统计概率经典例题含答案解析

统计概率经典例题含答案解析在统计概率的学习中，通过经典例题的深入解析能够有效掌握核心概念与方法。以下通过五个典型问题，系统展示排列组合、条件概率、全概率公式、贝叶斯定理、期望方差及正态分布等知识点的应用逻辑与计算细节。问题一：不放回抽样的概率计算某抽奖箱中共有10张奖券，其中3张为中奖券，7张为未中奖券。现从箱中不放回地随机抽取3张，求恰好抽到2张中奖券的概率。解析过程首先明确问题类型：这是典型的古典概型问题，需计算“恰好2张中奖”这一事件的概率。古典概型的关键在于确定样本空间的总数（所有可能的抽取结果）和事件包含的样本点数（符合条件的抽取结果）。1.样本空间总数：从10张奖券中不放回抽取3张，不考虑顺序，因此总组合数为组合数\(C_{10}^3\)。根据组合数公式\(C_n^k=\frac{n!}{k!(n-k)!}\)，计算得：\(C_{10}^3=\frac{10!}{3!\times7!}=\frac{10\times9\times8}{3\times2\times1}=120\)。2.事件包含的样本点数：“恰好2张中奖”意味着在3张中奖券中选2张，同时在7张未中奖券中选1张。这两个选择是独立的，因此符合条件的组合数为\(C_3^2\timesC_7^1\)。计算得：\(C_3^2=\frac{3!}{2!\times1!}=3\)，\(C_7^1=7\)，因此符合条件的组合数为\(3\times7=21\)。3.概率计算：根据古典概型公式，概率\(P=\frac{\text{事件样本点数}}{\text{样本空间总数}}=\frac{21}{120}=0.175\)（即17.5%）。易错点提示：需注意“不放回抽样”时，抽取顺序不影响结果，因此使用组合数而非排列数。若错误使用排列数（如\(A_{10}^3\)），会导致样本空间总数计算偏大，结果错误。问题二：条件概率与贝叶斯定理的应用某疾病在人群中的发病率为0.1%（即先验概率\(P(A)=0.001\)，其中\(A\)表示“患病”）。现有一种检测方法，其灵敏度（真阳性率，即患病时检测为阳性的概率）为99%（\(P(B|A)=0.99\)，其中\(B\)表示“检测阳性”），特异度（真阴性率，即未患病时检测为阴性的概率）为99.5%（\(P(\negB|\negA)=0.995\)）。求：检测结果为阳性时，实际患病的概率\(P(A|B)\)。解析过程此问题需通过贝叶斯定理计算后验概率，核心是结合先验概率与检测方法的准确性，修正对患病概率的判断。1.明确已知条件：-先验概率\(P(A)=0.001\)，则未患病概率\(P(\negA)=1-0.001=0.999\)；-真阳性率\(P(B|A)=0.99\)；-真阴性率\(P(\negB|\negA)=0.995\)，因此假阳性率\(P(B|\negA)=1-0.995=0.005\)。2.应用全概率公式计算\(P(B)\)：检测阳性可能来自患病者或未患病者，因此：\(P(B)=P(B|A)P(A)+P(B|\negA)P(\negA)\)代入数值得：\(P(B)=0.99\times0.001+0.005\times0.999=0.00099+0.004995=0.005985\)。3.应用贝叶斯定理计算\(P(A|B)\)：\(P(A|B)=\frac{P(B|A)P(A)}{P(B)}=\frac{0.00099}{0.005985}\approx0.1654\)（即16.54%）。实际意义：尽管检测方法的灵敏度和特异度都很高（均超过99%），但由于疾病本身发病率极低（0.1%），检测阳性者中实际患病的概率仅约16.54%。这说明单独一次检测阳性并不能直接确诊，需结合其他证据或重复检测。问题三：全概率公式与贝叶斯定理的联合应用某企业有三个工厂生产同一种零件，工厂1、工厂2、工厂3的产量分别占总产量的40%、35%、25%（即\(P(A_1)=0.4\)，\(P(A_2)=0.35\)，\(P(A_3)=0.25\)，其中\(A_i\)表示“零件来自工厂\(i\)”）。各工厂的次品率分别为2%、3%、4%（即\(P(B|A_1)=0.02\)，\(P(B|A_2)=0.03\)，\(P(B|A_3)=0.04\)，其中\(B\)表示“零件为次品”）。（1）随机抽取一个零件，求它是次品的概率\(P(B)\)；（2）已知抽取的零件是次品，求它来自工厂1的概率\(P(A_1|B)\)。解析过程问题（1）需用全概率公式，将“次品”事件分解为来自三个工厂的次品事件之和；问题（2）则是在已知次品的条件下，用贝叶斯定理计算各工厂的贡献概率。（1）计算\(P(B)\)根据全概率公式，\(P(B)=\sum_{i=1}^3P(B|A_i)P(A_i)\)。代入数值：\(P(B)=0.4\times0.02+0.35\times0.03+0.25\times0.04\)计算得：\(0.4\times0.02=0.008\)，\(0.35\times0.03=0.0105\)，\(0.25\times0.04=0.01\)，因此\(P(B)=0.008+0.0105+0.01=0.0285\)（即2.85%）。