概率论中几种概率模型方法总结
概率论中几种概率模型方法总结
○高校讲坛○
ＳＣＩＥＮＣＥ ＆ ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ
２００８ 年 第 １１ 期
概率论中几种概率模型方法总结
徐寅生 （许昌学院数学科学学院 河南 许昌 ４６１０００）
【摘 要】概率论中几种常用的概率模型是古典概型、几何概型、贝努里概型．本文对概率论中几种概率模型方法进行了总结． 【关键词】概率模型方法； 概率论； 概率计算
关于求“ｎ 重贝努里试验中至少发生一次”的概率．“ｎ 次 试 验 中 至
０
少发生一次”， 它的对立事件是“ｎ 次试验全部没有发生”．由 Ｐｎ （０）＝Ｃｎ ｐ
０ｎ ｎ
ｑ ＝ｑ 根据相互对立事件的概率之和为 １， 可得 Ｐ｛至少发生一次｝＝１－ ｑ
ｎ ，同理 Ｐ｛至少不发生一次｝＝１－ ｐｎ． 例 ６ 一个学生在罚球线投篮的命中率为 ０．２， 问： （ １） 该生独立进行 ２５ 次投篮恰有 １０ 次命中的概率是多少？ （ ２） 至
例 ７ 某人有一串 ｍ 把外形相同的钥匙， 其中只有一把能打开家 门， 有一天该人酒醉后回家， 下意识地每次从 ｍ 把钥匙中随便拿一只 去开门， 问该人在第 ｋ 次才把门打开的概率多大？
解： 因为每把钥匙试用后不做记号又放回， 所以每把被选中的概 率为 １ ， 由独立性得
ｍ Ｐ（第 ｋ 次才把门打开）＝ １ （１－ １ ）ｋ－１．
少有 １ 次命中的概率是多少？
解 ： 设 Ａ＝｛投 篮 命 中｝， 则 Ｐ（Ａ）＝ｐ＝０．２，Ａ ＝｛投 篮 不 命 中｝， 则 Ｐ（Ａ ）＝
ｑ＝０．８．
１０
１０
１５
（ １） 依 题 意 ， ｎ＝２５，ｋ＝１０，由 公 式 有 Ｐ２５（ １０） ＝Ｃ２５ ×０．２ ×０．８ ≈０．１８
离散和连续概率模型
离散和连续概率模型
离散和连续概率模型是概率论研究的两个重要分支。
离散概率模型涉及离散变量，而
连续概率模型涉及连续变量。
离散概率模型是指随机变量取值是一个离散的集合，例如投硬币的结果（正面或反面）或掷骰子的结果（1-6）。
在离散概率模型中，我们可以定义概率质量函数（PMF），用于
描述每个值的概率。
例如，一个投硬币的概率质量函数可能如下所示：
P（正面）= 0.5
P（反面）= 0.5
f（x）=（1 / σ√（2π））exp（-（x-μ）^2 / 2σ^2）
其中，μ是平均值，σ是标准差。
离散和连续概率模型都有一个重要的概念，即期望值。
期望值是一组数据中所有变量
的平均值。
在离散概率模型中，期望值公式为：
E（X）= ∑xP（X = x）x
在连续概率模型中，期望值公式为：
其中，xf（x）表示随机变量X的概率密度函数。
Var（X）= ∫（x-μ）^2f（x）dx
综上所述，离散和连续概率模型都是概率论研究的重要分支。
它们分别针对随机变量
的离散和连续两种情况，并通过概率质量函数或概率密度函数来描述随机变量的分布情况。
在实际应用中，离散概率模型和连续概率模型经常用于解决不同的问题，例如离散概率模
型可以用于模拟二项分布或泊松分布，在计算机网络中广泛应用。
而连续概率模型则适用
于金融、科学研究和医学统计等领域。
高中数学必修三古典概型的几种解题技巧
高中数学必修三古典概型的几种解题技巧古典概型是概率论中最基本的概率模型之一，它涉及到对已知的随机试验的多种可能结果和其对应概率的求解。
在高中数学必修三中，古典概型的解题技巧是学生必须掌握的一部分内容。
下面将介绍几种常见的古典概型解题技巧。
1. 直接计数法直接计数法是指通过对试验结果的数量进行计数，从而求解概率。
该方法一般适用于试验结果较少且容易确定的情况。
有5个小球，其中2个红色，3个蓝色，求从中任意抽取2个小球，抽到两个红色小球的概率。
按照直接计数法，我们可以将这个问题转化为从5个小球中抽取2个小球的问题，同时我们知道其中2个小球是红色的。
我们可以计算红色小球和非红色小球的组合数，然后除以所有小球的组合数来求解概率。
2. 互补事件法互补事件法是指通过求解事件的互补事件概率来求解事件的概率。
互补事件是指与事件A互补的事件，即事件A不发生的事件。
对于互补事件，其概率加上事件的概率必然等于1。
有一个盒子中有3个红球和2个蓝球，从中任意抽取一个球，求抽到一个红球的概率。
按照互补事件法，我们可以将该事件的互补事件定义为抽到一个蓝球的事件。
我们可以先求解抽到一个蓝球的概率，然后用1减去该概率来求解抽到一个红球的概率。
3. 排列组合法排列组合法是指通过排列组合的知识来求解概率。
它适用于试验结果较多且不易直接计数的情况。
有8个字母a，b，c，d，e，f，g，h，从中任意抽取3个字母，求抽取的三个字母都是元音字母的概率。
按照排列组合法，我们可以先计算所有情况的数量，即从8个字母中任意抽取3个字母的组合数，然后计算抽取的三个字母都是元音字母的情况数量，并将其除以所有情况的数量来求解概率。
4. 事件的分解法通过掌握以上几种古典概型解题技巧，可以帮助高中数学学生更好地理解和应用古典概型，在解决实际问题时能够灵活运用这些技巧，提高解题能力。
概率论知识点总结归纳
概率论知识点总结归纳概率论是数学中的一个重要分支，研究随机现象的规律性和不确定性。
它广泛应用于统计学、信息论、物理学、经济学等领域。
概率论的研究对象是随机事件及其概率规律，而随机事件是不确定性事件的一种具体表现。
本文将对概率论的基本概念、概率计算方法、概率分布以及条件概率等内容进行总结归纳。
首先是概率论的基本概念。
概率是随机事件发生的可能性大小的度量，常用0到1之间的数表示。
根据事件的性质，概率可以分为古典概率、几何概率和统计概率。
其中，古典概率适用于条件固定且等可能的情况，几何概率适用于几何模型，而统计概率则通过实验或观测数据进行统计。
其次是概率计算方法。
对于古典概率，在条件固定且等可能的情况下，可以通过“事件数量/总样本空间数量”来计算概率。
