排列组合计数原则

最新推荐文章于 2023-04-22 20:31:43 发布

SophiaReading

最新推荐文章于 2023-04-22 20:31:43 发布

阅读量811

点赞数 1

文章标签：概率论机器学习算法

本文链接：https://blog.csdn.net/dersu/article/details/116518975

版权

读《Elementary Probability Theory》，我们来讨论排列组合计数（counting）原则。

计数（counting）basically是实验为基础的(This probability should be have something to do with the experimental frequency of the occurrence of the event.[1])。就是我们可以想象成实验的具体操作，这样就有step 1， step 2，……，每个step有实验结果（possibilities）。

计数的基本规则（Fundamental Rule[2]）是：如果step 1有 $m_1$ 个possibilities，step $i$ 有 $m_i$ 个possibilities，那么， $r$ 个有序步骤所有可能的possibilities是 $m_1 \times m_2\times \cdots \times m_r$ 。

因为，我们想象一下：树。第一层 $m_1$ 个节点，每个节点有 $m_2$ 个子节点，即第二层有 $m_1\times m_2$ 个节点，……，到了第r层，有 $m_1 \times m_2\times \cdots \times m_r$ 个节点。（就是说，我们计算的是第r层有多少个节点。树，从第r层回溯到第1层的路径是一个解决方案。我们把这棵树印在脑子里，节点数可以加，可以乘。即计数的基本规则原理是树。）

例如，某西餐店的餐前有奶油蘑菇汤、土豆浓汤、蔬菜色拉3个选择，主食有牛排、猪排、鱼排、披萨、意大利肉酱面5个选择，甜点有冰淇淋、蛋糕、橙汁、咖啡4个选择，那么所有可能的组合是 $3 * 5 * 4 = 60$ 个。这个次序不能颠倒。

但如果以最终结果论， $r$ 个步骤的先后顺序不计呢？本文的目标聚焦于这个问题。但这么说什么意思呢？下文具体讨论这本书列举的所有Cases。

首先，为什么计算概率要计数（counting）？

集合和随机变量均基于样本空间（sample space）和样本点（sample point）的概念，在排列组合计数、统计、随机分布、随机过程所有场景，我们在心里首先要明了所面临的问题的sample space和sample points是什么。

样本空间（sample space $\Omega$ ）是实验的所有可能的结果（outcomes）的集合，每个独一无二的结果是一个sample point。一个事件（event）是其子集，包含一部分sample points。

sample space这个集合的sample point数目可能是有限的、可数但无限（countably infinite）、不可数且无限。当sample space有限时，且每个sample point的位置平等时，比如一副牌每张牌是机会均等的，制作均匀的骰子，正反面均匀的硬币，那么实验结果是随机地选择一个sample point。

举例。

伯努利分布（Bernoulli distribution）实验是扔一次硬币，sample space $\Omega$ 是集合{正面，反面}或者更简单符号化表示 ${H, T\}$ ， $H$ =Heads， $T$ =Tails。
可见sample points $\omega$ 有两个， $\omega_1=H，\omega_2=T$ 。

二项分布（Binomial distribution）实验是扔n次硬币、k次正面朝上。例如扔三次硬币，sample space $\Omega=\{(H, H, H), (H, H, T), (H, T, H), (H, T, T), (T, H, H), (T, H, T), (T, T, H), (T, T, T)\}$ ，sample points有八个， $\omega_1=(H, H, H)$ ， $\omega_2=(H, H, T)$ ，……， $\omega_8=(T, T, T)$ 。

在想象中，我们动手操作一次一次做实验，需要厘清的是：实验所有可能的结果≠实验实际操作所得的结果列表。

比如，扔一枚硬币“实验所有可能的结果”是 ${H, T\}$ 。但扔一枚硬币5次，可能得到的结果是 $(H, H, H, H, T)$ 。也就是说sample space是实验所有可能的不同的结果。（集合精确地表达了这个含义。）

历史上最早这样定义一个事件（event）发生的概率：event 子集中有多少个sample points， $A$ 的基数 $∣ A ∣$ ，sample space一共有多少个sample points， $\Omega$ 的基数 $|\Omega|$ ,

