概率图模型试题解析

概率图模型的推理方法详解概率图模型（Probabilistic Graphical Models，PGMs）是一种用来表示和推断概率分布的工具。

它是通过图的形式来表示变量之间的依赖关系，进而进行推理和预测的。

概率图模型主要分为贝叶斯网络（Bayesian Network）和马尔科夫网络（Markov Network）两种类型。

本文将从推理方法的角度对概率图模型进行详细解析。

1. 参数化概率图模型的推理方法参数化概率图模型是指模型中的概率分布由参数化的形式给出，如高斯分布、伯努利分布等。

对于这种类型的概率图模型，推理的关键是求解潜在的参数，以及根据参数进行概率分布的推断。

常见的方法包括极大似然估计、期望最大化算法和变分推断等。

极大似然估计是一种常用的参数估计方法，它通过最大化观测数据的似然函数来求解模型的参数。

具体来说，对于给定的数据集，我们可以计算出参数θ下观测数据的似然函数L(θ)。

然后求解参数θ使得似然函数最大化，即max L(θ)。

这样得到的参数θ就是在给定数据下最合理的估计。

期望最大化算法（Expectation-Maximization，EM）是一种迭代算法，用于在潜变量模型中求解模型参数。

EM算法的基本思想是通过迭代交替进行两个步骤：E步骤（Expectation），求解潜变量的期望；M步骤（Maximization），根据求得的期望最大化似然函数。

通过反复迭代这两个步骤，最终可以得到模型的参数估计。

变分推断（Variational Inference）是一种近似推断方法，用于在概率图模型中求解后验分布。

变分推断的核心思想是通过在一些指定的分布族中寻找一个最接近真实后验分布的分布来近似求解后验分布。

具体来说，我们可以定义一个变分分布q(θ)来逼近真实的后验分布p(θ|D)，然后通过最小化变分分布与真实后验分布的KL散度来求解最优的变分分布。

2. 非参数化概率图模型的推理方法非参数化概率图模型是指模型中的概率分布不是由有限的参数化形式给出，而是通过一些非参数的方式来表示概率分布，如核密度估计、Dirichlet过程等。