而对于几何概率，常用的计算方法有面积比和长度比。
统计概率则通过频数和频率进行计算，频数是某一事件发生的次数，频率是某一事件发生的相对次数。
然后是概率分布。
概率分布描述了随机变量可能取值的概率。
常见的概率分布包括离散概率分布和连续概率分布。
离散概率分布用来描述随机变量只能取有限个或可数个值的情况，常见的离散概率分布包括伯努利分布、二项分布、泊松分布等。
而连续概率分布用来描述随机变量在某个区间内取值的概率，常见的连续概率分布包括均匀分布、正态分布、指数分布等。
最后是条件概率。
条件概率表示在已知某一事件发生的条件下，另一事件发生的概率。
条件概率的计算需要使用条件概率公式：P(A|B) = P(A∩B) / P(B)，其中P(A|B)表示在事件B发生的条件下，事件A发生的概率；P(A∩B)表示事件A和事件B同时发生的概率；P(B)表示事件B发生的概率。
条件概率在实际问题中具有很重要的应用，例如在医学诊断中，根据某个症状事件发生的条件下，判断某种疾病发生的概率。
综上所述，概率论是一门基础而重要的数学学科，涉及到许多理论和方法，应用于众多领域。
在实际应用中，我们需要根据具体问题选择合适的概率计算方法，理解概率分布的特点以及条件概率的计算公式。
概率模型
分布函数为
F ( x) p( x)dx
随机变量的数字特征： 期望：大多数随机变量集中（出现）的位置。 方差：随机变量偏离期望（均值）值的程度。 Kolmogorov强大数定律：
设k是互相独立的随机变量，且 Dk /k2 < ， 则 1/n(k - E k)0
Linderberg-Levy中心极限定理：
称S(m)/r=为平均利润，其中b/g 是赔偿金占 机票价格的比例。 问题1 设： n=300, a=0.6, p=0.05, b/g=0.2. 求最佳m, 使S(m)最大，P5(m)最小 采用解析模拟方法
s=[];f5=[]; for m=300:360 s1=((1-0.05)*m-(1+0.2)*sum(((m-300):1:1).*binopdf(0:m-300-1,m,0.05)))/180-1; s=[s,s1]; if m<=305 f=0; else f=sum(binopdf(0:m-300-6,m,0.05)); end f5=[f5 f]; end x=300:360; plot(x,s,x,f5),grid
P( t k )
k
k!
e
t k
k!
e t
指数分布
e t , t 0 泊松过程的随机事件陆续发 p (t ) 0, t 0 生的时间间隔，
(已知平均时间间隔为1/)
1 e t , t 0 F (t ) 0, t 0
均匀分布
t X 1 X n n 1 x e lim P t ( t ) n 2 n
2
/2
dx
高中数学中几种常见的概率模型
高中数学中几种常见的概率模型高中数学中几种常见的概率模型：古典概型、几何概型、贝努利概型、超几何分布概型1、古典概型：也叫传统概率、其定义是由法国数学家拉普拉斯提出的。
如果一个随机试验所包含的单位事件是有限的，且每个单位事件发生的可能性均相等，则这个随机试验叫做拉普拉斯试验，这种条件下的概率模型就叫古典概型。
在这个模型下，随机实验所有可能的结果是有限的，并且每个基本结果发生的概率是相同的；古典概型是概率论中最直观和最简单的模型，概率的许多运算规则，也首先是在这种模型下得到的。
2、几何概型：是概率模型之一，别名几何概率模型，如果每个事件发生的概率只与构成该事件区域的长度成比例，则称这样的概率模型为几何概率模型。
在这个模型下，随机实验所有可能的结果都是无限的，并且每个基本结果发生的概率是相同的。
一个试验是否为几何概型在于这个试验是否具有几何概型的两个特征，无限性和等可能性，只有同时具备这两个特点的概型才是几何概型。
3、贝努利模型：为纪念瑞士科学家雅各布·贝努利而命名。
对随机试验中某事件是否发生，实验的可能结果只有两个，这个只有两个可能结果的实验被称为贝努利实验；重复进行n次独立的贝努利试验，这里“重复”的意思是指各次试验的条件是相同的，它意味着各次试验中事件发生的概率保持不变。
“独立是指是指各次试验的结果是相互独立的。
基于n重贝努利试验建立的模型，即为贝努利模型。
4、超几何分布：是统计学上一种离散概率分布。
它描述了从有限N个物件（其中包含M个指定种类的物件）中抽出n个物件，成功抽出该指定种类的物件的次数（不放回）。
称为超几何分布，是因为其形式与“超几何函数”的级数展式的系数有关。
超几何分布中的参数是M,N,n，上述超几何分布记作X~H(n,M,N) 。
概率论-古典概率模型
所以
P(e ) 1 ,i 1,2,,n
i
n
若事件 A 包含 k 个基本事件 ,即
A ei1 ei2 eik
则有
P(A) P ei1 P ei2 P eik
k n
A包含的基本事件数 S中的基本事件总数
例1 将一枚硬币抛掷三次.
i 设事件 A1 为 "恰有一次出现正面 " ,求 PA1 . ii 设事件 A2 为 "至少有一次出现正面 " ,求 PA2 .
因为抽取时这些球是完
10个球中的任一个被取 出的机会都是1/10
全平等的，我们没有理由认
为10个球中的某一个会比另
一个更容易取得 . 也就是说，
10个球中的任一个被取出的
机会是相等的，均为1/10.
85 1946 7 2 3 10
二、古典概型中事件概率的计算
记 A={摸到2号球}
2
P(A)=?
P(A)=1/10
2
1 7
98345106
定义 1 若随机试验满足下述两个条件 (1) 它的样本空间只有有限多个样本点
(2) 每个样本点出现的可能性相同 称这种试验为等可能随机试验或古典概型.
记 B={摸到红球} , P(B)=6/10
静态
这里实际上是从“比例” 转化为“概率” 动态
当我们要求“摸到红球”的概 率时，只要找出它在静态时相应的 比例.