$P(A)=\frac{|A|}{|\Omega|}=\frac{\text{Number of outcomes favorable to }A}{\text{total number of outcomes in }\Omega}$

当然这个概率计算方法前提很严格：每个sample point发生几率相等（equally likely）。这被称为naive的定义。

在naive场景中，计算概率就变成了计数（counting，数数)问题：sample space $\Omega$ 有几个sample points，事件 $A$ 子集有几个sample points。

我们来细数四个不同情况（case）的计数方法。

采样任务是：一个透明容器中有m个可区分（distinguishable）的球，编码为 $1$ 到 $m$ 。在不同的具体条件下采样（sampling） $n$ 个球。问有多少个可能的arrangements（设 $a$ = the number of all possible outcomes, $a$ 表示 “arrangements”）。

“透明”表示我们可以看到每个球。我们的实验做一次产生一次不同的arrangement。我们不是在黑箱中摸球，否则做实验有可能两个outcome相同，在数数中让人困惑。

Case I: replacement + ordering

Case I: 每取一个球后，容器内补充一个和取走的球相同的球（sample space不变），取得的球按顺序摆放。（Sampling with replacement and with ordering）

问题： $n$ drawings，取得的球按顺序摆放（我们想象将取到的球排成一列，像是台球花球露着编号排成一排），可以用 $n$ 维数组（ $n$ -tuple）表示 $（b_1, b_2, \cdots, b_n）$ ，每个 $b_i$ 是球的编码，即1到 $m$ 的任意数。
这样的数组数目有多少个？

$a=m^n$

（以下两个类比将事情复杂化，使人累，略过不读也无妨。只是借此说明为什么计数要列举4个一般化的cases，因为这是数学建模，modeling。

扔一个硬币，如果正面反面的概率相等（equally likely），相当于一个容器中有2个可区分的球，编码为1，0，取1个球。连续扔一枚硬币 $n$ 次，我们可以想象取得的球排成一串01码。

掷一个均匀骰子连续6次，相当于一个容器中6个可区分的球，取球6次。如果一次扔6个骰子，每个骰子distinguishable，也是这个情况。）

简述allocating model

书中说物理学家和工程师在计数中更喜欢想象成“往盒中放球（putting balls into boxes”），这是allocating models。sampling models和allocating models一一对应。我们可以理解为 $（b_1, b_2, \cdots, b_n）$ 是 $n$ 个不同的盒子。

我们这样想象：把 $m$ 个球label好，排成一排。把 $n$ 个盒子也label好，排成一排。

sampling models的操作是按照盒子的顺序依次随机取球。我先给box 1#取个球，有多少种可能性；然后给box 2#取个球，有多少种可能性；依次取球；最后给box n#取个球，有多少种可能性。

allocating models的操作是按照球的顺序，给球找个box放进去。我先拿着ball 1#，有几个box可以选择，有时人们称为有多少个位置（position）可以选择，然后给ball 2#找个位置，有多少个位置可以选择；依次下去。

在本Case中，举个例子，5个球，6个盒子，每个盒子一个球。那么sampling model说，第1个盒子有5个选择，第2个盒子也有5个选择，……，第6个盒子也有5个选择，所以， $a=5^6$ 。allocating model无法解释。

（后来我试着每个case做sampling model和allocating model的对比讨论，我想allocating model可被用于permutation以及分组情况下将一组视为一个box。下文我在allocating model适用的case讨论allocating model。）

Case II: no replacement + ordering

Case II：每次取球后不补充球了（就让容器内少一个球），取得的球按顺序摆放（Sampling without replacement and with ordering）。

问题： $n$ 维数组（ $n$ -tuple） $（b_1, b_2, \cdots, b_n）$ ，每个 $b_j$ 不同，有多少个不同的n维数组？

答：step 1 $a_1$ 表示 $b_1$ 有多少种可能的取法， $a_1=\binom{m}{1}$ , step 2 $a_2=\binom{m-1}{1}$ ,…, step j $a_j=\binom{m-j+1}{1}$ ,…, step n $a_n=\binom{m-n+1}{1}$ , 按照Fundamental Rule，

