KINLONG
  • Home
  • Profiles ▼
  • Communities ▼
  • Apps ▼
  • Metrics
  • Moderation
首页
  • ▼
  • Log In
  • Share
  • ?
  • IBMIBM

Communities

This community can have members from outside your organization. 宣传社区

  • Log in to participate
0d5a4565-f6ce-42a1-ac3b-cdfaaad6889f Blog

▼ Tags

 

▼ Similar Entries

【概率论】08 | 大数定律:局部频率不...

Blog: 宣传社区
KM Admin 4b0b5240-2731-1037-9513-91eec91f24f4 kmadmin@kinlong.cn
Updated
229 people like thisLikes 229
CommentsComments 64

【概率论】07 | 频率法:概率是对发生...

Blog: 宣传社区
KM Admin 4b0b5240-2731-1037-9513-91eec91f24f4 kmadmin@kinlong.cn
Updated
244 people like thisLikes 244
CommentsComments 60

【概率论】06 | 概率度量:建立整体确...

Blog: 宣传社区
KM Admin 4b0b5240-2731-1037-9513-91eec91f24f4 kmadmin@kinlong.cn
Updated
244 people like thisLikes 244
CommentsComments 71

【概率论】04 | 独立性:随机事件的相...

Blog: 宣传社区
KM Admin 4b0b5240-2731-1037-9513-91eec91f24f4 kmadmin@kinlong.cn
Updated
249 people like thisLikes 249
CommentsComments 65

Re: 【职场课堂】概率:对世界可能性的...

Blog: 仓储管理
马万燕 ec354440-b761-1036-8d3c-ef16cba5f6da
Updated
42 people like thisLikes 42
No CommentsComments 0

▼ Archive

  • September 2023
  • July 2023
  • June 2023
  • November 2022
  • September 2022
  • August 2022
  • July 2022
  • June 2022
  • May 2022
  • April 2022
  • March 2022
  • January 2022
  • December 2021
  • November 2021
  • October 2021
  • September 2021
  • August 2021
  • July 2021
  • June 2021
  • April 2021
  • March 2021
  • February 2021
  • January 2021
  • December 2020
  • November 2020
  • October 2020
  • September 2020
  • August 2020
  • July 2020
  • June 2020
  • May 2020
  • April 2020
  • March 2020
  • February 2020
  • December 2019
  • November 2019
  • October 2019
  • September 2019
  • August 2019
  • July 2019
  • June 2019
  • May 2019
  • April 2019
  • March 2019
  • February 2019
  • January 2019
  • December 2018
  • November 2018
  • October 2018
  • September 2018
  • August 2018
  • June 2018
  • December 2017
  • April 2017

▼ Links

  • 在线图片编辑器

▼ Blog Authors

宣传社区

View All Entries
Clicking the button causes a full page refresh. The user could go to the "Entry list" region to view the new content.) Entry list

【概率论】05 | 概率计算:定义问题比计算更重要

KM Admin 4b0b5240-2731-1037-9513-91eec91f24f4 kmadmin@kinlong.cn | | Tags:  定义问题 概率论 ‎ | 50 Comments ‎ | 478 Views
 
 

 

【概率论】05 | 概率计算:定义问题比计算更重要

 

 
作者 | 刘嘉

 

 

你好,欢迎来到我的概率论课,我是刘嘉。

上一讲,我们学习了概率论的第三块基石——独立性。知道了事件的独立性是概率论中,定义随机事件相互关系的一个重要概念。只有弄清楚了随机事件的关系,我们才能正确计算它们的概率。

这一讲,我们就重点说说概率论的最后一块基石——概率计算,也就是如何计算概率。

 

任何一个现实问题,我们都不仅要定性的了解,还要定量的描述。而概率计算,就是解决定量问题的。如果没有概率计算,我们对这件事的认识就只能停留在模模糊糊的直觉层面,很容易出错。

 

概率计算的三个法则

 

常见的概率计算题都是什么样的呢?稍有了解的人都知道,它们非常折磨人。比如,“从一副扑克中有放回的一张张抽取,求在第6张得到全部4种花色的概率”;还有类似什么“箱子里装有号码1-N的球,有放回的或者无放回的摸n次球,问正好是严格上升次序排列的概率是多少”……

 

我知道,听到这种题目,你只想静静。不过好消息是,我不打算讲这些。其实,概率计算没那么难。这一讲,我就抛开那些复杂的问题,跟你讲一讲概率计算的本质。

再复杂的概率问题,也都是基于三个计算法则的。哪三个法则呢?

