红),380个;( 红,黑),200个;
(黑,红),200个;(黑,黑),90个;共计870个。
所以 P(红,黑)= 有利点数∕基本点总数 = 20/87
“随机向量事件”概率定义的内核是“交事件的概率”。可以从这里开始体验。
例20 A,B 是两个随机事件,且 B 发生则 A 必定发生。则下列式子中正确的是
(A) P (A + B)= P(A) (B) P (AB)= P(A)
(C) P(B∣A)= P(B) (D) P (B-A)= P(B)- P(A)
分析 事件 B 发生则 A 必定发生,说明 A包含B ,而 A + B就是A ;也表明B-A是不可能事件;AB = B;故(B)(D)错。应选(A)。
(C)错,是因为此时有 P(B∣A)= P(B)∕P(A)
例21 已知 0<P(B)<1 ,且P(A1+A2∣B) = P(A1∣B) + P(A2∣B),则有
(A) P(A1+A2∣Bˉ) = P(A1∣Bˉ)+ P(A2∣Bˉ) (B) P(A1B+A2B) = P(A1B)+ P(A2B)
(C) P(A1+A2) = P(A1∣B) + P(A2∣B) (D) P(B) = P(A1) P(B∣A1)+ P(A2) P(B∣A2)
分析 老老实实按照条件概率的定义重写已知条件。得
P((A1+A2)B) ∕P(B)= P(A1B) ∕P(B)+ P(A2B) ∕P(B)
去分母后,刚好是(B)。即 A1B 和 A2B 互斥
例22 A,B是两个随机事件,且0<P(A)<1 ,P(B)> 0,P(B∣A) = P(B∣Aˉ)
则必有 (A) P (A∣B) = P (Aˉ∣B) (B) P (A∣B) ≠ P (Aˉ∣B)
(C) P (AB)= P (A) P (B) (D) P (AB)≠ P (A) P (B)
分析 首先用条件概率定义转换已知的条件概率等式
P(BA) ∕P(A)= P (B Aˉ) ∕P(Aˉ) 即 P(Aˉ)P(BA) = P(A)P(BAˉ)
即 (1- P(A)) P(BA) = P(A)P(B Aˉ)
移项化简,即 P (BA) = P(A)( P(BA) + P(BAˉ) ) = P (A) P (B)
其中 , 事件B = BA + B Aˉ 是B的互斥分解。应选(C)
(画外音:已知条件保证了事件A与B相互独立。
有这样的习题 :“ 若 0 < P(A) <1 ,试证明事件A 与 B 相互独立的充分必要条件是
P (B∣A) = P (B∣Aˉ) ”
事实上,上例分析中的算式是可以逆反的。)
例23 已知 0<P(A)<1 ,0<P(B)<1 , P (A∣B) + P (Aˉ∣Bˉ) = 1 ,则
(A) 事件A和B互不相容。 (B)事件A和B互相对立。
(C) 事件A和B互不独立。 (D 事件A和B相互独立。
分析 先用条件概率定义重写已知的条件概率等式,再两端同乘以P (B) P (B ˉ), 得
P (Bˉ) P (AB) + P (B) P (AˉBˉ) = P (B) P (Bˉ)
因为是关于A与B的选择,故需用公式 P (Bˉ) = 1- P(B)
再注意到“或”的反面是“都不”,即 AˉBˉ= (A + B) ˉ P (AˉB ˉ) = P ((A + B) ˉ)= 1-P ((A + B),
概率等式进一步化为 (1-P(B))P (AB) + P (B)( 1-P (A + B)) = P (B) (1-P(B))
化减后即知 P (AB)= P (A) P (B) ,应选 (D)
与导数定义的运用一样,条件概率这一类含有公式的概念。要勤动手写定义式,要训练自己有一定的抽象运算推演变形能力,才能应对相关考研题目。
例24 甲、乙两人独立地对同一目标射击一次,其命中率分别为0.6和0.5,现已知目标被命中,则它是甲射中的概率为(?)
分析 记A =“甲射中”,B =“乙射中”,显然“目标被命中”应该是A+B ,所求概率为
P (A∣(A+B)) = P (A(A+B)) ∕ P(A+B) = P (A)∕P(A+B)= 0.6 ∕0.8 = 0.75
例25 某机要室有两种警报系统A与B ,单独使用时,系统A有效的概率为0.9 ;系统B有效的概率为0.95 ;在系统A失灵的条件下系统B仍然有效的概率为0.85 ;求
(1)在系统B失灵的条件下系统A仍然有效的概率。
(2)两个警报系统至少有一个有效的概率。
(3)在报警状态下,系统A工作的的概率。
解 就用A,B分别表示事件“系统A有效”与“系统B有效”。则,已知即
P (B∣Aˉ) = 0.85 ,由条件概率定义得方程 P (BAˉ)∕P(Aˉ)= 0.85
注意 P (BAˉ) = P(B-A)= P (B) - P(AB) ,而P(Aˉ)= 0.1 ,代入方程得
P (B) - P(AB )= 0.85 P(Aˉ),算得 P(AB)= 0.865
从而(1) P(A∣Bˉ)= P (ABˉ)∕P(Bˉ)=( P (B) - P(AB))∕P(Bˉ)= 0.7
(2)即是求 P(A + B), P(A + B)= P(A)+ P (B) - P(AB)= 0.985
(3)即是求P (A∣(A + B))
P (A∣(A + B)) = P(A)∕P(A + B)≈0.914
这个题目在算之外还告诉我们,如果题面没有交待,答题者通常不要自己假设“相互独立”条件。
例26 m个人抽m支签,其中有s支幸运签(如球票,入场卷等等。),其余都是空白签。人们通常会排序抽签。试证明,每个人抽到幸运签的概率与其抽签顺序无关。
分析 第1个人抽到幸运签的概率自然是 p = s / m
第2个人抽到幸运签的概率是两种情形(第1个人抽到或没抽到)下概率之和
( s / m)((s -1) / (m-1)) + (( m -s) / m) ( s / (m-1))
= (s (s -1)+ ( m -s) s ) ∕m (m-1) = s / m
换一个视角来计算第k个人抽到幸运签的概率:m个人抽m支签的全体结果就是m支签的全排列,既总体点数为m!如果设第k个位置是一支幸运签,有s个选法。其余m-1支签作全排列与之匹配,有利点总数为s (m-1)!故
第k个人抽到幸运签的概率 p = s (m-1)!∕m!= s / m
(潜台词:哇噻!事先排好序,谁也不吃亏。)
关于我们|商务合作|小黑屋|手机版|联系我们|服务条款|隐私保护|帮学堂| 网站地图|院校地图|漏洞提交|考研帮
GMT+8, 2024-4-24 07:26 , Processed in 0.057008 second(s), Total 8, Slave 8(Usage:3.25M, Links:[2]1,1_1) queries , Memcache On.
Powered by Discuz!
© 2001-2017 考研 Inc.