随机事件发生的概率公式是什么？
P（A-B）=P（A）-P（AB）
由概率的单调性，只有条件“B包含于A”成立的时候，有P(A-B)=P(A)-P(B)成立。
对于任意两个事件A、B来说，B不一定包含于A，而AB一定包含于A，所以A-B=A-AB，
所以：P(A-B)=P(A)-P(AB)
和事件发生，即事件A发生或事件B发生，事件A与事件B至少一个发生，由事件A与事件B所有样本点组成，记作A∪B。
积事件发生，即事件A和事件B同时发生，由事件A与事件B的公共样本点组成，记作AB或A∩B。
扩展资料
事件A是事件B的子事件，事件A发生必然导致事件B发生，事件A的样本点都是事件B的样本点，记作A⊂B。
若A⊂B且B⊂A，那么A=B，称A和B为相等事件，事件A与事件B含有相同的样本点。
和事件发生，即事件A发生或事件B发生，事件A与事件B至少一个发生，由事件A与事件B所有样本点组成，记作A∪B。
积事件发生，即事件A和事件B同时发生，由事件A与事件B的公共样本点组成，记作AB或A∩B。
例如，在试验A中{H}表示“正面朝上”，这是基本事；在试验B中{3}表示“掷得3点”，这也是基本事件；在试验C中{5}表示“测量的误差是0.5”，这还是一个基本事件。
样本空间Ω包含所有的样本点，它是Ω自身的子集，在每次的试验中它总是发生，称为必然事件，必然事件仍记为Ω，空集∮不包含任何样本点，它也作为样本空间Ω的子集。在每次试验中都不发生，称为不可能事件，必然事件和不可能事件在不同的试验中有不同的表达方式。
综上所述，随机事件可能有不同的表达方式：一种是直接用语言描述，同一事件可能有不同的描述；也可以用样本空间子集的形式表示，此时，需要理解它所表达的实际含义，有利于对事件的理解。
绛旓細闅忔満浜嬩欢姒傜巼鐨勮绠楀叕寮忎负锛欳(n,m)*p^m*(1-p)^(n-m)銆傚叾涓簨浠剁殑姒傜巼涓簆锛宯涓洪殢鏈轰簨浠讹紝m涓哄彂鐢熺殑娆℃暟锛岄殢鏈轰簨浠舵槸鍦ㄩ殢鏈鸿瘯楠屼腑锛屽彲鑳藉嚭鐜颁篃鍙兘涓嶅嚭鐜帮紝鑰屽湪澶ч噺閲嶅璇曢獙涓紝鍏锋湁鏌愮瑙勫緥鎬х殑浜嬩欢鍙仛闅忔満浜嬩欢锛堢畝绉颁簨浠讹級銆傛鐜囷紙鏃хО鍑犵巼锛屽張绉版満鐜囥佹満浼氱巼鎴栨垨鐒剁巼锛夋槸鏁板姒傜巼璁虹殑鍩烘湰姒傚康...
绛旓細1銆佷簨浠剁殑缁濆姒傜巼鍏紡 P(A) = n(A) / n(S)锛屽叾涓璓(A)琛ㄧず浜嬩欢A鍙戠敓鐨勬鐜囷紝n(A)琛ㄧず浜嬩欢A鍙戠敓鐨勬鏁帮紝n(S)琛ㄧず鏍锋湰绌洪棿S涓殑鍏冪礌涓暟銆2銆佷簨浠剁殑鐩稿姒傜巼鍏紡 P(A) = f(A) / f(S)锛屽叾涓璓(A)琛ㄧず浜嬩欢A鍙戠敓鐨勬鐜囷紝f(A)琛ㄧず浜嬩欢A鍙戠敓鐨勯鐜囷紝f(S)琛ㄧず鏍锋湰绌洪棿S涓殑棰戠巼鎬诲拰銆
绛旓細P锛圓-B锛=P锛圓锛-P锛圓B锛夌敱姒傜巼鐨勫崟璋冩锛屽彧鏈夋潯浠垛淏鍖呭惈浜嶢鈥濇垚绔嬬殑鏃跺欙紝鏈塒(A-B)=P(A)-P(B)鎴愮珛銆傚浜庝换鎰忎袱涓簨浠禔銆丅鏉ヨ锛孊涓嶄竴瀹氬寘鍚簬A锛岃孉B涓瀹氬寘鍚簬A锛屾墍浠-B=A-AB锛屾墍浠ワ細P(A-B)=P(A)-P(AB)鍜屼簨浠跺彂鐢燂紝鍗充簨浠禔鍙戠敓鎴栦簨浠禕鍙戠敓锛屼簨浠禔涓庝簨浠禕鑷冲皯涓涓彂鐢燂紝...
绛旓細鐢卞姞娉曞叕寮忓緱鍒帮細P(AUB)=P(A)+P(B)-P锛圓B锛锛汸锛圓B锛=P(A)+P(B)-P(AUB)=0.4+0.3-0.6=0.1锛汸(AB闈)=P锛圓锛1-B锛夛級 =P锛圓-AB锛=P(A)-P锛圓B锛=0.4-0.1=0.3锛涢殢鏈轰簨浠舵寚鐨勬槸鍦ㄩ殢鏈鸿瘯楠屼腑锛屽彲鑳藉嚭鐜颁篃鍙兘涓嶅嚭鐜帮紝鑰屽湪澶ч噺閲嶅璇曢獙涓叿鏈夋煇绉嶈寰嬫х殑浜嬩欢鍙仛闅忔満浜...