概率图模型的推理方法详解概率图模型是一种用于描述随机变量之间关系的工具，它能够有效地表示变量之间的依赖关系，并且可以用于进行推理和预测。

在实际应用中，概率图模型广泛应用于机器学习、人工智能、自然语言处理等领域。

本文将详细介绍概率图模型的推理方法，包括贝叶斯网络和马尔科夫随机场两种主要类型的概率图模型，以及它们的推理算法。

1. 贝叶斯网络贝叶斯网络是一种用有向无环图表示的概率图模型，它描述了变量之间的因果关系。

在贝叶斯网络中，每个节点表示一个随机变量，节点之间的有向边表示了变量之间的依赖关系。

贝叶斯网络中的概率分布可以由条件概率表来表示，每个节点的条件概率表描述了该节点在给定其父节点的取值情况下的概率分布。

在进行推理时，我们常常需要计算给定一些证据的情况下，某些变量的后验概率分布。

这可以通过贝叶斯网络的条件概率分布和贝叶斯定理来实现。

具体来说，给定一些证据变量的取值，我们可以通过贝叶斯网络的条件概率表计算出其他变量的后验概率分布。

除了基本的推理方法外，贝叶斯网络还可以通过变量消除、置信传播等方法进行推理。

其中，变量消除是一种常用的推理算法，它通过对变量进行消除来计算目标变量的概率分布。

置信传播算法则是一种用于处理概率传播的通用算法，可以有效地进行推理和预测。

2. 马尔科夫随机场马尔科夫随机场是一种用无向图表示的概率图模型，它描述了变量之间的联合概率分布。

在马尔科夫随机场中，每个节点表示一个随机变量，边表示了变量之间的依赖关系。

不同于贝叶斯网络的有向图结构，马尔科夫随机场的无向图结构表示了变量之间的无向关系。

在进行推理时，我们常常需要计算给定一些证据的情况下，某些变量的后验概率分布。

这可以通过马尔科夫随机场的联合概率分布和条件随机场来实现。

具体来说，给定一些证据变量的取值，我们可以通过条件随机场计算出其他变量的后验概率分布。

除了基本的推理方法外，马尔科夫随机场还可以通过信念传播算法进行推理。

信念传播算法是一种用于计算概率分布的通用算法，可以有效地进行推理和预测。

概率图模型基础知识解析概率图模型（Probabilistic Graphical Models）是一种用于建模复杂系统的工具，它将概率论和图论相结合，能够有效地描述变量之间的依赖关系和不确定性。

