第1次课条件概率.ppt

* * 解 书后第6题 t个白球, r个红球 此模型被波利亚用来作为描述传染病的数学模型. 注：当 a0 时，由于每次取出球后会增加下一次也取到同色球的概率. 这是一个传染病模型. 每次发现一个传染病患者，都会增加再传染的概率. 一场精彩的足球赛将要举行， 5个球迷好不容易才搞到一张入场券. 大家都想去,只好用抽签的方法来解决.　　　 入场 券 5张同样的卡片，只有一张上写有“入场券”，其余的什么也没写. 将它们放在一起，洗匀，让5个人依次抽取. “先抽的人当然要比后抽的人抽到的机会大. ” 后抽比先抽的确实吃亏吗？ 到底谁说的对呢？让我们用概率论的知识来计算一下,每个人抽到“入场券”的概率到底有多大? “大家不必争先恐后，你们一个一个 按次序来，谁抽到‘入场券’的机会都 一样大.” “先抽的人当然要比后抽的人抽到的机会大。” 　　我们用Ai表示“第i个人抽到入场券”i＝1,2,3,4,5. 显然，P(A1)=1/5，P( )＝4/5 第1个人抽到入场券的概率是1/5. 也就是说， 则 表示“第i个人未抽到入场券” 因为若第2个人抽到 了入场券，第1个人 肯定没抽到. 也就是要想第2个人抽到入场券，必须第1个人未抽到， 由于 由乘法公式 计算得： P(A2)= (4/5)(1/4)= 1/5 这就是有关抽签顺序问题的正确解答. 同理，第3个人要抽到“入场券”，必须第1、第2个人都没有抽到. 因此 ＝(4/5)(3/4)(1/3)=1/5 继续做下去就会发现, 每个人抽到“入场券” 的概率都是1/5. 抽签不必争先恐后. 也就是说， 　　 因为可以验证，条件概率满足概率定义中的三个条件，所以它是概率。 条件概率是在试验E的条件上加上一个新条件(如B发生)求事件(如A)发生的概率。条件概率P(A∣B)与P(A)的区别就是在E的条件上增加了一个新条件。而无条件概率是没有增加新条件的概率。 条件概率P(A∣B)与积事件概率P(AB)有什么区别？ P(AB)是在样本空间S内，事件AB的概率，而P(A∣B)是在试验E增加了新条件B发生后的缩减样本空间SB中计算事件A的概率。虽然都是A、B同时发生，但两者是不同的，有P(AB)＝P(B)P(A∣B)，仅当P(B)＝P(S)＝1时，两者相等。 条件概率为什么是概率？它与无条件概率有什么区别？ 三、全概率公式与贝叶斯公式 下面用概率的有限可加性及条件概率的定义和乘法定理建立两个计算概率的公式。先引入一个例子 例 某工厂的两个车间生产同型号的家用电器。据以往经验，第1车间的次品率为0.15，第2车间的次品率为0.12。两个车间生产的成品混合堆放在一个仓库里且无区分标志，假设第1、2车间生产的成品比例为2:3。 (1)在仓库中随机地取一件成品，求它是次品的概率 (2)在仓库中随机地取一只成品，若已知取到的是次品，问该此次品分别是由第1、2车间生产的概率为多少？ 从而 （7） 于是 （8） 解(1) 记 （6） 因为 （2）问题归结为计算 和 由条件概率的定义及乘法公式，有 (9) (10) 定义2 全概率公式: 　设 为随机试验的样本空间，A1,A2,…,An是两两互斥的事件，且有P(Ai)0，i =1,2,…,n, 则对任一事件B，有 在较复杂情况下直接计算P(B)不易,但B总是伴随着某个Ai出现，适当地去构造这一组Ai往往可以简化计算. 注：全概率公式的来由, 不难由上式看出: “全” 部概率P(B)被分解成了许多部分之和.它的理论 和实用意义在于: 图示 证明 化整为零 各个击破 它可以将一个复杂事件的概率计算问题,分解为若干个简单事件的概率计算问题,最后应用概率的可加性求出最终结果. 某一事件A的发生有各种可能的原因Bi(i=1,2,…,n),如果A是由原因Bi所引起，则A发生的概率是 每一原因Bi都可能导致A发生，故A发生的概率是各原因引起A发生概率的总和，即全概率公式. 我们还可以从另一个角度去理解全概率公式： 全概率公式图解 A1 A2 A3 A4 A5 A6 A7 A8 B 由此可以形象地把全概率公式看成为“由原因推结果”，每个原因对结果的发生有一定的“作用”，即结果发生的可能性与各种原因的“作用”大小有关. 全概率公式表达了它们之间的关系 . 诸Ai是原因 B是结果 例1 人们为了解一支股票未来一定时期内价格的变化, 往往会去分析影响股票价格的基本因素, 比如利率的变化. 现假设人们经分析估计利率下调的概率为60%, 利率不变的概率为40%. 根据经验, 人们