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 A⊆S。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)和 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)=1−P(Aˉ2)=1−1/8=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 = setEvent(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 = setEvent(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setEvent(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)和 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=setEvent(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=setEvent(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setEvent设置事件 A 1 A_1 A1,最小号码为5;相仿地,第7行调用setEvent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!