概率图模型广泛应用于机器学习、人工智能、统计学、计算机视觉等领域，是当今研究的热门话题之一。

本文将对概率图模型的基础知识进行解析，包括概率论、图论、概率图模型的基本概念和常见类型等内容。

概率论基础概率图模型的基础是概率论，因此了解概率论的基本概念对于理解概率图模型至关重要。

概率论是研究随机现象的数学理论，它包括概率空间、随机变量、概率分布、随机过程等内容。

在概率图模型中，我们通常使用贝叶斯概率来描述不确定性，贝叶斯概率是一种主观概率，它表示对未知事件的信念程度。

图论基础另一个概率图模型的基础是图论，图论是研究图的数学理论，它包括图的基本概念、图的表示方法、图的遍历算法等内容。

在概率图模型中，我们通常使用有向图或无向图来表示变量之间的依赖关系。

有向图中的节点表示随机变量，有向边表示变量之间的因果关系；无向图中的节点表示随机变量，无向边表示变量之间的相关关系。

概率图模型基本概念概率图模型是一种用图表示概率分布的模型，它包括两个基本要素：图结构和概率分布。

图结构表示变量之间的依赖关系，概率分布表示变量之间的联合概率分布。

常见的概率图模型包括贝叶斯网络（Bayesian Network）和马尔科夫网络（Markov Network）。

贝叶斯网络是一种有向图模型，它使用条件概率分布来表示变量之间的依赖关系；马尔科夫网络是一种无向图模型，它使用势函数来表示变量之间的相关关系。

贝叶斯网络贝叶斯网络是一种有向图模型，它由有向无环图（DAG）表示变量之间的依赖关系，每个节点表示一个随机变量，每条有向边表示一个变量之间的因果关系。

贝叶斯网络使用条件概率分布来表示变量之间的依赖关系，每个节点的条件概率分布表示了该节点在给定其父节点的取值情况下的条件概率分布。

概率图模型中的贝叶斯网络建模方法解析概率图模型是一种用图来表示随机变量之间依赖关系的数学模型。

其中，贝叶斯网络是概率图模型中的一种重要方法，它能够有效地表示变量之间的依赖关系，并且可以用于进行推理和预测。

在本文中，我们将对贝叶斯网络的建模方法进行详细的解析，包括贝叶斯网络的结构、参数和推断方法等方面。

贝叶斯网络的结构贝叶斯网络是一种有向无环图(Directed Acyclic Graph, DAG)，它由节点和有向边构成。

其中，节点表示随机变量，有向边表示变量之间的依赖关系。

一个贝叶斯网络可以用一个条件概率分布来描述，这个条件概率分布表示了每个节点在给定其父节点的取值情况下的条件概率分布。

因此，贝叶斯网络的结构可以用一个条件概率分布表来表示。

在贝叶斯网络中，每个节点都有一个条件概率分布表，它描述了该节点在给定其父节点的取值情况下的条件概率分布。

贝叶斯网络的参数贝叶斯网络的参数包括节点的条件概率分布表和网络的结构。

节点的条件概率分布表可以通过数据来学习，而网络的结构通常需要通过专家知识或者算法来确定。

在实际应用中，通常会使用一些自动学习算法来学习贝叶斯网络的参数，例如最大似然估计、期望最大化算法等。

推断方法在贝叶斯网络中，推断是指根据已知的证据来推断其他变量的取值情况。

常见的推断方法包括变量消去、固定证据法、采样法等。

其中，变量消去是一种精确推断方法，它通过对网络进行变量消去操作来求解后验分布。

固定证据法是一种近似推断方法，它通过固定已知证据的取值来简化网络，然后再进行推断。

采样法是一种蒙特卡洛方法，它通过对网络进行随机采样来进行推断。

贝叶斯网络的应用贝叶斯网络在许多领域都有广泛的应用，包括医疗诊断、风险评估、自然语言处理等。

在医疗诊断中，贝叶斯网络可以用于根据症状和检测结果来进行疾病的诊断。

在风险评估中，贝叶斯网络可以用于评估不同决策的风险，并且可以帮助人们做出更合理的决策。

在自然语言处理中，贝叶斯网络可以用于语义分析和文本分类等任务。