Ca1 Ca1b
a
a b
（2）作不放回抽样
k个人各人取一只球，每种取法是一个基本事件.
由乘法原理知，k个人各人取一只球有
(a
b)(a
b
1)
(a
b
k
1)
概率论中几种概率模型方法总结
概率论中几种概率模型方法总结绪论：概率论中几种常用的概率模型是古典概型、几何概型、贝努里概型.本文对概率论中几种概率模型方法进行了总结。
1 古典概型古典概型及其概率是概率论的基础知识,它既是进一步学习概率的基础,下面就一些典型事件的分析来说明古典概型的概率计算方法。
古典概型的概率计算可以分为三个步骤:确定所研究的对象为古典概型;计算样本点数;利用公式计算概率。
即如果随机试验只有有限个可能结果,而且每一个可能结果出现的可能性相同,那么这样的随机试验就是古典概型问题。
若设Ω是一个古典概型样本空间, 则对任意事件A 有: A m P ( A ) ==Q n中的样本点数中的样本点数。
在计算m 和n 时,经常使用排列与组合计算公式。
在确定一个试验的每个基本事件发生的可能性相同时,经常根据问题本身所具有的某种“对称性”,即利用人们长期积累的关于“对称性”的实际经验,认为某些基本事件发生的可能性没有理由偏大或偏小。
关于古典概型的数学模型如下:1.1 袋中取球问题1.1.1 随机地同时从袋中取若干球问题随机地同时从袋中取若干球问题是古典概型中的一类最基本问题,其特点是所考虑的事件中只涉及球的结构而不涉及取球的先后顺序,计算样本点数时只需考虑组合数即可。
概率中的很多问题常常可以归结为此类问题来解决。
事件1 一袋中有m + n 个球,其中m 个黑球, n 个白球,现随机地从袋中取出k 个球( k ≤m + n) ,求其中恰好有l 个白球( l ≤n)的概率。
分析:随机地从袋中取出k 个球有km+n C 种可能的结果,其中“恰好有l 个白球”这一事件包含了l k-l n mC C 种结果,因此所求概率为lk - ln m k m + n C C P =C 这个结论可以作为一个公式来应用。
用它可以解决一些类似的问题。
1.1.2 随机地从袋中不放回地取球若干次随机地从袋中不放回地取球若干次就是指随机地从袋中每次只取一个球,取后不再放回袋中,连续进行若干次。
贝叶斯公式和全概率公式的模型
贝叶斯公式和全概率公式是概率论中两个重要的模型。
它们都可以用来计算事件的概率，但是它们的应用场景和方法不同。
贝叶斯公式是一种基于已知条件来推断未知事件发生概率的方法。
它的基本思想是：在已知一些先验信息的情况下，通过观察新的数据来更新我们对事件发生概率的估计。
具体来说，贝叶斯公式将先验概率、似然函数和后验概率联系在一起，从而计算出事件发生的概率。
全概率公式则是一种将复杂事件分解为简单事件的方法。
它的基本思想是：对于一个复杂事件，我们可以将其分解为若干个简单事件，然后分别计算这些简单事件发生的概率，最后将这些概率相乘得到整个复杂事件的概率。
在实际问题中，我们可以根据具体情况选择使用贝叶斯公式或全概率公式来计算事件的概率。
例如，在医疗诊断中，我们可以使用贝叶斯公式来根据病人的症状和检查结果来推断疾病的可能性；而在金融风险管理中，我们可以使用全概率公式来分析各种风险因素对投资组合的影响。
总之，贝叶斯公式和全概率公式都是概率论中非常重要的模型，它们在不同的应用场景中都有着广泛的应用价值。
概率论中几种概率模型方法总结
３．３．３“ｎ 重贝努里试验直到第 ｋ 次才发生”
它 的 应 用 有 中 靶 问 题 、开 门 问 题．
关于求“ｎ 重贝努里试验直到第 ｋ 次才发生”的概率．那么它有 ｋ－
１ 次不发生， 因此概率是
Ｐ｛直到第 ｋ 次才发生｝＝Ｐ（Ａ １Ａ ２…Ａ ｋ－１Ａｋ＝Ｐ（Ａ １）Ｐ（Ａ ２）…Ｐ（Ａ ｋ－１）Ｐ（Ａｋ） ＝ｑｋ－ １ｐ．
２．三种概率模型的概率计算 ２．１ 古典概型概率的定义 定义 １ 设一试验有 ｎ 个等可能的基本 事件， 而事件 Ａ 恰包含其中的 ｍ 个基本事件， 则事件 Ａ 的概率 Ｐ（Ａ）定
算到 ｎ 个人生日全相 同．我 们 可 以 从 反 面 去 计 算 它 的 逆 事 件 ： Ａ"＝｛ｎ 个
ｎ
人 生 日 全 不 相 同｝，
础．几 何 概 型 从 某 种 意 义 上 说 是 古 典 概 型 的 补 充 和 推 广 ， 在 很 多 实 际 的生日在同一天的概率是多少？ （ 一年按 ３６５ 天记） ．
问题中， 实验的一切结果是无限个， 这时古典概型就不再适用了．这三
解： 基本事件总数为 ３６５ｎ，有利事件 Ａ＝｛ｎ 个人中至少 有 两 个 人 生
科技信息
○高校讲坛○
ＳＣＩＥＮＣＥ ＆ ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ
２００８ 年 第 １１ 期
概率论中几种概率模型方法总结
徐寅生 （许昌学院数学科学学院 河南 许昌 ４６１０００）
【摘 要】概率论中几种常用的概率模型是古典概型、几何概型、贝努里概型．本文对概率论中几种概率模型方法进行了总结． 【关键词】概率模型方法； 概率论； 概率计算
率？
解 ： 设 Ａ＝｛指 定 的 某 盒 是 空 的｝，Ｂ＝｛指 定 的 ３ 个 盒 子 中 各 有 １ 个
高中数学模型系列之概率模型
高中数学模型系列之概率模型概率模型简介概率模型是数学中一个重要的分支，用于描述和分析不确定性和随机事件的规律。
它是基于概率论和统计学的理论基础，广泛应用于实际问题的建模和预测中。
概率的基本概念在概率模型中，我们首先需要了解一些基本的概率概念。
1. 随机试验：指具有不确定性的试验，其结果无法事先确定。
2. 样本空间：随机试验所有可能结果的集合。
3. 事件：样本空间的子集，表示我们感兴趣的结果。
4. 概率：表示事件发生的可能性大小的数值。
概率计算方法在概率模型中，我们可以使用两种基本的计算方法来计算事件的概率。