$a=a_1\times \cdots \times a_n=m\times (m-1) \times \cdots \times (m-n+1)=(m)_n$

符号 $m)_n$ 表示从 $m$ 到 $m - n + 1$ 连乘（continued product) $n$ 个数。

示例见下文“问题5”。

Case IIa：no replacement + ordering（排列）

当 $n = m$ 时，这种情况是 $m$ 个球的排列（permutation of m distinguishable balls），

$a=m\times (m-1) \times \cdots \times 1=m!$

Sampling model vs. allocating model讨论：
举例：7个球，7个盒子，每个盒子1个球。
Sampling model说：第1盒子有7个球可以选择，第2个盒子有6个球可以选择，……，第7个盒子有1个选择。所以， $a = 7!$ 。
Allocating model说：第1个球有7个盒子的位置可以选择，第2个球有6个位置可以选择，……，第7个球有1个位置可以选择。所以， $a = 7!$ 。

另一示例见下文“问题2”。

Case III: no replacement + no ordering（组合）

Case III：每次取球后不补充球了，取得的球不按顺序摆放（就放成乱七八糟的一堆，或视为不可区分）（Sampling without replacement and without ordering）。

问题： $n$ drawing后得到基数为n的集合 $A=\{b_1, b_2, \cdots, b_n\}$ ，每个 $b_j$ 不同，这样的集合有多少个？

答：step 1 $a_1=\binom{m}{1}$ , step 2 $a_2=\binom{m-1}{1}$ ,…, step j $a_j=\binom{m-j+1}{1}$ ,…, step n $a_n=\binom{m-n+1}{1}$ ，

但是，每个step取得的结果之间没有顺序的，比如 $m = 6$ ， $n = 3$ 时， ${2,4,5\},\{2,5,4\},\{4,2,5\},\{4,5,2\},\{5,2,4\},\{5,4,2\}$ 六个sampling结果，是同一个集合，只能算1个arrangement。即需要除以 $n$ steps的permutation $n!$ 。

$a=\frac{m\times (m-1) \times \cdots \times (m-n+1)}{n!}=\frac{m!}{n!(m-n)!}=\binom{m}{n}$
读“ $m$ choose $n$ ”，称为从 $m$ 个球中取 $n$ 个球的组合（combination）。

示例见下文“问题1”。

Case IIIa: 分组，组内无顺序，组间有顺序。

Case IIIa: $m$ 个球有分成 $r$ 个不同的组。

假设 $m_1$ 个球是1号色, $m_2$ 个球是2号色, …, $m_r$ 个球是r号色。同色的球无法区分（indistinguishable）。 $m_1+m_2+\cdots+m_r=m$ ，有多少个可区分的arrangements？

问题： $m$ drawings, $r$ groups, 每一次sampling的结果是 $r$ -tuples $(\{b_{1,1},\cdots, b_{1,m_1}\}, \{b_{2,1},\cdots, b_{2,m_2}\}, \{b_{3,1},\cdots, b_{3,m_1}\},\cdots, \{b_{r,1},\cdots, b_{r,m_r}\})$

step 1, $m$ 次drawing有 $m$ 个位置，其中 $m_1$ 个位置是1号色的球，有 $\binom{m}{m_1}$ 的possibilities。同理， step 2 $\binom{m-m_1}{m_2}$ ， step 3 $\binom{m-m_1-m_2}{m_3}$ ，……， step r $\binom{m_r}{m_r}$ ，故，

$a=\binom{m}{m_1}\binom{m-m_1}{m_2}\cdots \binom{m-m_1-\cdots-m_{r-1}}{m_r} =\frac{m!}{m_1!m_2!\cdots m_r!}$

（值得注意的是，step 1选择 $m_1$ 个位置，step 2选择 $m_2$ 个位置，如果反之，step 1选择 $m_2$ 个位置，step 2选择 $m_1$ 个位置，a值是不变的，我们从上面的公式推导可以看出来。即 r-tuples $(\{b_{2,1},\cdots, b_{1,m_2}\}, \{b_{1,1},\cdots, b_{1,m_1}\}, \{b_{3,1},\cdots, b_{3,m_1}\},\cdots, \{b_{r,1},\cdots, a_{r,m_r}\})$ arrangements数不变。r-tuple中r个集合的顺序做一个排列的变换，arrangements数不变。那不失一般性，不妨以 $m_1, m_2, m_3,\cdots$ 为顺序。