高一数学概率试题答案及解析1.点P在边长为1的正方形ABCD内运动，则动点P到定点A的距离|PA|＜1的概率为（）A．B．C．D．【答案】C【解析】此题属于几何概型概率问题，在正方形ABCD内到点A距离|PA|＜1的区域是以A为圆心，半径为1的圆面，所以所求事件的概率为.2.面积为S的△ABC中，D是BC的中点，向△ABC内部投一点，那么点落在△ABD内的概率为()A．B．C．D．【答案】A【解析】向△ABC内部投一点的结果有无限个，属于几何概型．设点落在△ABD内为事件M，则P(M)＝＝.3.x是[－4,4]上的一个随机数，则x满足x2＋x－2≤0的概率是()A．B．C．D．0【答案】B【解析】求出x2＋x－2≤0的解集为[－2,1]，区间[－2，1]的长度为3，区间[－4,4]的长度为8，长度之比即是所求的概率为.故选B.4.设A为圆周上一定点，在圆周上等可能地任取一点与A连接，则弦长超过半径的概率为() A．B．C．D．【答案】D【解析】选D.如图所示，图中AB＝AC＝OB(半径)，则弦长超过半径，即是动点落在阴影部分所在的扇形圆弧上，由几何概型的概率计算公式，得P＝＝.故选D.5.有一个底面圆的半径为1、高为2的圆柱，点O为这个圆柱底面圆的圆心，在这个圆柱内随机取一点P，则点P到点O的距离大于1的概率为________．【答案】【解析】：先求点P到点O的距离小于1或等于1的概率，圆柱的体积V圆柱＝π×12×2＝2π，以O为球心，1为半径且在圆柱内部的半球的体积V半球＝×π×13＝π.则点P到点O的距离小于1或等于1的概率为：＝，故点P到点O的距离大于1的概率为：1－＝.答案：6.将[0,1]内的均匀随机数转化为[－2,6]内的均匀随机数，需要实施的变换为()A．a＝a1*8B．a＝a1*8+2C．a＝a1*8-2D．a＝a1*6【答案】C【解析】设变换式为a＝a1k＋b，则有.解之得，故实施的变换为a＝a1]7.从甲地到乙地有一班车在9∶30到10∶00到达，若某人从甲地坐该班车到乙地转乘9∶45到10∶15出发的汽车到丙地去，问他能赶上车的概率是多少？【答案】【解析】解：记事件A＝{能赶上车}．(1)利用计算机或计算器产生两组均匀随机数，x1＝RAND，y1＝RAND.(2)经过平移和伸缩变换，x＝x1](3)统计试验总次数N及赶上车的次数N1(满足x<y的点(x，y)数)．(4)计算频率fn(A)＝即为能赶上车的概率的近似值．8. (2011年云南一模)从集合{1,3,6,8}中任取两个数相乘，积是偶数的概率是()A．B．C．D．【答案】A【解析】任取两个数相乘，共有1×3,1×6,1×8,3×6,3×8,6×8,6种结果，积为偶数的有5种结果，故概率为.9.已知集合A＝{－1,0,1}，点P的坐标为(x，y)，其中x∈A，y∈A.记点P落在第一象限为事件M，则P(M)等于()A．B．C．D．【答案】C【解析】略点P的坐标可能为(－1，－1)，(－1,0)，(－1，1)，(0,0)，(0,1)，(1,0)，(1，－1)，(0，－1)，(1,1)共9种，其中落在第一象限的点的坐标为(1,1)，故选C.10.下课以后，教室里最后还剩下2位男同学，2位女同学．如果没有2位同学一块儿走，则第2位走的是男同学的概率是()A．B．C．D．【答案】A【解析】已知有2位女同学和2位男同学，所有走的可能顺序有(女，女，男，男)，(女，男，女，男)，(女，男，男，女)，(男，男，女，女)，(男，女，男，女)，(男，女，女，男)，所以第2位走的是男同学的概率是P＝＝.11.从含有3个元素的集合的子集中任取一个，则所取得的子集是含有2个元素的集合的概率是________．【答案】【解析】{a，b，c}的所有子集共有8个：∅，{a}，{b}，{c}，{a，b}，{a，c}，{b，c}，{a，b，c}，含有2个元素的子集共有3个．