1. 古典概型：适用于各种试验结果等可能发生的情况。
概率可以通过事件发生次数与样本空间大小的比值来计算。
2. 统计概型：适用于试验结果不等可能发生的情况。
概率可以通过统计数据进行估算。
概率模型的应用概率模型广泛应用于各个领域，下面列举几个常见的应用场景。
1. 游戏和赌博：在赌博中，使用概率模型可以帮助预测不同结果的可能性，从而进行合理的押注决策。
2. 金融和保险：在金融和保险行业中，概率模型可以用于计算风险和收益的概率，从而辅助决策和风险管理。
3. 生物学和医学：概率模型可以用于分析疾病的发生和传播，预测药物的疗效，以及评估基因变异对生物体的影响。
4. 工程和科学研究：在工程和科学研究中，使用概率模型可以帮助分析和优化复杂系统的性能和可靠性。
小结概率模型作为数学的一个重要分支，具有广泛的应用领域。
通过理解和运用概率模型，我们可以更好地理解和分析各种随机事件，从而做出更合理的决策和预测。
以上是关于高中数学模型系列之概率模型的简要介绍。
_注意：此文档为纯粹的数学介绍，具体应用中可能涉及到更多的细节和实际情况，请在具体问题中咨询相应领域的专业人士或进一步深入研究。
_。
概率的计算与应用总结
概率的计算与应用总结概率是数学中一个重要的分支，用于描述和预测随机事件发生的可能性。
它在各个领域都有着广泛的应用，包括统计学、金融、工程、自然科学等。
本文将总结概率的计算方法和应用，以及其中的一些重要概念和定理。
一、基本概念和计算方法概率是研究随机事件发生可能性的数值度量。
它的取值范围在0到1之间，表示事件发生的可能性大小。
概率的计算方法主要包括以下几种：1.1 经典概率计算法经典概率计算法是指在所有可能的结果中，事件发生的可能性等概率分布。
例如，抛硬币时正面和反面出现的概率都是1/2。
这种计算法适用于样本空间有限且事件等可能出现的情况。
1.2 频率概率计算法频率概率计算法是通过实验或观察统计事件发生的频率来估计概率。
例如，通过大量的随机抽样，可以估计某个事件发生的概率。
这种计算法适用于大样本的情况。
1.3 主观概率计算法主观概率计算法是基于主观判断和经验来估计概率。
例如，预测某个事件发生的概率可以根据专家的意见和经验来判断。
这种计算法适用于缺乏大样本或无法进行实验的情况。
二、概率的应用概率在各个领域都有广泛的应用，下面介绍几个常见的应用领域和相关概念。
2.1 统计学统计学是概率的重要应用领域之一。
概率论为统计学提供了基础理论和方法。
通过概率模型和统计推断方法，可以对数据进行分析和预测，从而帮助决策和解决问题。
2.2 金融金融领域的风险管理和投资决策都离不开概率的计算与应用。
如股票市场、期货市场、保险等都需要对未来的可能性进行分析和评估。
概率模型和统计方法可以帮助投资者和金融机构进行风险管理和决策。
2.3 工程工程领域中，概率论被广泛应用于可靠性分析和风险评估。
概率模型和方法可以用于评估系统的可靠性、研究故障的概率分布、通过模拟和仿真分析工程过程等。
2.4 自然科学概率在自然科学中也有广泛的应用，如物理学中的量子力学、生物学中的遗传学和进化论等。
概率模型和方法可以解释和预测自然界中的随机现象，并帮助科学家进行研究和探索。
概率论中几种概率模型方法总结
概 率 论 中几 种 常 用 的 概 率 模 型是 古 典 概 型 、 何 概 型 、 努 里 概 问题 、 几 贝 抽球 问题 、 排队 问题 、 照像问题 、 性别问题 、 旅客下站 问题 等的应 型、 典 概 型 是 各 类 概 率 模 型 中最 基 本 的 一 种 ， 实 际 问题 中经 常会 用 ． 古 在 遇 到， 因此 它 历来 是 概 率 论 教 学 中 的 重 点 部 分 ． 学 习 概 率 统 计 的 基 是 例 ２ （ 日问 题 ） 班 级 有 ｎ个 人 （ 生 某 ｎ￣３５ ， 至 少 有 两 个 人 ６）问 础． 何 概型从某种意 义上说是古典概 型的补充 和推广 ， 几 在很 多 实 际 的 生 日在 同一 天 的概 率 是 多 少 ？ （ 年 按 ３５天记 ） 一 ６ ． 问题 中 ， 验 的一 切 结 果 是 无 限 个 ， 时 古 典 概 型 就 不 再 适 用 了． 三 实 这 这 种概型各有各的定义、 条件 、 算 方 法 及 应 用 范 围． 计 解 ： 本 事件 总 数 为 ３５， 利 事 件 Ａ ｆ 人 中 至 少 有 两 个 人 生 基 ６＂ 有 ＝ｎ个
复 试 验 ． 贝努 里 概 型 ． 即
故（ ＝ ０ Ｐ＝ 击 ． Ｐ） 告＿，Ｂ Ａ ＝ ＿（ ＝ ６ ４ ）
２１ ．． ２随机取数模型 ２ 古 典 概 型 概 率 的 定 义 定 义 １ 一 试 验 有 ｎ个 等 可 能 的 基 本 Ａ 设 随机 取 数 模 型 分 为 有 放 回 随机 取 数 和 不 放 回 随 机 取 数 ． 的 应 用 它 事 件 ， 件 Ａ恰 包 含 其 中 的 ｍ个 基 本 事 件 ， 事 件 Ａ 的 概 率 ＰＡ 定 包 括 电话 号码 问题 、 复取 数 问题 、 重 复 取 数 问题 、 而事 则 （） 重 不 限定 条 件 取 数 问 义 为 题 、 定 取 数 问题 等 ． 指 例 ４ 电 话 号 码 是 由 ７位 数 字 组 成 ． 个 数 字 可 以 是 ０ １２ ３ ４ 每 、、，、、 ５ ６ ７ ８ ９中 的 任 意 一 个 数 字 ， 要 求 ０不 能 做 首 位 ， 下 列 事 件 的 … 、 但 求 用 上 面 公 式 可 以 求古 典 概 型 的 事件 概 率 ， 计 算 中 的 方 法我 们 可 概 率 ． 在
古典概型的概率计算例题和知识点总结
古典概型的概率计算例题和知识点总结在概率论中，古典概型是一种非常基础且重要的概率模型。
它具有简单直观、易于理解和计算的特点。
接下来，我们将通过一些具体的例题来深入理解古典概型的概率计算方法，并对相关知识点进行总结。