但这和实际经验不符。就跟高考录取似的，先挑学生的学校把最喜欢的学生挑走，这是不公平的。哪里随机抽样了？

我们这样想象：假设一个班52人，一个老师手里有一副牌（无大小王），洗好，老师不知道牌的顺序。现在这群学生在操场上玩，突然咔，时间静止，每个人原地保持不动。老师走到每个人面前发牌。最后时间恢复正常，大家翻牌，花色相同的一组。分组后，还按黑红梅方的顺序在教室从靠窗到靠门，依次坐成四排。）

例如， $m_1=m_2=2,m=4$ , 球有黑球、白球两种，
所有的可能的arrangements有6个：

••oo $\space$ •o•o $\space$ •oo• $\space$ o•o• $\space$ o••o $\space$ oo••

或者以黑球组先、白球组后的2-tuple表示： $(\{1,2\},\{3,4\}), (\{1,3\},\{2,4\}),\space(\{1,4\},\{2,3\})，\space(\{2,4\},\{1,3\}),(\{2,3\},\{1,4\}), (\{3,4\}，\{1,2\})$ 。

这个例子使用allocating model：球labelled为2-tuples ${b_1,b_2\}, \{w_1,w_2\})$ ，盒子labelled为 $(1, 2, 3, 4)$ ，所以step 1，为两个黑球找两个位置，step 2，为两个白球找两个位置。

这里我们讨论的sample points（或ball或box）只有一类，下文示例中“问题4”sample points有两类，有更精细的组的label。

Case IIIb：分组，组内无顺序，组间亦无顺序。

Case IIIb： $m$ 个人或物分成 $r$ 个group， $m_1$ 个分在第1组, $m_2$ 个分在第2组，……， $m_r$ 个分在第 $r$ 组， $m_1+m_2+\cdots+m_r=m$ 且 $m_j\geq1$ 。各组无分先后。

问题：m drawings，r group，我们得到 $\{\{b_{1,1},\cdots, b_{1,m_1}\}, \{b_{2,1},\cdots, b_{2,m_2}\},\cdots, \{b_{r,1},\cdots, b_{r,m_r}\}\}$ ，这样的集合有多少个？故，

$a=\frac{\binom{m}{m_1}\binom{m-m_1}{m_2}\cdots \binom{m_r}{m_r}}{r!}=\frac{m!}{m_1!m_2!\cdots m_r!r!}$
举例：4个人分两人一组，有几种分法？
{{1,2},{3,4}}, $\space$ {{1,3},{2,4}}, $\space$ {{1,4},{2,3}}

这样分组比如对弈、打乒乓球，桌子两边条件同样好。

但如果分组是乒乓球双打，第1组可以先挑桌子哪一边，且先发球，那么组和组是有先后的，就变成Case IIIa了。

另一示例见“问题4”。

Case IV: replacement + no ordering

Case IV：每次取球补充球，所取得球不按顺序摆放（Sampling with replacement and without ordering）。

问题： $n$ drawings， $\{b_1, b_2, \cdots, b_n\}$ , 但是 $b_j$ 可能数字相同，这样这个set的基数最多 $n$ ，最少1，不确定。

举个例子，掷6个骰子，这6个骰子肉眼看不出来区别（indistinguishable），问有多少种可能的arrangements，就属于这个情况。

我们先看一个更简单的例子，掷2个硬币，这两个硬币肉眼看不出来区别，问有多少种可能的arrangements？

穷举。实验结果TT，记为 ${T, T\}$ （为了直观，尽管集合 ${T, T\}=\{T\}$ )；实验结果HH， ${H, H\}$ ；实验结果为HT或TH， ${T, H\}$ 。 $a = 3$ 。