故所求概率为.12.同时抛掷两颗骰子，求：(1)点数之和是4的倍数的概率；(2)点数之和大于5小于10的概率；(3)点数之和大于3的概率．【答案】(1) (2) (3)【解析】解：从图中容易看出基本事件与所描点一一对应，共36个．(1)记“点数之和是4的倍数”的事件为A，从图中可以看出，事件A包含的基本事件共有9个：(1,3)，(2,2)，(2,6)，(3,1)，(3,5)，(4,4)，(5,3)，(6,2)，(6,6)．所以P(A)＝＝.(2)记“点数之和大于5小于10”的事件为B，从图中可以看出，事件B包含的基本事件共有20个，即(1,5)，(2,4)，(3,3)，(4,2)，(5,1)，(1,6)，(2,5)，(3,4)，(4,3)，(5,2)，(6,1)，(2,6)，(3,5)，(4,4)，(5,3)，(6,2)，(3,6)，(4,5)，(5,4)，(6,3)．所以P(B)＝＝.(3)点数之和小于或等于3的基本事件有(1,1)，(1,2)，(2,1)，其概率为＝，“由点数之和大于3”其对立事件为“点数之和小于或等于3”，所以点数之和大于3的概率为1－＝.13.已知关于x的二次函数f(x)＝ax2－4bx＋1.设集合P＝{－1,1,2,3,4,5}和Q＝{－2，－1,1,2,3,4}，分别从集合P和Q中任取一个数作为a和b的值，求函数y＝f(x)在区间[1，＋∞)上是增函数的概率．【答案】【解析】解：函数f(x)＝ax2－4bx＋1的图象的对称轴为x＝，要使函数f(x)＝ax2－4bx＋1在区间[1，＋∞)上为增函数，当且仅当a>0且≤1，即a≥2b且a>0.若a＝1，则b＝－2，－1；若a＝2，则b＝－2，－1,1；若a＝3，则b＝－2，－1,1；若a＝4，则b＝－2，－1,1,2；若a＝5，则b＝－2，－1,1,2.∴事件包含的基本事件的个数是2＋3＋3＋4＋4＝16，又所有基本事件的个数是6×6＝36，∴所求事件的概率为＝.14.用随机模拟方法估计概率时，其准确程度决定于()A．产生的随机数的大小B．产生的随机数的个数C．随机数对应的结果D．产生随机数的方法【答案】B【解析】随机数容量越大，概率越接近实际数．15.某银行储蓄卡上的密码是一种含4位数字的号码，每位上的数字可以在0～9这10个数字中选取，某人未记住密码的最后一位数字，如果按密码的最后一位数字时随意按下一位，则恰好按对密码的概率为()A．B．C．D．【答案】D【解析】只考虑最后一位数字即可，从0至9这10个数字中随机选择一个作为密码的最后一位数字，则恰好按对密码的概率为.16.一枚硬币连续投掷三次，至少出现一次正面向上的概率为()A．B．C．D．【解析】连掷三次硬币，所有情况共8种：(正，正，正)，(正，正，反)，(正，反，正)，(正，反，反)，(反，正，正，)，(反，正，反，)，(反，反，正)，(反，反，反)，其中至少出现一次正面向上的情况共7种．17.有6张写有数字的卡片，它们的背面都相同，现将它们背面朝上（如右图），从中任意一张是数字3的概率是（）A．1/6B．1/3C．1/2D．2/3【答案】B【解析】本题考查了简单随机抽样，思路分析：每一张被抽中的概率均为，其中数字3的卡片有两张，所以，从中任意一张是数字3的概率是1/318.如图,一飞镖游戏板,其中每个小正方形的大小相等,则随意投掷一个飞镖,击中黑色区域的概率是 ( )A．B．C．D．【答案】B【解析】本题考查了几何概率模型中，事件A发生的概率思路分析：黑色区域占飞镖游戏板的=，故随意投掷一个飞镖,击中黑色区域的概率是比较简单的几何概率模型19.一个均匀的立方体六个面上分别标有数1，2，3，4，5，6．右图是这个立方体表面的展开图．抛掷这个立方体，则朝上一面上的数恰好等于朝下一面上的数的的概率是（）A．B．C．D．【答案】A【解析】本题考查了学生的观察能力以及对概率概念的理解。