第一个,我称之为“排列组合法则”;

第二个,是“加法法则”;

第三个,是“乘法法则”。

 

相信我,只涉及加减乘除四则运算,你一定能听得懂。

 

排列组合法则

 

排列组合法则适用于结果有限,而且每种结果都是等可能性的情况。

 

计算方式很简单,就是这个随机事件出现的次数除以所有可能的结果的个数。比如掷骰子出现2的概率是多少,掷骰子可能的结果是1到6,共6个可能,2是其中1个结果,所以概率就是1除以6,就是1/6。是不是很简单?

不过要注意的是,我刚才说的是“随机事件出现的次数除以所有可能的结果的个数”,是“所有可能的结果”。

 

为什么要强调这个呢?我给你举个例子。如果生男生女是等概率的,朋友家先后要了两个小孩,请问都是男孩的概率是多少呢?

 

按刚才说的,列出所有结果,所有结果是几种呢?是“全是男孩、全是女孩、一男一女”这三种吗?不是的。正确的结果其实是四种——男男、男女、女男、女女,所以两个都是男孩的概率不是1/3,而是1/4。

 

“先有个男孩再有个女孩”和“先有个女孩再有个男孩”,虽然都是一男一女,但它们不一样,它是两种结果。排列组合排列组合,就是“排列”和“组合”,排列是要分先后顺序的,所以这个法则也要分先后。

其实,大部分这类的概率问题,考的都不是你的计算能力,而是排列组合的能力,看你能不能把所有的情况都排出来。

 

 

刚才说了,排列组合法则有个适用范围,就是针对等可能性的概率问题。如果不是等可能性的概率问题怎么办呢?比如糖尿病的发病率,或者高考上清华大学的概率,这些怎么计算呢?

也简单,用这个随机事件出现的次数,除以样本的总量,就能计算出了。你看,其实和排列组合法则的逻辑一样,都是用随机事件出现的次数,除以所有可能的结果的个数。

 

加法法则

 

如果说排列组合法则是针对单个随机事件的概率计算,加法法则针对的就是多个随机事件。以两个随机事件为例,一个随机事件发生或者另一个随机事件发生的概率,也就是这两个随机事件发生其一的概率,等于两个随机事件各自发生概率的和。三个随机事件,就是三个概率之和;四个随机事件,就是四个概率之和。这就是加法法则。

 

比如,开赛前专业分析师预测,费德勒获得冠军的概率是20%,获得亚军的概率是15%,那费德勒闯入决赛的概率,就是获得冠军的概率,加上获得亚军的概率,20%+15%=35%。

 

不过,加法法则也有个限定条件,就是这两个随机事件不能同时发生,我们也称之为“互斥”。拿刚才的例子来说,费德勒夺冠和获得第二名不能同时发生,你不能说他既获得了冠军又获得了亚军。只有这样的随机事件,才能直接用加法法则。

 

举个反例。天气预报说,周六下雨的概率是50%,周日下雨的概率是60%,那周末两天有降雨的概率是多少呢?是周六下雨的概率直接加上周日下雨的概率吗?一加结果是110%,超过1了。前面说了,概率一定在0和1之间,不可能大于1,所以这么算肯定不对。到底哪里错了呢?

 

 

可能你已经发现了,周六下雨和周日下雨并不互斥,周六下雨了,周日也可以下雨,它们可以同时发生。也就是说,还存在 “周六和周日都下雨”的情况,所以不能直接用加法法则。那怎么办呢?用加法法则得出的结果减去周六周日都下雨的概率就好了。

 

乘法法则

 

和加法法则一样,乘法法则也是针对多个随机事件的概率计算。以两个随机事件为例,加法法则是两个随机事件发生其一的概率,将两个随机事件各自发生的概率相加。而乘法法则是两个独立事件同时发生的概率,将两个随机事件各自发生的概率相乘就行了。

 

比如,问“木村拓哉和金城武一起向你表白的概率是多少”,就用乘法法则,等于木村拓哉向你表白的概率乘以金城武向你表白的概率。

 

 

