多重步骤实验(multiple-stepexperiments).ppt

4.5貝氏定理 表格求解法 * 第4章 機率導論 第168-170頁 貝氏定理 對某特定事件的分析，經常是由初始的或先驗機率 (prior probability) 開始。 然後，經由諸如樣本、特定報告或產品測試等資訊，得到某特定事件的額外資訊。 運用已知的新資訊，我們對先前的機率進行修正，稱為事後機率 (posterior probabilities) 。 貝氏定理 (Bayes’ theorem) 是計算這些機率的方法。機率修正程序如圖 4.9 。 * 第4章 機率導論 第168頁 貝氏定理 * 第4章 機率導論 第168頁 貝氏定理實例 某製造商向兩家供應商訂購零件，令A1 表示的事件是供應商1 供應零件，A2 是供應商 2 供應零件。現在有65% 的零件購自供應商 1，35% 的零件則購自供應商 2。假設隨機取出一零件，我們指派先驗機率 P(A1)＝0.65 與 P(A2)＝0.35。 零件品質因供應來源而異，而供應商供貨品質的歷史資料如表 4.6 。令 G 代表零件是好的，B 代表零件是壞的。由表 4.6 可得知如下的條件機率值。 P(G∣A1) = 0.98 P(B∣A1) = 0.02 P(G∣A2) = 0.95 P(B∣A2) = 0.05 * 第4章 機率導論 第168頁 貝氏定理實例 由圖4.10 的樹狀圖可看出，公司從供應商處收到零件，然後檢驗零件的好壞，我們可視此過程為兩步驟實驗，有四個實驗結果：兩個對應到零件是好的，另外兩個對應到零件是壞的。 * 第4章 機率導論 第168-169頁 貝氏定理實例 * 第4章 機率導論 第169頁 貝氏定理實例 每一實驗結果皆是兩事件的交集，因此我們可以用乘法律計算其機率。則： P(A1, G) = P(A1 ∩ G) = P(A1)P(G∣A1) 聯合機率的計算過程可在機率樹狀圖上加以表達 (見圖 4.11) 。從樹的左邊到右邊，步驟 1 的每一分支代表先驗機率，步驟 2 的每一分支代表條件機率。要找到每個實驗結果的機率，只要將實驗結果前的分支機率相乘。圖 4.11 的每個聯合機率，可看出每個已知的分支機率。 * 第4章 機率導論 第168-169頁 貝氏定理實例 * 第4章 機率導論 第169頁 貝氏定理實例 假設這些零件已投入生產製程，而且有一機器因壞的零件而故障。若已知某一零件是壞的，則它來自供應商 1 的機率是多少？來自供應商 2 的機率是多少？有機率樹上的資訊( 見圖 4.11)，可利用貝氏定理回答上述問題。 令 B 事件表示零件是壞的，則事後機率P(A1︱B) 和P(A2︱B) 可由條件機率公式得知 * 第4章 機率導論 第169頁 貝氏定理實例 參考機率樹狀圖可知 P (A1 ∩ B) = P (A1 )P(B︱A1) 要找出P(B)，我們注意到只有兩種情況下會發生事件 B：(A1 ∩ B) 和(A2 ∩ B)，因此可得 P(B) = P (A1∩B) + P (A2∩B) = P (A1) P(B︱A1) + P(A2) P(B︱A2) * 第4章 機率導論 第169頁 貝氏定理 (兩事件的情況) * 第4章 機率導論 第170頁 貝氏定理 * 第4章 機率導論 第171頁 表格求解法 步驟1. 準備下列三欄： 第1欄?──?想要求解事後機率的互斥事件Ai。 第2欄?──?這些事件的先驗機率?P(Ai)?。 第3欄?──?給定新資訊 B 下的條件機率P(B︱ Ai)?。 步驟2. 在第4欄，利用乘法律計算每一事件的聯合 機率 P(Ai∩B)，聯合機率為第 2 欄先驗機 率和第 3 欄條件機率的乘積，即 P (Ai ∩ B) ＝P(Ai)P(B︱Ai)。 * 第4章 機率導論 第171頁 表格求解法 步驟3. 將第 4 欄的聯合機率加總即得 P(B)。由表 4.7 可看出，零件是壞的，而且來自供應商 1 的機率是 0.0130；零件是壞的，而且來自供應商 2 的機率是 0.0175。而 0.0130＋0.0175＝0.0305，即為零件是壞的機率。 步驟4. 第5欄是利用條件機率的基本關係求得事 後機率。即 其中聯合機率 P(Ai ∩ B)在第 4 欄，而 P(B) 為第4欄的加總。 * 第4章 機率導論 第171頁 表格求解法 * 第4章 機率導論 第171頁 評註 貝氏定理在決策分析中應用廣泛。先驗機率經常是由決策者主觀估計，在取得樣本資訊