11。

2古典概型必备知识预案自诊知识梳理1.基本事件在一次试验中，我们常常要关心的是所有可能发生的基本结果,它们是试验中不能再分的最简单的随机事件，其他事件可以用它们来描绘,这样的事件称为。

2.基本事件的特点（1)任何两个基本事件是的.(2)任何事件(除不可能事件）都可以表示成的和.3。

古典概型具有以下两个特点的概率模型称为古典概率模型，简称古典概型。

(1)有限性：试验中所有可能出现的基本事件.(2）等可能性:每个基本事件出现的可能性。

4。

古典概型的概率公式.P（A）=A包含的基本事件的个数基本事件的总数1。

任一随机事件的概率都等于构成它的每一个基本事件概率的和。

2。

求试验的基本事件数及事件A包含的基本事件数的方法有列举法、列表法和树状图法。

考点自诊1.判断下列结论是否正确，正确的画“√”，错误的画“×”。

(1）在一次古典概型试验中,其基本事件的发生一定是等可能的.(）（2）基本事件的概率都是1n。

若某个事件A包含的结果有m个,则P(A)=mn.(）（3）掷一枚质地均匀的硬币两次，出现“两个正面”“一正一反"“两个反面”,这三个结果是等可能事件.()(4）在古典概型中，如果事件A中基本事件构成集合A,所有的基本事件构成集合I,那么事件A的概率为card(A)card(I)。

()(5)从1,2，3,4,5中任取出两个不同的数,其和为5的概率是0。

2.()2.某同学打算编织一条毛线围巾送给妈妈,决定从妈妈喜欢的白色、黄色和紫色中随机选择两种颜色的毛线编织，那么这条围巾是由白色、紫色两种颜色的毛线编织的概率是（)A.14B.13C。