我们说计数是以实验为基础的。
这种情况让人很迷惑：两个硬币肉眼无法区分（indistinguishable），HT和TH是不是同一个sample point？不是的，实验中两个硬币是独立的，每个硬币独立运作，即事实上这两个硬币是可区分（distinguishable）的，可被编码（labelled）或被取名字（identified），或者想象成电玩游戏币红的、蓝的。虽然在实验中每个硬币是独立的，可是人们肉眼就是无法区分，游戏规则中也不区分（比如大富翁游戏有三个骰子，一个颜色不同，另两个不区分，甚至点数和才是重点），算算看有几种arrangements，这是可以计算的，但我们要理解这是在实验基础上归类了。

这时的计算方法是用打卡（check）的方式表示抽到过几号球了，但打卡符号相同，先后顺序就看不出来。

我们来解答上一个问题：掷6个骰子，这6个骰子肉眼看不出来区别，问有多少种可能的arrangements。

首先按照现实label每个骰子（假设在骰子的某个角落有细小的编码ABCDEF，不凑近看看不见，但我们用放大镜观察结果，按这个编码顺序来记录结果。更可行的是，使用红橙黄绿蓝紫六色骰子，以此颜色顺序来记录结果），我们设一张表格，上面写着骰子的显示的点1~6。之后每次掷骰子，到对应的点数下打卡。假设第一次掷骰子各骰子的点数是 $(2, 1, 3, 4, 5, 2)$ ，首先到2所在列check，然后1所在列check，……，最后在2所在列check。（其实一眼望去，就可以看到两个2，其余为1345。）

1	2	3	4	5	6
$\surd$	$\surd\surd$	$\surd$	$\surd$	$\surd$

如果第二次的结果碰巧也是 $(2, 1, 3, 4, 5, 2)$ ，这不是不同的possibilities，不登记结果。

如果第三次的结果是 $(1, 1, 2, 2, 1, 1)$ ，登记在表格第二行：

1	2	3	4	5	6
$\surd$	$\surd\surd$	$\surd$	$\surd$	$\surd$
$\surd\surd\surd\surd$	$\surd\surd$

第四次结果是 $(1, 2, 3, 4, 5, 6)$ ，第五次结果是 $(2, 1, 4, 3, 6, 5)$ ，从实验的角度这是不同的possibilities，但从本次计数的条件看，登记的结果相同（数组沦为集合），只能算1个arrangement，登记在第三行。（其实我们一眼望去就认为两次结果相同，哪怕使用不同颜色的骰子。）

1	2	3	4	5	6	总结
$\surd$	$\surd\surd$	$\surd$	$\surd$	$\surd$		$\surd \mid \surd \surd \mid \surd \mid \surd \mid \surd$
$\surd\surd\surd\surd$	$\surd\surd$					$\surd\surd\surd\surd \mid \surd\surd \mid \mid \mid \mid$
$\surd$	$\surd$	$\surd$	$\surd$	$\surd$	$\surd$	$\surd \mid \surd \mid \surd \mid \surd \mid \surd \mid \surd$

这样我们可以看出一个规律：6个check符号被5个bar符号相隔。那就是11个位置中取6个，即Case III，

$\binom{m-1+n}{n}$

综上所述，计数的原则是：
1）分解成独立的step 1，step 2，…, step $r$ 。
2）每个step内部计算arrangements。
3）所有step的结果之间是否有order。本身顺序化的step内含顺序，如果没有order，需要除以 $r!$ 。

示例

问题1：（质量管理）假设550个苹果有2%个坏苹果，随机选取25个苹果有2个坏苹果的概率是多少？

解： $\Omega$ ={550个苹果取25个}， $A$ ={25个苹果有两个坏苹果}。

坏苹果： $550\times 2\%=11$ ，好苹果539个。
$|\Omega|=\binom{550}{25}$
Step 1：539个好苹果取23个。 $a_1=\binom{539}{23}$

Step 2：11个坏苹果1取2个。 $a_2=\binom{11}{2}$

$|A|=a_1\times a_2=\binom{539}{23}\times\binom{11}{2}$
故，
$P(A)=\frac{|A|}{|\Omega|}=\frac{\binom{539}{23}\times\binom{11}{2}}{\binom{550}{25} }$