（2）计算\(P(A_1|B)\)根据贝叶斯定理，\(P(A_1|B)=\frac{P(B|A_1)P(A_1)}{P(B)}\)。代入已知值：\(P(A_1|B)=\frac{0.02\times0.4}{0.0285}=\frac{0.008}{0.0285}\approx0.279\)（即27.9%）。延伸思考：全概率公式用于“由因推果”（已知各工厂的产量和次品率，求总次品率），而贝叶斯定理用于“由果溯因”（已知次品，反推最可能的来源工厂）。此例中，尽管工厂1的产量最高（40%），但其次品率最低（2%），因此次品来自工厂1的概率（27.9%）低于来自工厂2的概率（\(P(A_2|B)=\frac{0.03\times0.35}{0.0285}\approx0.368\)，即36.8%）。问题四：离散型随机变量的期望与方差某投资项目有三种可能的市场状态：市场好（概率0.3）、市场一般（概率0.5）、市场差（概率0.2）。对应的投资收益分别为50万元、10万元、-20万元（负号表示亏损）。求该项目的期望收益和收益的方差。解析过程期望（均值）反映随机变量的平均水平，方差反映随机变量取值的波动程度（风险）。对于离散型随机变量\(X\)，期望\(E(X)=\sumx_iP(X=x_i)\)，方差\(\text{Var}(X)=E(X^2)-[E(X)]^2\)。1.计算期望收益\(E(X)\)：\(E(X)=50\times0.3+10\times0.5+(-20)\times0.2\)计算得：\(50\times0.3=15\)，\(10\times0.5=5\)，\(-20\times0.2=-4\)，因此\(E(X)=15+5-4=16\)（万元）。2.计算方差\(\text{Var}(X)\)：首先计算\(E(X^2)\)（各收益平方的期望值）：\(E(X^2)=50^2\times0.3+10^2\times0.5+(-20)^2\times0.2\)计算得：\(50^2\times0.3=2500\times0.3=750\)，\(10^2\times0.5=100\times0.5=50\)，\((-20)^2\times0.2=400\times0.2=80\)，因此\(E(X^2)=750+50+80=880\)。方差\(\text{Var}(X)=E(X^2)-[E(X)]^2=880-16^2=880-256=624\)（万元²）。经济意义：期望收益16万元表示该项目长期平均收益水平为16万元；方差624（标准差约24.98万元）反映收益波动较大，投资者需考虑风险承受能力。问题五：连续型随机变量（正态分布）的概率计算某地区成年男性身高\(X\)服从正态分布\(N(175,6^2)\)（即均值\(\mu=175\)cm，标准差\(\sigma=6\)cm）。求：（1）身高在170cm至180cm之间的概率；（2）身高超过185cm的概率。解析过程正态分布是连续型随机变量的典型分布，通过标准化（转化为标准正态分布\(Z\simN(0,1)\)）可利用标准正态分布表计算概率。标准化公式为\(Z=\frac{X-\mu}{\sigma}\)。（1）计算\(P(170<X<180)\)标准化后：\(Z_1=\frac{170-175}{6}=-\frac{5}{6}\approx-0.833\)，\(Z_2=\frac{180-175}{6}=\frac{5}{6}\approx0.833\)。因此，\(P(170<X<180)=P(-0.833<Z<0.833)\)。由于标准正态分布对称，\(P(-a<Z<a)=2\Phi(a)-1\)（其中\(\Phi(a)\)表示\(Z\leqa\)的概率）。查标准正态分布表：当\(Z=0.83\)时，\(\Phi(0.83)\approx0.7967\)；当\(Z=0.84\)时，\(\Phi(0.84)\approx0.7995\)。通过线性插值估算\(\Phi(0.833)\)：0.833与0.83的差值为0.003，对应概率增量约为\(0.003\times\frac{0.7995-0.7967}{0.01}=0.003\times0.28=0.00084\)，因此\(\Phi(0.833)\approx0.7967+0.00084=0.7975\)。故\(P(170<X<180)\approx2\times0.7975-1=0.595\)（即59.5%）。（2）计算\(P(X>185)\)标准化后：\(Z=\frac{185-175}{6}=\frac{10}{6}\approx1.6667\)。因此，\(P(X>185)=P(Z>1.6667)=1-\Phi(1.6667)\)。查标准正态分布表：当\(Z=1.66\)时，\(\Phi(1.66)\approx0.9515\)；当\(Z=1.67\)时，\(\Phi(1.67)\approx0.9525\)。估算\(\Phi(1.6667)\)：1.6667与1.66的差值为0.0067，对应概率增量约为\(0.0067\times\frac{0.9525-0.9515}{0.01}=0.0067\times0.1=0.00067\)，因此\(\Phi(1.6667)\approx0.9515