最后更新: 2025-12-29 08:03 查看: 256 次反馈能力测评会员8.2元/月赞助

概率加法公式

## 互斥事件的加法公式
事件作为集合经过并，交，差和补的运算后得到的结果还是事件，于是可以计算经过运算后的事件的概率。

首先我们来学习**两个互斥事件的概率加法公式**．
如图 5.2-2，将仅颜色不同而大小质地相同的 7 个红球， 2 个绿球， 1 个黄球放人一个盒子中．现从中任取一球，记事件 $A=$＂取出一个球是红球＂，事件 $B=$＂取出一个球是绿球＂，事件 $C=$＂取出一个球是红球或绿球＂．
 ![图片](/uploads/2025-02/a4e091.jpg){width=300px}
 
 由前面的知识可知，事件 $A, B$ 互斥，且事件 $C=A \cup B$ ．
由于样本空间 $\Omega$ 有 10 个样本点，$A$ 和 $B$ 分别有 7 个样本点和 2 个样本点，因此

$$
P(A)=\frac{7}{10}, \quad P(B)=\frac{2}{10}=\frac{1}{5} .
$$

由于 $A \cup B$ 也是事件，含有 9 个样本点，所以

$$
P(A \cup B)=\frac{9}{10}=\frac{7}{10}+\frac{1}{5}=P(A)+P(B)
$$

由此可以猜测，对于两个互斥事件，有如下概率加法公式：

如果 $\Omega$ 中的事件 $A, B$ 互斥，则

$$
\boxed{
P(A \cup B)=P(A)+P(B)
}
$$

下面，我们来证明上述公式．

### 证明
设 $\Omega$ 有 $n$ 个样本点，$A$ 有 $m(m \leqslant n)$ 个样本点，$B$ 有 $k(k \leqslant n-m)$ 个样本点，则

$$
P(A)=\frac{m}{n}, P(B)=\frac{k}{n}
$$

由于 $A, B$ 互斥，所以

$A \cup B$ 中样本点个数 $=A$ 中样本点个数 $+B$ 中样本点个数 $=m+k$ ．

于是得到

$$
P(A \cup B)=\frac{m+k}{n}=\frac{m}{n}+\frac{k}{n}=P(A)+P(B) .
$$
上面结果可以用它集合图表示

![图片](/uploads/2025-05/602573.jpg)
 
因为A,B互斥，意味着A,B没有公共阴影部分，所以可以直接相加。

我们把概率加法公式反映的性质称为概率的**可加性**，可加的前提是两个事件互斥

我们还可以将两个互斥事件的概率加法公式进行推广．
如果事件 $A_1, A_2, A_3, \cdots, A_n$ 两两互斥，那么事件 $A_1 \cup A_2 \cup A_3 \cup \cdots \cup A_n$ 发生 （是指 $A_1, A_2, A_3, \cdots, A_n$ 中至少有一个发生）的概率，等于这 $n$ 个事件的概率的和，即

$$
P\left(A_1 \cup A_2 \cup \cdots \cup A_n\right)=P\left(A_1\right)+P\left(A_2\right)+\cdots+P\left(A_n\right) .
$$

对于对立事件 $A$ 与 $\bar{A}$ ，从集合的角度看，由事件 $\bar{A}$ 所含样本点组成的集合是全集 $\Omega$ 中的事件 $A$ 所含样本点组成的集合的补集。因此，对于对立事件，其概率之间有如下关系：

如果 $A$ 是样本空间 $\Omega$ 的事件，则

$$
P(\bar{A})=1-P(A)
$$

`例`若从一副 52 张扑克牌（不含大小王）中随机抽取一张，则事件 $A=$＂取到红桃＂的概率为 $\frac{1}{4}$ ，事件 $B=$＂取到方块＂的概率为 $\frac{1}{4}$ ，试求：
（1）事件 $C=$＂取到红色牌＂的概率；
（2）事件 $D=$＂取到黑色牌＂的概率．

![图片](/uploads/2025-12/3238fb.jpg){width=200px}
 
 
 
分析 一副扑克牌由红色牌与黑色牌组成，其中红色牌包括＂红桃＂与＂方块＂。易知事件 $A$ 与事件 $B$ 互斥，且事件 $C=A \cup B$ ，因而可用互斥事件的概率加法公式求得事件 $C$ 的概率．而事件 $D$ 与事件 $C$ 是对立事件，因此可运用对立事件的概率间关系式求得 $P(D)$ ．

解（1）由于事件 $A, B$ 互斥，且事件 $C=A \cup B$ ，
因此 $P(C)=P(A \cup B)$

$$
\begin{aligned}
& =P(A)+P(B) \\
& =\frac{1}{4}+\frac{1}{4}=\frac{1}{2} .
\end{aligned}
$$

（2）由于事件 $D$ 与事件 $C$ 是对立事件，
因此 $P(D)=1-P(C)$

$$
=1-\frac{1}{2}=\frac{1}{2} .
$$

> 本例表明，在求某些较复杂事件的概率时，可将所求事件的概率化为一组互斥事件的概率的和，也可求此

免费注册看余下 70%

非VIP会员每天5篇文章，开通VIP 无限制查看

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：古典概率里的“放”模型

下一篇：事件的独立性★★★★★

本文对您是否有用？有用 (0) 无用 (0)