12D.343.(2019全国3,3）两位男同学和两位女同学随机排成一列,则两位女同学相邻的概率是(）A。

16B。

14C。

13D.124.从集合A={1，3，5,7,9｝和集合B=｛2,4，6,8｝中各取一个数,那么这两个数之和除以3余1的概率是()A。

概率图模型的推理方法详解概率图模型是一种用于描述随机变量之间关系的数学工具，它通过图的形式表示变量之间的依赖关系，并利用概率分布来描述这些变量之间的关联。

在概率图模型中，常用的两种图结构是贝叶斯网络和马尔可夫随机场。

而推理方法则是通过已知的观测数据来计算未知变量的后验概率分布，从而进行推断和预测。

一、贝叶斯网络的推理方法贝叶斯网络是一种有向无环图，它由节点和有向边组成，每个节点表示一个随机变量，有向边表示变量之间的依赖关系。

在贝叶斯网络中，推理问题通常包括给定证据条件下计算目标变量的后验概率分布，以及对未观测变量进行预测。

常用的推理方法包括变量消去法、固定证据法和采样法。

变量消去法是一种精确推理方法，它通过对贝叶斯网络进行变量消去来计算目标变量的后验概率分布。

这种方法的优点是计算结果准确，但当网络结构复杂时，计算复杂度会很高。

固定证据法是一种近似推理方法，它通过将已知的证据变量固定，然后对目标变量进行推理。

这种方法的优点是计算速度快，但结果可能不够准确。

采样法是一种随机化推理方法，它通过蒙特卡洛采样来计算目标变量的后验概率分布。

这种方法的优点是可以处理复杂的网络结构，但计算效率较低。

二、马尔可夫随机场的推理方法马尔可夫随机场是一种无向图，它由节点和边组成，每个节点表示一个随机变量，边表示变量之间的依赖关系。

在马尔可夫随机场中，推理问题通常包括给定证据条件下计算目标变量的后验概率分布，以及对未观测变量进行预测。

常用的推理方法包括置信传播法、投影求解法和拉普拉斯近似法。

置信传播法是一种精确推理方法，它通过消息传递算法来计算目标变量的后验概率分布。

这种方法的优点是计算结果准确，但当网络结构复杂时，计算复杂度会很高。

投影求解法是一种近似推理方法，它通过对目标变量进行投影求解来计算后验概率分布。

这种方法的优点是计算速度快，但结果可能不够准确。

拉普拉斯近似法是一种随机化推理方法，它通过拉普拉斯近似来计算目标变量的后验概率分布。

概率图模型中的贝叶斯网络建模方法解析概率图模型是一种用来描述随机变量之间关系的工具，它可以帮助我们理解复杂系统中的概率分布和因果关系。

其中，贝叶斯网络是一种常用的概率图模型，它能够有效地表示变量之间的依赖关系，并且在推断、预测等领域有着广泛的应用。

本文将介绍贝叶斯网络的建模方法，帮助读者更好地理解和应用这一重要的概率图模型。

贝叶斯网络是由节点和有向边构成的有向图，其中节点表示随机变量，有向边表示变量之间的依赖关系。

贝叶斯网络中的节点可以分为两类：随机变量节点和参数节点。

随机变量节点表示我们感兴趣的变量，而参数节点则表示这些变量之间的依赖关系的参数。

贝叶斯网络通过条件概率分布来描述节点之间的依赖关系，每个节点的条件概率分布都是给定其父节点时的条件概率分布。

贝叶斯网络的建模方法主要包括确定网络结构和参数估计两个步骤。

在确定网络结构时，我们需要考虑两个方面的因素：变量之间的因果关系和观测数据的分布。

变量之间的因果关系可以通过领域知识或实验数据来确定，而观测数据的分布则可以通过统计方法来估计。

一般来说，我们可以通过分析变量之间的相关性，来确定网络中的有向边。

此外，我们还可以使用一些自动学习算法，如基于信息论的方法或基于约束条件的方法，来帮助确定网络结构。

在参数估计方面，我们需要根据实际观测数据来估计节点之间的条件概率分布。

一种常用的方法是最大似然估计，通过最大化观测数据的似然函数来估计网络中的参数。

另一种方法是贝叶斯估计，它可以用来对参数进行先验分布的建模，并通过观测数据来更新参数的后验分布。

贝叶斯估计可以有效地处理数据稀疏和参数过拟合的问题，但它需要对参数的先验分布进行假设，这可能会引入一定的主观性。

在贝叶斯网络的建模过程中，我们还需要考虑一些常见的问题，如遗漏变量、共线性和因果关系的确定。

遗漏变量是指在网络中没有被考虑到的变量，它可能会导致对网络结构和参数的估计出现偏差。

共线性是指变量之间存在高度相关性，它可能会导致参数估计不稳定。

全概率经典例题详解题目：甲、乙、丙三人向同一飞机射击，设击中的概率分别为，，，若只有1人击中，则飞机被击落概率为，若2人击中，则飞机被击落的概率为，若3人击中，则飞机一定被击落，则飞机被击落的概率为多少？解：设甲、乙、丙三人击中分别为A、B、C，飞机被击落为D。

首先，我们考虑只有1人击中的情况。

这包括三种子情况：甲击中而乙丙不击中、乙击中而甲丙不击中、丙击中而甲乙不击中。

对于甲击中而乙丙不击中的情况，其概率为$P(A\overset{―}{B}\overset{―}{C}) = \times (1 - ) \times (1 - ) = \times \times = $。

对于乙击中而甲丙不击中的情况，其概率为$P(\overset{―}{A}B\overset{―}{C}) = (1 - ) \times \times (1 - ) = \times \times = $。

对于丙击中而甲乙不击中的情况，其概率为$P(\overset{―}{A}\overset{―}{B}C) = (1 - ) \times (1 - ) \times = \times \times = $。

因此，只有1人击中的总概率为 $P_1 = P(A\overset{―}{B}\overset{―}{C}) + P(\overset{―}{A}B\overset{―}{C}) + P(\overset{―}{A}\overset{―}{B}C) = + + = $。

接下来，我们考虑有2人击中的情况。

这包括三种子情况：甲乙击中而丙不击中、甲丙击中而乙不击中、乙丙击中而甲不击中。

对于甲乙击中而丙不击中的情况，其概率为 $P(AB\overset{―}{C}) =\times \times (1 - ) = \times \times = $。

对于甲丙击中而乙不击中的情况，其概率为 $P(A\overset{―}{B}C) =\times (1 - ) \times = \times \times = $。