问题2：一副牌彻底洗好（52张，无大小王），4个A连在一起的概率是多少？

解： $\Omega$ ={52张牌彻底洗好}, $A$ ={4个A连在一起}.
$|\Omega|=52!$

Step 1：将4个A视为一个整体，一共有49个位置，取1个放A。 $a_1=\binom{49}{1}4!$

Step 2：其余48张牌有多少arrangements？ $a_2=48!$
$|A|=a_1\times a_2=\binom{49}{1}4!\times48!$
故，
$P(A)=\frac{|A|}{|\Omega|}=\frac{\binom{49}{1}4!\times48!}{52! }$

问题3：15个新生要均分到3个班级去。假设其中三人是学霸。每班分到一个学霸的概率是多少？一个班分到3个学霸的概率是多少？

解：回答第一问：每班分到一个学霸的概率是多少？

$\Omega$ ={15个新生均分成三组}， $A$ ={15个学生均分为3组每组含一个学霸}。

假设这三组组间有顺序，因为分好了，每一组要插到现有的班级去。

$|\Omega|=\binom{15}{5} \times \binom{10}{5} \times \binom{5}{5} =\frac{15!}{5!5!5!}$

Step 1：12个学生选4个，3个学霸学生选1个。 $a_1=\binom{12}{4}\binom{3}{1}$

Step 2：8个学生选4个，2个学霸学生选1个。 $a_2=\binom{8}{4} \binom{2}{1}$

Step 3: 4个学生选4个，1个学霸学生选1个。 $a_3=\binom{4}{4} \binom{1}{1}$

$|A|=a_1\times a_2 \times a_3=\binom{12}{4}\binom{3}{1} \times \binom{8}{4} \binom{2}{1} \times \binom{4}{4} \binom{1}{1}=\frac{12!}{4!4!4!}3!$
故，
$P(A)=\frac{|A|}{|\Omega|}=\frac{\frac{12!}{4!4!4!}3!}{\frac{15!}{5!5!5!} }$

就算组与组之间无顺序， $∣ A ∣$ 和 $|\Omega|$ 都需要除以 $3!$ , $P (A)$ 不变。

回答第二问：一个班包含3个学霸学生。

$|\Omega|$ 相同。

假设组与组之间有顺序。

学生被labelled为： $(s_1,s_2,\cdots,s_{12},w_1,w_2,w_3)$

3组被 labelled为3种形式：
$(\{w_1,w_2,w_3,s_{i1},s_{i2}\},\{s_{i3},s_{i4},\cdots,s_{i7}\},\{s_{i8},\cdots,s_{i12}\})$ ，
或 $(\{s_{i_1},s_{i_2},\cdots,s_{i_5}\},\{s_{i_6},s_{i_7},w_1,w_2,w_3\},\{s_{i_8},\cdots,s_{i_{12}}\})$ ，
或 $(\{s_{i_1},s_{i_2},\cdots,s_{i_5}\},\{s_{i_6},s_{i_7},\cdots,s_{i_{10}}\},\{s_{i_{11}},s_{i_{12}},w_1,w_2,w_3\})$

$i_1,\cdots,i_{12}$ is a rearrangement of $1,2,\cdots,12$ 。

Step 1：选择一组分配三个学霸学生。
$a_1=\binom{3}{1}$

Step 2：如果学霸学生在第1组，其他学生12取2分配到第一组，10取5分配到第2组，5取5分配到第3组。
$a_{21}=\binom{12}{2}\binom{10}{5}\binom{5}{5}=\frac{12!}{2!5!5!}$

如果学霸学生在第2组，其他学生是12取5，7取2，5取5这样分配。

$a_{22}=\binom{12}{5}\binom{7}{2}\binom{5}{5}=\frac{12!}{5!2!5!}=a_1$

如果学霸学生在第3组，其他学生是12取5，7取5，2取2这样分配。
$a_{23}=\binom{12}{5}\binom{7}{5}\binom{2}{2}=\frac{12!}{5!5!2!}=a_1=a_2$

这样的话， $|A|=a_{21}+a_{22}+a_{23}=a_1\times a_{21}$
$|A|=\binom{3}{1}\times \frac{12!}{2!5!5!}$
故，
$P(A)=\frac{|A|}{|\Omega|}=\frac{3\times \frac{12!}{2!5!5!}}{\frac{15!}{5!5!5!} }$
同样的，就算组与组之间无顺序， $P (A)$ 不变。