不过,乘法法则也有个限定条件,得是独立事件。如果是独立事件,彼此互不影响,可以直接使用乘法法则。如果是非独立事件,那就不能直接乘了,而是要对乘法法则做个变形。具体怎么变,我们后面讲条件概率时会详细解释。

 

概率计算的真正困难是定义问题

 

概率计算是不是很简单?是不是只需要加减乘除四则运算就可以?正因为概率计算简单,所以概率论考试的时候,老师只能把题目描述得非常复杂。什么“或”“同时”“有放回”“无放回”,一字之差,结果就天壤之别。

 

大部分人不会做概率题,不是他不会计算,而是他没看明白题目。也许打败他的不是数学,而是语文。真正搞懂题目的意思,才是概率论考试的重点。

 

概率老师这么做是为啥呢?是为了故意把学生卡住,不让他毕业吗?当然不是。这其实是一种思维方式的训练。让学生在复杂的题目中,寻找“或”,寻找“同时”,辨析互斥,辨析独立,计算和分辨各种复杂的排列组合,从而学会把考卷上的题目翻译成一个概率问题。

 

要知道,我们在实际生活中遇到的概率问题,可远比加减乘除困难,甚至比考卷上设定的题目更难。现实中我们不会计算概率,往往就是因为不会把一个现实问题,准确地翻译成“对”的概率问题。结果就好像我们有很多把钥匙,却总是拿它们开错的锁一样,当然打不开。

 

举个例子,看到飞机失事的新闻后,有些人常常开玩笑地说,“从概率的角度,下一班飞机更安全。因为如果飞机失事的概率是百万分之一,那么飞机连续两次失事的概率就是百万分之一乘以百万分之一,也就是万亿分之一。”

 

你可能要笑了,这就是典型的“赌徒谬误”嘛。一般人认为,赌徒谬误产生的原因是人们没弄懂独立事件。但我要告诉你的是,即便弄懂了独立性,知道两个航班互相独立,很多人还是会算错,因为这些人对现实问题“翻译得不对”。他们混淆了“飞机失事两次的概率”和“飞机再次失事的概率”。注意,这两个看似差不多的表述差别是很大的。

 

“一个事件发生两次的概率”是什么?简单地说,是你准备扔两次硬币,注意,还没扔哦,问两次都是正面的概率是多少呢?用乘法法则,1/2乘以1/2,结果是1/4。换到飞机失事的例子中,飞机连续失事的概率,注意,现在飞机还没有失事哦,就是飞机失事的概率相乘,确实可能是万亿分之一。

 

而“一件事再次发生的概率”呢?是已经扔一次硬币,正面朝上,问下一次还是正面的概率是多少?我们知道,抛硬币是独立事件,再次发生的概率不受前面结果的影响,结果自然还是1/2。换到飞机失事的例子,一架飞机失事后,注意,这架飞机已经失事了哦,那再次失事的概率,就是普通飞机失事的概率,还是百万分之一 。

 

你看,对现实问题的翻译不同,概率计算的方式就不一样。我们说的是“再一次飞机失事的概率”,但你计算的是“连续两次飞机失事的概率”,当然不能反映现实问题,必然会出错。

 

正确翻译现实问题,是概率计算最复杂的地方。概率思维的核心,就是准确地将现实问题转换成对的概率问题。这也是这门课要重点带给你的。

 划重点

1. 排列组合法则、加法法则和乘法法则,是概率计算最基础的三个法则,可以解决大部分的概率计算问题。  

2. 大部分人不会做概率题,不是因为不会计算,而是因为没有看明白题目。  

3. 概率计算之所以复杂,是因为很难将现实问题准确的抽象成“对”的概率问题。准确的翻译现实问题,就是概率思维的核心。

 

最后,给你留一道思考题:

你有过因为没有准确地翻译现实问题,而导致失误的经历吗?

欢迎在评论区区留言和我分享。

  • Add a Comment Add a Comment
  • Edit
  • More Actions v
  • Quarantine this Entry
Notify Other People
notification_ex

Send Email Notification

Quarantine this entry

deleteEntry
duplicateEntry

Mark as Duplicate

  • Previous Entry
  • Main
  • Next Entry
Feed for Blog Entries | Feed for Blog Comments | Feed for Comments for this Entry
  • Home
  • Help
  • IBM Support Forums
  • Bookmarking Tools
  • Server Metrics
  • Mobile UI
  • About
  • IBM Connections on ibm.com
  • Submit Feedback