一、古典概型的定义与特点古典概型是指试验中所有可能的结果是有限的，并且每个结果出现的可能性相等。
例如，掷一枚均匀的硬币，结果只有正面和反面两种，且出现正面和反面的可能性相等；掷一个均匀的骰子，结果有 1、2、3、4、5、6六种，每种结果出现的概率都是 1/6。
二、古典概型的概率计算公式如果一个试验有n 个等可能的结果，事件A 包含其中的m 个结果，那么事件 A 发生的概率 P(A) ＝ m ／ n 。
三、例题解析例 1：从装有 3 个红球和 2 个白球的口袋中随机取出 2 个球，求取出的 2 个球都是红球的概率。
解：从 5 个球中取出 2 个球的组合数为 C(5, 2) ＝ 10 种。
取出 2 个红球的组合数为 C(3, 2) ＝ 3 种。
所以取出 2 个球都是红球的概率为 3 ／ 10 。
例 2：一个盒子里有 5 个完全相同的球，分别标有数字 1、2、3、4、5，从中随机摸出一个球，求摸到奇数球的概率。
解：总共有 5 个球，摸到每个球的可能性相等。
奇数球有 1、3、5 三个。
所以摸到奇数球的概率为 3 ／ 5 。
例 3：同时掷两个均匀的骰子，求点数之和为 7 的概率。
解：同时掷两个骰子，总的结果数为 6 × 6 ＝ 36 种。
点数之和为7 的情况有（1，6）、（2，5）、（3，4）、（4，3）、（5，2）、（6，1），共 6 种。
所以点数之和为 7 的概率为 6 ／ 36 ＝ 1 ／ 6 。
四、古典概型概率计算的注意事项1、要确保试验结果的等可能性。
如果试验结果不是等可能的，就不能使用古典概型的概率计算公式。
2、计算基本事件总数和事件包含的基本事件数时，要注意不重不漏。
3、对于复杂的问题，可以通过分类讨论或分步计算来解决。
摸球问题概率求法归类
摸球问题概率求法归类今天，我们要讨论的是摸球问题概率求法归类。
摸球问题是指，从一堆混乱的球中抽取多个球，每次都是独立的抽取，求取抽中某种特定球的概率。
针对因为抽球次数多而呈现的计算模型，研究者们将概率求解模型归类如下：1.朴素贝叶斯模型贝叶斯模型主要指将观测数据分类，通过计算各类别概率来确定最有可能的分类。
在摸球问题中，各类球的出现概率不固定，可以调整其占比，朴素贝叶斯的求解可以相对简单地求解出抽中某种球的概率。
2.蒙特卡洛方法蒙特卡洛方法是以概率论为基础，将实际问题转化为抽样模型，采用大量抽样来模拟实际状况，并进行统计分析，以求解问题结果。
同样，在摸球问题中，可以采取蒙特卡洛模拟抽取球，根据模拟结果对球的抽取概率进行统计计算，实现对摸球问题的求解。
3.概率推断方法概率推断方法是以概率推断为基础，根据已知条件，向前追溯并求取出未知概率。
在摸球问题中，可以通过推断给定条件下抽中某种特定球的概率，对摸球问题的求解也有很好的帮助。
上述三种方法，都可以将摸球问题的计算模式转变为概率求解模型，实现摸球问题的求解。
针对不同模式，我们可以采取不同的概率求解方法。
下面，我们将分析每种概率求解技术的详细过程。
首先，我们来看看朴素贝叶斯模型。
朴素贝叶斯模型要求观测数据出现的概率已知，通过计算各类概率来求解抽中某种球的概率。
比如，如果有五种球，分别占比为0.3、0.2、0.2、0.2、0.1，那么抽中某个特定球的概率就是其在总数量中占比的百分比。
接下来，我们讨论蒙特卡洛方法。
这种方法针对实际条件进行抽样，根据抽样模拟结果，对球的抽取概率进行统计计算，根据大量抽样求出抽中某种特定球的概率。
比如，我们在实际中抽取100次，每次抽取一个球，并记录下抽中特定球的次数，那么抽中这种特定球的概率就是抽中次数的百分比。
最后，我们讨论概率推断方法。
这种方法根据已知条件，向前追溯并求取出未知概率，是摸球问题最原始的求解方法。
比如，假设有六种球，在上一次抽取中抽取出某个特定球，那么下次抽取这种特定球的概率就是该球在总数量中占比的百分比，根据上次抽取结果来推断下次抽取结果。
概率论在机器学习中的应用
概率论在机器学习中的应用概率论是机器学习的基础，它提供了一种数学框架来处理不确定性。
在机器学习中，概率论主要用于以下几个方面：1. 概率模型概率模型是对随机现象的数学描述。
概率模型可以分为两大类：生成模型和判别模型。
生成模型描述了如何从数据中生成数据，而判别模型描述了如何根据数据预测结果。
在机器学习中，常用的概率模型包括：•朴素贝叶斯模型：朴素贝叶斯模型是一种生成模型，它假设特征之间彼此独立。
朴素贝叶斯模型简单易用，在许多任务上都有良好的性能。
•隐马尔可夫模型：隐马尔可夫模型是一种生成模型，它描述了随机过程的动态行为。
隐马尔可夫模型可以用于语音识别、自然语言处理等任务。
•条件随机场：条件随机场是一种判别模型，它描述了给定输入数据的情况下，输出数据之间的关系。
条件随机场可以用于命名实体识别、图像分割等任务。
2. 贝叶斯统计贝叶斯统计是一种统计方法，它利用概率论来对不确定性进行推理。
贝叶斯统计的基础是贝叶斯定理，贝叶斯定理可以用于计算在已知某些信息的情况下，事件发生的概率。
在机器学习中，贝叶斯统计主要用于以下几个方面：•贝叶斯估计：贝叶斯估计是一种参数估计方法，它利用贝叶斯定理来计算参数的后验分布。
贝叶斯估计可以用于估计模型参数、超参数等。
•贝叶斯模型选择：贝叶斯模型选择是一种模型选择方法，它利用贝叶斯定理来计算不同模型的后验概率。
贝叶斯模型选择可以用于选择最佳的模型。
•贝叶斯优化：贝叶斯优化是一种超参数优化方法，它利用贝叶斯定理来计算超参数的后验分布。
贝叶斯优化可以用于优化模型超参数。
3. 强化学习强化学习是一种机器学习方法，它通过与环境的交互来学习最优的行为策略。
强化学习的基础是马尔可夫决策过程，马尔可夫决策过程描述了智能体在环境中的行为和奖励。
在强化学习中，概率论主要用于以下几个方面：•马尔可夫决策过程：马尔可夫决策过程是一种随机过程，它描述了智能体在环境中的行为和奖励。