问题4：6个色子掷出3对的概率是多少？

解： $\Omega=\{(\omega_1, \omega_2,\cdots,\omega_6)\}$ ， $\omega_i$ 是第i个骰子，值为骰子的点数，1到6的数字。
$A=\{((\{p_{11},p_{12}\},d_1),(\{p_{21},p_{22}\},d_2),(\{p_{31},p_{32}\}, d_3))\}$ ， $p_{ij}$ 表示骰子的label，第几个骰子，用字母A-F表示； $d_i$ 表示骰子的点数。
$|\Omega|=6^6$

我们想想看，如果将色子按A-F这个顺序记录实验结果，配成三对，那么 $(1, 1, 3, 4, 3, 4)$ 这个实验结果和 $(3, 3, 1, 4, 1, 4)$ 是不同的，但分組情況相同。组与组之间没有顺序，不失一般性，我们可以将实验结果的记录顺序为： $p_{11}$ 是第1个色子A， $p_{11}<p_{12},p_{21}<p_{22},p_{31}<p_{32},p_{11}<p_{21}<p_{31}$ 。

比如 $(1, 1, 3, 4, 3, 4)$ 记为 ${A,B\},1),(\{C,E\},3),(\{D,F\}, 4))$ 。
$(3, 3, 1, 4, 1, 4)$ 记为 ${A,B\},3),(\{C,E\},1),(\{D,F\}, 4))$ 。

Step 1：分三组，组与组之间没有顺序。
$a_1=\binom{6}{2}\binom{4}{2}\binom{2}{2}/3!=15$

Step 2：每一组选择点数。这个结果是有顺序的。
$a_2=\binom{6}{1}\binom{5}{1}\binom{4}{1}=120$

我们有没有因为实验结果使用配对集合而缩小 $∣ A ∣$ ？因为每一对的点数相同，没有缩小。例如 $(1, 1, 3, 4, 3, 4)$ ，没有另外一个实验结果记为 ${A,B\},1),(\{C,E\},3),(\{D,F\}, 4))$ 。

$|A|=a_1\times a_2=15\times 120=1800$

$P(A)=\frac{|A|}{|\Omega|}=\frac{1800}{6^6}$

如果问掷4个骰子，有两对的概率是多少？我们可以利用上面“4个人分两人一组”的分析，一共3个arrangements。分组后有 $6\times 5$ 个点数可能。 $P(A)=\frac{|A|}{|\Omega|}=\frac{3\times 6\times 5}{6^4}$

问题5：（生日）n个人至少有两个人生日相同的概率是多少？

解： $\Omega$ ={n个人，生日的可能性是365天}， $A$ ={至少有两个人生日相同}. $A^c$ ={每个人生日都不同}

$|\Omega|=365^n$
我们来计算每个人生日都不同的概率。

Step 1：第 $1$ 个人的生日有 $365$ 个possibilities。 $a_1=365$

Step 2：第 $2$ 个人的生日有 $364$ 个possibilities。 $a_2=364$

…

Step n：第 $n$ 个人的生日有 $365 - n + 1$ 个possibilities。 $a_n=365-n+1$

$A^c|=(365)_n$

故，
$P(A)=1-\frac{|A^c|}{|\Omega|}=1-\frac{(365)_n}{365^n}$

参考：
[1]Kai Lai Chung, Farid AitSahlia,《Elementary Probability Theory初等概率论第4版》, p28
[2]Kai Lai Chung, Farid AitSahlia,《Elementary Probability Theory初等概率论第4版》, p48
[3]Kai Lai Chung, Farid AitSahlia,《Elementary Probability Theory初等概率论第4版》, p63

SophiaReading

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
排列组合计数原则

读《Elementary Probability Theory》，我们来讨论排列组合计数（counting）原则。计数（counting）basically是实验为基础的(This probability should be have something to do with the experimental frequency of the occurrence of the event.[1])。就是我们可以想象成实验的具体操作，这样就有step 1， step 2，……，每个step有实验结果pos
复制链接

扫一扫