高三数学概率综合试题答案及解析1.将一枚硬币连掷5次,如果出现k次正面向上的概率等于出现k+1次正面向上的概率,那么k的值为()A．0B．1C．2D．3【答案】C【解析】由()k()5-k=()k+1·()5-k-1,即=,故k+(k+1)=5,即k=2.2.甲射击命中目标的概率是，乙命中目标的概率是，丙命中目标的概率是.现在三人同时射击目标，则目标被击中的概率为()．A．B．C．D．【答案】A【解析】设甲命中目标为事件A，乙命中目标为事件B，丙命中目标为事件C，则目标被击中的事件可以表示为A＋B＋C，即击中目标表示事件A、B、C中至少有一个发生．∴P()＝P()·P()·P()＝[1－P(A)]·[1－P(B)]·[1－P(C)]，故目标被击中的概率为1－P()＝1－＝.3.为了参加2013年市级高中篮球比赛，该市的某区决定从四所高中学校选出人组成男子篮球队代表所在区参赛，队员来源人数如下表：学校学校甲学校乙学校丙学校丁该区篮球队经过奋力拼搏获得冠军,现要从中选出两名队员代表冠军队发言．（Ⅰ）求这两名队员来自同一学校的概率；（Ⅱ）设选出的两名队员中来自学校甲的人数为，求随机变量的分布列及数学期望．【答案】（I）．（II）的分布列为：.【解析】（I）由古典概型概率公式即得；（II）首先确定的所有可能取值.因为总共只取2人，甲校共有4人，故的所有可能取值为.将队员分为甲校学生和非甲校学生，显然这是一个超几何分布，由超几何分布概率公式即可得其分布列，从而得其期望.试题解析：（I）“从这12名队员中随机选出两名，两人来自于同一学校”记作事件，则． 6分（II）的所有可能取值为 7分则，，∴的分布列为：10分∴ 13分【考点】古典概型、离散型随机变量的分布列及数学期望..4.袋中标号为1，2，3，4的四只球，四人从中各取一只，其中甲不取1号球，乙不取2号球，丙不取3号球，丁不取4号球的概率为（）A．B．C．D．【答案】B．【解析】不妨设甲取2号球．若乙取1号，则丙4丁3；若乙3，则丙4丁1；若乙4，则丙丁3．共3种情况．类似的，甲取3或4号球，各有3种情况，故共9种，而基本事件的总数为，故所求的概率为故选B．本题是一个错位排列模型．【考点】求错位排列的概率．5.乒乓球单打比赛在甲、乙两名运动员间进行，比赛采用7局4胜制(即先胜4局者获胜，比赛结束)，假设两人在每一局比赛中获胜的可能性相同．(1)求甲以4比1获胜的概率；(2)求乙获胜且比赛局数多于5局的概率；(3)求比赛局数的分布列．【答案】(1)；(2)；(3)见解析.【解析】(1)先记“甲以4比1获胜”为事件A，由题意甲乙一共比赛5局，则甲前4局比赛中有且只有3局获胜，第5局比赛一定获胜，易得甲以4比1获胜的概率为P(A)＝()3·()4－3·＝；(2)同（1）中道理，“乙获胜且比赛局数多于5局”分两种情况：一是比赛6局，二是比赛7局，分别计算出概率再相加即得结论；(3)比赛的局数的可能值为4、5、6、7，分别计算取不同值时的概率，列表得分布列.试题解析：(1)由已知，甲、乙两名运动员在每一局比赛中获胜的概率都是. 1分记“甲以4比1获胜”为事件A，则P(A)＝()3·()4－3·＝. 3分(2)记“乙获胜且比赛局数多于5局”为事件B.因为乙以4比2获胜的概率为P1＝··＝，乙以4比3获胜的概率为P2＝··＝，所以P(B)＝P1＋P2＝. 7分（3）设比赛的局数位X，则X的可能取值为4,5,6,7． 8分，，，， 11分比赛局数的分布列为【考点】1、概率；2、概率分布列．6.为了调查某大学学生在周日上网的时间，随机对1OO名男生和100名女生进行了不记名的问卷调查.得到了如下的统计结果：表1:男生上网时间与频数分布表表2:女生上网时间与频数分布表(I)若该大学共有女生750人,试估计其中上网时间不少于60分钟的人数；(II)完成下面的2x2列联表，并回答能否有90%的把握认为“学生周日上网时间与性别有关”？表3：【答案】(I)225；(II)没有90%的把握认为“学生周日上网时间与性别有关”.【解析】(I)设估计上网时间不少于60分钟的人数, 依据题意有，解得之；(II)根据男生、女生的上网时间频数分布表易得2×2列联表，并由公式得出值，即得结论.试题解析：（Ⅰ）设估计上网时间不少于60分钟的人数, 依据题意有， 4分解得：，所以估计其中上网时间不少于60分钟的人数是225人. 6分（Ⅱ）根据题目所给数据得到如下列联表：上网时间少于60分钟上网时间不少于60分钟合计8分其中 10分因此，没有90%的把握认为“学生周日上网时间与性别有关”. 12分【考点】1、频率；2、独立性检验.7.某集团公司举办一次募捐爱心演出，有1000人参加，每人一张门票，每张100元。