马尔可夫决策过程可以用于建模许多现实世界中的问题，例如机器人控制、游戏等。
概率论中的模型选择与比较
概率论中的模型选择与比较引言在概率论中，模型选择和比较是一个重要的课题。
它涉及到如何从多个候选模型中选择一个最优模型，以及如何比较不同模型的性能。
模型选择和比较在许多领域都有着广泛的应用，如统计学、机器学习、数据挖掘等。
模型选择模型选择是指从多个候选模型中选择一个最优模型。
最优模型是指能够最准确地描述数据，并具有最好的预测能力。
模型选择的目的是为了找到一个能够平衡模型的复杂性和预测能力的模型。
模型选择的标准有很多，常见的有：•似然函数：似然函数是模型对数据的拟合程度的度量。
似然函数值越大，表明模型对数据的拟合越好。
•赤池信息量准则 (AIC)：AIC是一种常用的模型选择标准。
AIC将模型的复杂性和预测能力结合起来，并选择具有最小AIC值的模型。
•贝叶斯信息量准则 (BIC)：BIC是一种与AIC类似的模型选择标准。
BIC也考虑了模型的复杂性和预测能力，但它更偏向于选择更简单的模型。
模型比较模型比较是指比较不同模型的性能。
模型比较的目的在于确定哪个模型更适合于给定的数据。
模型比较可以基于以下几个方面：•似然比检验：似然比检验是一种常见的模型比较方法。
似然比检验是基于似然函数来比较两个模型的性能。
似然比值越大，表明一个模型比另一个模型更好。
•交叉验证：交叉验证是一种常用的模型比较方法。
交叉验证将数据分为多个子集，然后轮流使用每个子集作为测试集，其他子集作为训练集。
交叉验证可以帮助我们评估模型的泛化能力，即模型在新的数据上表现如何。
•信息准则：信息准则，如AIC和BIC，也可以用于比较不同模型的性能。
信息准则较小的模型通常被认为是更好的模型。
模型选择与比较的应用模型选择和比较在许多领域都有着广泛的应用，如：•统计学：模型选择和比较在统计学中有着广泛的应用，如假设检验、参数估计、回归分析等。
•机器学习：模型选择和比较在机器学习中有着重要的作用，如分类、回归、聚类等。
•数据挖掘：模型选择和比较在数据挖掘中也有着广泛的应用，如关联规则挖掘、分类挖掘、聚类挖掘等。
几种概率模型
二者关系：由生成模型可以得到判别模型，但由判别模型得不到生成模型。
二、概率图模型（Graphical Models）
概率图模型：是一类用图的形式表示随机变量之间条件依赖关系的概率模型，
是概率论与图论的结合。图中的节点表示随机变量，缺少边表示条件独立假 设。
HMM实例
Urn 1
Urn 2
Urn N
实验进行方式如下： • 根据初始概率分布，随机选择N个缸中的一个开始实验 • 根据缸中球颜色的概率分布，随机选择一个球，记球的颜色为 x1，并把球放回缸中 • 根据缸的转移概率分布，随机选择下一口缸，重复以上步骤。
最后得到一个描述球的颜色的序列x1,x2,…称为观察值序列X。
1( X1, X2 , X3 )2( X2 , X3 , X4 )
X1 ,X2 ,X3 ,X4
i (Ci ) : 是关于 Ci 上 随机变量的函数
三、朴素贝叶斯分类器（ Naive Bayes Classifier）
设x∈Ω是一个类别未知的数据样本，Y为类别集合，若数据样本x属 于一个特定的类别yj，那么分类问题就是决定P(yj|x)，即在获得数据 样本x时，确定x的最佳分类。所谓最佳分类，一种办法是把它定义为 在给定数据集中不同类别yj先验概率的条件下最可能的分类。贝叶斯 理论提供了计算这种可能性的一种直接方法。
=[0.5 0.5]T
0.3 R 0.6 G 0.4
1
0.7 0.2 0.8
2
0.9 0.1
R
R
G
①
①
①
0.5 0.3 0.30.60.60.4
高中数学六种概率模型
高中数学六种概率模型高中数学中，概率是一个重要的概念。
它用来描述事件发生的可能性大小。
在概率论中，有六种常见的概率模型，它们分别是等可能概型、几何概型、排列概型、组合概型、条件概型和分布概型。
下面将逐个介绍这六种概率模型。
一、等可能概型：等可能概型是指每个基本事件发生的可能性相等。
比如抛硬币，硬币正面和反面出现的概率都是1/2。
再比如掷骰子，每个点数出现的概率都是1/6。
在等可能概型中，我们可以通过计算事件的个数与样本空间的大小来求解概率。
二、几何概型：几何概型是指在几何空间中进行概率计算。
比如说，我们可以通过几何概型来计算平面内的点落在某个区域的概率。
在几何概型中，我们可以通过计算区域的面积或体积与几何空间的大小来求解概率。
三、排列概型：排列概型是指在排列问题中的概率计算。
比如说，从n个元素中取出r个元素进行排列，那么排列的个数就是n个元素的全排列数，即n!。
在排列概型中，我们可以通过计算事件的个数与样本空间的大小来求解概率。
四、组合概型：组合概型是指在组合问题中的概率计算。
比如说，从n个元素中取出r个元素进行组合，那么组合的个数就是n个元素的组合数，即C(n,r)。
在组合概型中，我们可以通过计算事件的个数与样本空间的大小来求解概率。
五、条件概型：条件概型是指在已知某些条件下的概率计算。
比如说，已知某个事件A发生的条件下，另一个事件B发生的概率。
在条件概型中，我们可以通过计算事件A与事件B同时发生的概率与事件A发生的概率之比来求解概率。
六、分布概型：分布概型是指在统计分布中的概率计算。
比如说，正态分布、泊松分布、二项分布等等。
在分布概型中，我们可以通过计算随机变量的取值与概率密度函数或概率质量函数之间的关系来求解概率。
高中数学中的概率有六种常见的概率模型，它们分别是等可能概型、几何概型、排列概型、组合概型、条件概型和分布概型。
每种概率模型都有其独特的应用场景和计算方法。
熟练掌握这些概率模型，有助于我们更好地理解和应用概率论的知识，解决实际生活和工作中的问题。
概率论模型
概率论模型
