1.3条件概率全概公式贝叶斯公式.pptVIP

该球取自哪号箱的可能性最大? 这一类问题是“已知结果求原因”. 在实际中更为常见，它所求的是条件概率，是已知某结果发生条件下，探求各原因发生可能性大小. 某人从任一箱中任意摸出一球，发现是红球,求该球是取自1号箱的概率. 1 2 3 1红4白 或者问: 2、贝叶斯公式 看一个例子: 某人从任一箱中任意摸出一球，发现是红球，求该球是取自1号箱的概率. 记 Ai={球取自i号箱}, i=1,2,3; B ={取得红球} 求P(A1|B) 运用全概率公式 计算P(B) 将这里得到的公式一般化，就得到 贝叶斯公式 1 2 3 1红4白 ? 该公式于1763年由贝叶斯 (Bayes) 给出. 它是在观察到事件B已发生的条件下，寻找导致B发生的每个原因的概率. 贝叶斯公式在实际中有很多应用. 它可以帮助人们确定某结果（事件 B）发生的最可能原因. 例 某一地区患有癌症的人占0.005，患者对一种试验反应是阳性的概率为0.95，正常人对这种试验反应是阳性的概率为0.04，现抽查了一个人，试验反应是阳性，问此人是癌症患者的概率有多大? 则 表示“抽查的人不患癌症”. 已知 P(C)=0.005,P( )=0.995, P(A|C)=0.95, P(A| )=0.04 求解如下: 设 C={抽查的人患有癌症}， A={试验结果是阳性}， 求 P(C|A). 现在来分析一下结果的意义. 由贝叶斯公式，可得 代入数据计算得 P(C｜A)= 0.1066 2. 检出阳性是否一定患有癌症? 1. 这种试验对于诊断一个人是否患有癌症有无意义？ 如果不做试验,抽查一人,他是患者的概率 患者阳性反应的概率是0.95，若试验后得阳性反应 则根据试验得来的信息，此人是患者的概率为 从0.005增加到0.1066,将近增加约21倍. 1. 这种试验对于诊断一个人是否患有癌症有意义. P(C｜A)= 0.1066 P(C)=0.005 试验结果为阳性 , 此人确患癌症的概率为 P(C｜A)=0.1066 2. 即使你检出阳性，尚可不必过早下结论你有癌症，这种可能性只有10.66% (平均来说，1000个人中大约只有107人确患癌症)，此时医生常要通过再试验来确认. P(Ai) (i=1,2,…,n) 是在没有进一步信息（不知道事件B是否发生）的情况下，人们对诸事件发生可能性大小的认识. 当有了新的信息（知道B发生），人们对诸事件发 生可能性大小P(Ai | B)有了新的估计. 贝叶斯公式从数量上刻划了这种变化 在贝叶斯公式中，P(Ai)和P(Ai |B)分别称为原因的验前概率和验后概率. 概率论 在解决许多概率问题时，往往需要在有某些附加信息(条件)下求事件的概率. 一、条件概率和乘法公式 1. 条件概率的概念 如在事件B发生的条件下求事件A发生的概率，将此概率记作P(A|B). 一般地 P(A|B) ≠ P(A) 第三节 条件概率、全概公式和贝叶斯公式 P(A )=1/6， 例如，掷一颗均匀骰子，A={掷出2点}， B={掷出偶数点}， P(A|B)=？ 掷骰子 已知事件B发生，此时试验所有可能结果构成的集合就是B， P(A|B)= 1/3. B中共有3个元素,它们的出现是等可能的,其中只有1个在集A中. 容易看到 P(A|B) 于是 P(A )=3/10， 又如，10件产品中有7件正品，3件次品，7件正品中有3件一等品，4件二等品. 现从这10件中任取一件，记 B={取到正品} A={取到一等品}， P(A|B) 则 P(A )=3/10， B={取到正品} P(A|B)=3/7 本例中，计算P(A)时，依据的前提条件是10件产品中一等品的比例. A={取到一等品}， 计算P(A|B)时，这个前提条件未变，只是加上“事件B已发生”这个新的条件. 这好象给了我们一个“情报”，使我们得以在某个缩小了的范围内来考虑问题. 若事件B已发生, 则为使 A也发生 , 试验结果必须是既在 B 中又在A中的样本点 , 即此点必属于AB. 由于我们已经知道B已发生, 故B变成了新的样本空间 , 于是 有(1). 设A、B是两个事件，且P(B)0,则称