绛旓細鍏舵鐜囧间负1锛岄偅涔堜笉鍙兘浜嬩欢鐨勬鐜囧氨涓0銆傞殢鏈轰簨浠剁殑姒傜巼璁＄畻 闅忔満浜嬩欢姒傜巼鐨勮绠楀叕寮忎负锛欳(n锛宮)*p^m*(1-p)^(n-m)锛屽叾涓簨浠剁殑姒傜巼涓簆锛宯涓洪殢鏈轰簨浠讹紝m涓哄彂鐢熺殑娆℃暟锛岄殢鏈轰簨浠舵槸鍦ㄩ殢鏈鸿瘯楠屼腑锛屽彲鑳藉嚭鐜颁篃鍙兘涓嶅嚭鐜帮紝鑰屽湪澶ч噺閲嶅璇曢獙涓紝鍏锋湁鏌愮瑙勫緥鎬х殑浜嬩欢鍙仛闅忔満浜嬩欢(绠绉颁簨浠)銆
绛旓細褰揂銆丅 浜掍笉鐩稿鏃 P(AUB)=P(A)+P(B)-P(A鈭〣)銆傚垎鏋愶細鍥犱负闅忔満浜嬩欢A,B涓嶇浉瀹癸紝鍒欎粬浠殑浜ら泦涓虹┖闆嗐侾(AB)=0銆侾(AB)=0鍗矨涓嶣娌℃湁浜ら泦鏃讹紝P(AUB)=P(A)+P(B)銆侾(AUB)=P(A)+P(B)鏄疨(AUB)=P(A)+P(B)-P(A鈭〣)鐨勭壒渚嬶紝A涓嶣娌℃湁浜ら泦鏃舵垚绔嬨
绛旓細姒傜巼鐨勫熀鏈鍏紡鏄鏁板涓敤浜庢弿杩闅忔満浜嬩欢鍙戠敓鍙兘鎬х殑涓缁勯噸瑕佸叕寮忋傚湪姒傜巼璁轰腑锛屾垜浠粡甯镐娇鐢ㄤ互涓嬪嚑绉嶅熀鏈叕寮忔潵璁＄畻鍜屽垎鏋愰殢鏈轰簨浠剁殑姒傜巼锛1. 鍔犳硶鍏紡锛氬浜庝袱涓簰鏂ヤ簨浠禔鍜孊锛屽畠浠悓鏃鍙戠敓鐨勬鐜鍙互琛ㄧず涓篜(A鈭狟) = P(A) + P(B)銆傝繖涓叕寮忚〃鏄庝簡涓や釜鐙珛浜嬩欢鐨勫苟闆嗗彂鐢熺殑姒傜巼绛変簬鍚勮嚜鍙戠敓鐨...
绛旓細姒傜巼鍏紡濡備笅锛1銆佸彜鍏告鍨嬶細P锛圓锛=A鍖呭惈鐨勫熀鏈簨浠舵暟/鍩烘湰浜嬩欢鎬绘暟=m/n锛涘鏋滀竴涓闅忔満璇曢獙鎵鍖呭惈鐨勫崟浣嶄簨浠舵槸鏈夐檺鐨勶紝涓旀瘡涓崟浣浜嬩欢鍙戠敓鐨勫彲鑳鎬у潎鐩哥瓑锛屽垯杩欎釜闅忔満璇曢獙鍙仛鎷夋櫘鎷夋柉璇曢獙锛岃繖绉嶆潯浠朵笅鐨勬鐜囨ā鍨嬪氨鍙彜鍏告鍨嬨2銆佸嚑浣曟鍨嬶細P(A)=鏋勬垚浜嬩欢A鐨勫尯鍩熼暱搴/璇曢獙鐨勫叏閮ㄧ粨鏋滄墍鏋勬垚鐨勫尯鍩熼暱搴...
绛旓細瑙ｆ瀽锛欰锛孊锛孋涓嚦灏戞湁涓涓笉鍙戠敓鐨勫绔嬩簨浠舵槸A锛孊锛孋鍏ㄩ儴鍙戠敓锛涘悗鑰呯殑姒傜巼涓篜(A鈭〣鈭〤)锛屾牴鎹绔嬩簨浠鐨勬鐜囧叕寮锛歅锛圓锛=1-P锛圓鐨勫绔嬶級鏈夛細A锛孊锛孋涓嚦灏戞湁涓涓笉鍙戠敓=1-P(A鈭〣鈭〤)銆傛鐜囧弽鏄闅忔満浜嬩欢鍑虹幇鐨勫彲鑳鎬э紙likelihood)澶у皬銆傞殢鏈轰簨浠舵槸鎸囧湪鐩稿悓鏉′欢涓嬶紝鍙兘鍑虹幇涔熷彲鑳戒笉鍑虹幇...
绛旓細姒傜巼c鍏紡鏄锛欳锛坣锛宬锛=n锛坣-1锛夛紙n-2锛(n-k+1)/k!锛屽叾涓璳鈮銆備緥濡傦紝C锛12锛3锛=12脳11脳10/3!=1320/锛3脳2脳1锛=1320/6=220銆傛嫇灞曠煡璇嗭細姒傜巼锛屼害绉扳滄垨鐒剁巼鈥濓紝鏄弽鏄闅忔満浜嬩欢鍑虹幇鐨勫彲鑳鎬уぇ灏忋傞殢鏈轰簨浠舵槸鎸囧湪鐩稿悓鏉′欢涓嬶紝鍙兘鍑虹幇涔熷彲鑳戒笉鍑虹幇鐨勪簨浠躲備緥濡傦紝浠庝竴鎵规湁姝ｅ搧鍜...