概率论模型是指在概率论的框架下对某一现象或系统进行建模的数学模型。
在概率论模型中，我们假设某些随机变量的取值是不确定的，而这些随机变量之间又存在某种关系，我们的目标就是求解这些随机变量的概率分布、期望、方差等特征，以便更好地理解和预测相应现象或系统的行为。
在概率论模型中，常用的建模方法包括概率分布、随机过程、马尔可夫链、贝叶斯网络等。
这些方法不仅适用于自然科学领域，如物理、化学等，也适用于社会科学领域，例如经济学、政治学等。
概率论模型的应用范围非常广泛，例如在金融领域中，我们可以使用随机过程模型对股票价格进行预测；在医学领域中，我们可以使用贝叶斯网络模型对疾病的发病机理进行建模和分析；在机器学习领域中，我们可以使用概率分布模型对数据进行分类和聚类等任务。
总之，概率论模型是一种强大的数学工具，可以帮助我们更好地理解和预测各种现象和系统的行为。
- 1 -。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
概率论中几种概率模型方法总结绪论：概率论中几种常用的概率模型是古典概型、几何概型、贝努里概型.本文对概率论中几种概率模型方法进行了总结。
1 古典概型古典概型及其概率是概率论的基础知识,它既是进一步学习概率的基础,下面就一些典型事件的分析来说明古典概型的概率计算方法。
古典概型的概率计算可以分为三个步骤:确定所研究的对象为古典概型;计算样本点数;利用公式计算概率。
即如果随机试验只有有限个可能结果,而且每一个可能结果出现的可能性相同,那么这样的随机试验就是古典概型问题。
若设Ω是一个古典概型样本空间, 则对任意事件A 有: A m P ( A ) ==Q n中的样本点数中的样本点数。
在计算m 和n 时,经常使用排列与组合计算公式。
在确定一个试验的每个基本事件发生的可能性相同时,经常根据问题本身所具有的某种“对称性”,即利用人们长期积累的关于“对称性”的实际经验,认为某些基本事件发生的可能性没有理由偏大或偏小。
关于古典概型的数学模型如下:1.1 袋中取球问题1.1.1 随机地同时从袋中取若干球问题随机地同时从袋中取若干球问题是古典概型中的一类最基本问题,其特点是所考虑的事件中只涉及球的结构而不涉及取球的先后顺序,计算样本点数时只需考虑组合数即可。
概率中的很多问题常常可以归结为此类问题来解决。
事件1 一袋中有m + n 个球,其中m 个黑球, n 个白球,现随机地从袋中取出k 个球( k ≤m + n) ,求其中恰好有l 个白球( l ≤n)的概率。
分析:随机地从袋中取出k 个球有km+n C 种可能的结果,其中“恰好有l 个白球”这一事件包含了l k-l n mC C 种结果,因此所求概率为lk - ln m k m + n C C P =C 这个结论可以作为一个公式来应用。
用它可以解决一些类似的问题。
1.1.2 随机地从袋中不放回地取球若干次随机地从袋中不放回地取球若干次就是指随机地从袋中每次只取一个球,取后不再放回袋中,连续进行若干次。
这样的取球过程实际上是按顺序取的,所考虑的事件也会涉及到取球的顺序,所以要用排列数计算样本点数。
事件2 一袋中装有m + n 个球,其中m 个黑球, n 个白球,现随机地从中每次取出一个球(不放回) ,求下列事件的概率:(1)第i 次取到的是白球;(2)第i 次才取到白球;(3)前i 次中能取到白球;(4)前i 次中恰好取到l 个白球( l ≤i ≤m + n, l ≤n) ;(5)到第i 次为止才取到l 个白球( l ≤i ≤m + n, l ≤n)。
分析:( 1)“第i 次取到的是白球”可以理解为“取球进行了i 次,第i 次取出白球”。
从m + n 个球中不放回地取球i 次,即是从m + n 个球中不放回地取出i 个球,一共有i m + n P 种不同的取法;其中“第i 次取到的是白球”有i - 11m+ n - 1n P C 种取法。
因此所求概率为:i - 11m + n - 1n 1i m + nP C P =P , 根据排列数公式计算得1n P =m + n 。
这个问题可以看成是抽签问题的数学模型,其结果表明:抽到好签的机会(概率)与抽签的顺序无关,即抽签具有公平性。
(2)“第i 次才取到白球”可以理解为“取球进行了i 次,前i - 1次取出的都是黑球,第i 次取出的是白球”,根据乘法原理可知应有i - 11m n P C 种取法;同(1)可得从m + n个球中不放回地取球i 次一共有i m + nP 种不同的取法,故有i - 11i - 1m n m 2i i m + n m + n P C nP P ==P P 。
(3)“前i 次中能取到白球”包含的情况比较复杂,因此先找它的对立事件“前i次取出的都是黑球”的概率。
“前i 次取出的都是黑球”的概率是:i im m i i m+ n m + nP C P = =P C ,所以前i 次中能取到白球的概率是im 3i m + nC P =1 -C 。
(4)“前i 次中恰好取到l 个白球”意味着“取出的i 个球中有l 个白球, i - l 个黑球”,根据乘法原理可知应有i - l l i m n iC C P 种取法, 所以i - l l i i - ll m b i m n 4i i m + n m + n C C P C C P ==P C 。
(5)“到第i 次为止才取到l 个白球”等价于“前i- 1次中恰好取到l - 1个白球且第i 次取到白球”。
故i - l l - 1i - 11i - ll - 1m n i - 1n - l + 1m n 5i i m + n m + nC C P C C C ( n - l + 1)P ==P iC 。
由此可见如果能深刻理解事件2这种数学模型,那么古典概型中的一些概率计算问题就可以归结为随机地从袋中不放回地取球若干次求某事件的概率问题。
1.1.3 随机地从袋中有放回地取球若干次随机地从袋中有放回地取球若干次就是指随机地从袋中每次只取一个球,取后依然放回袋中,连续进行若干次。
这样的取球过程实际上也是按顺序取的,而且每个球都有被重复取出的可能,所考虑的事件依然会涉及到取球的顺序,所以要用重复排列数计算样本点数。
事件3 一袋中装有m + n 个球,其中m 个黑球, n 个白球,现随机地从中每次取出一个球,取后放回,求下列事件的概率:( 1)第i 次取到的是白球;(2)第i 次才取到白球;( 3 )前i 次中能取到白球;(4)前i 次中恰好取到l 个白球( l ≤i ≤m + n, l ≤n);(5)到第i 次为止才取到l 个白球( l ≤i ≤m + n, l ≤n)。
分析: 因为每一个问题仅仅涉及了i 次取球,所以只考虑取球i 次的情形。
根据题中的取球要求可知每次取球都是从m + n 个球中取出1 个共取了i 次,据此应该i (m + n)种不同的取球方式。
(1)“第i 次取到的是白球”意味着“前i - 1次每次都是从m + n 个球中取出1个球(白球或黑球) ,然后第i 次是从n 个白球中取出1个白球”,根据乘法原理得“第i 次取到的是白球”应有i - 11n(m + n)C 种取法。
因此所求概率是i - 11n 1i (m + n)C n P = =(m + n)m + n 。
(2)“第i 次才取到白球”表示“前i - 1次每次都是从m 个黑球中取出1个黑球,然后第i 次是从n 个白球中取出1个白球”,一共有i - 1m n 种取法。
故事件“第i 次才取到白球”的概率是i - 12i m n P =(m + n)。
(3)“前i 次中能取到白球”的对立事件是“前i 次取出的都是黑球”,而“前i 次取出的都是黑球”是指“前i 次每次都是从m 个黑球中取出1个黑球”,有i m 种取法。
所以“前i 次中能取到白球”的概率是i3i m P =1 -(m + n)。
(4)“前i 次中恰好取到l 个白球”表明“取出的i 个球中有l 个白球, i - l 个黑球”,其中l 个白球中的任意一个可以是i 次取球中的任意一次取出的,同时也是每次从n 个白球中取出一个;欲得到i - l 个黑球须每次从m 个黑球中取出一个,取i - l 次。
根据乘法原理可知“前i 次中恰好取到l 个白球”应有l l i - 1i C n m 种取法,因此它的概率为l i i - li 4i C n m P =(m + n)。
(5)“到第i 次为止才取到l 个白球”意味着“前i- 1次中恰好取到l - 1个白球且第i 次取到的是白球”,由(4)可知前i - 1次中恰好取到l - 1个白球应有l - 1l - 1i - li - l C n m 种取法;又因第i 次取到的是白球有n 种取法,由乘法原理得“到第i 次为止才取到l 个白球”应有l - 1l - 1i - l l - 1l i - li - l i - l C n m n =C n m 种取法,从而所求概率是l - 1l i - l i - l 5i C n m P =(m + n)。
1.2 排序问题排序就是指把一些对象按照一定的顺序排成一列或一圈。
如果在排序的前提条件下计算某事件的概率,那么就要用排列数来计算样本点数。
事件4 将标号为1, 2, ⋯, n 的n 个球随意地排成一行。
求下列事件的概率:(1)标号是递增或递减的序列;(2)第1号球排在最左或最右;(3)第1号球与第2号球相邻;(4)第1号球在第2号球右边(但不一定相邻) ;(5)第1号球与第2号球之间恰有r 个球( r < n - 1) [ 2 ] 。
分析:将标号为1, 2, ⋯, n 的n 个球随意地排成一行有n! 种不同的排法。
(1)标号是递增或递减的序列只能是排成1, 2,⋯, n 或n, n - 1, ⋯, 2, 1 这两种形式,因此所求概率为2n!。
(2)先排1号球,再排其它球。
1号球排在最左或最右只有两种排法,其它的n - 1个球有( n - 1) !种排法,根据乘法原理满足条件的排列有2(n-1)!个,所以所求概率为2(n-1)!2=n!n。
(3)先把1号球和2号球看成一个整体与其它球进行排列,即n-1个球排成一列应有(n-1)! 种排法;再排1号球和2号球,有2! 种排法。
由乘法原理可知满足条件的排列有2!( n - 1)! 个,所以所求概率为2!(n-1)!2=n!n。
(4)对于每一种“1 号球在2 号球右边”的排法而言,如果对调1、2号球的位置就会得到一种“1号球在2号球左边”的排法,反之亦然。
即“1号球在2号球右边”与“1号球在2 号球左边”的排法总数相等,所以所求概率为12。
(5)先排1号球和2号球,有2种排法;因为1号球与2号球之间恰好有r 个球,而且这r 个球是剩下的n - 2个球中任意r 个,所以再从n - 2个球中任意选出r 个进行排列(排列时满足条件它们正好在1号球与2号球之间)有r n - 2C r!种不同的排法;最后把1号球、2号球以及选出的r 个球看成一个整体与其它球进行排列有(n-2-r+1) ! 种排法。
根据乘法原理可得“第1号球与第2号球之间恰有r 个球”一共有r n - 22C r!( n-2-r +1)!种排法,因此所求概rn - 22C r!(n-2-r+1)!!n 率为,亦即2(n-r-1)n(n-1)。
1.2.1 放球入箱问题放球入箱问题实际上就是古典概型的一个数学模型,其背景是把一些球随意地放入箱子里,要求不同放法也就不同。
样本点数的计算既会用到排列数,又会用到组合数。
事件5 将n 个球随意放入N 个箱子中,其中每个球可能放入任意一个箱子,求下列事件的概率:(1)指定n 的个箱子各放入一球(设N ≥n) ;(2)每个箱子最多放入一球;(3)第i 个箱子不空;(4)第i 个箱子恰好放入k ( k ≤n)个球。