概率论(全).pptVIP

* * 该公式于1763年由贝叶斯(Bayes)给出。 它是在观察到事件A已发生的条件下，寻找导致A发生的每种情况的概率。 　 设B1,B2,…,Bn是样本空间Ω的一个划分，且P(Bi)0，i=1,2,…,n，A为一个事件，则 (四). 贝叶斯(Bayes)公式 实际中还有下面一类问题—— 已知结果发生求每种情况发生的条件概率 8支步枪中有5支已校准过,3支未校准。一名射手用校准过的枪射击时,中靶的概率为0.8;用未校准的枪射击时,中靶的概率为0.3。现从8支枪中任取一支用于射击,结果中靶。求:所用的枪是校准过的概率。 例2(1.4.6): 设A={射击时中靶}, B1={使用的枪校准过}, B2={使用的枪未校准}, 则B1,B2是Ω一个划分,由贝叶斯公式 解: 例3: 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”. 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)。 已知: P(C)=0.005, P(A|C)=0.95, 现在来分析一下结果的意义 解：由贝叶斯公式，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 P(C)=0.005 。 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 P(C｜A)= 0.1066 。 说明这种试验对于诊断一个人是否患有癌症有意义。 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 有无意义？ 2. 检出阳性是否一定患有癌症? 试验结果为阳性,此人确患癌症的概率为 P(C｜A)=0.1066。 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。 则有 P(A|B)=P(A). 这就是说：事件B发生，并不影响事件A发生的概率。 一、两事件的独立性 A={第二次掷出6点}，B={第一次掷出6点}， 先看一个例子：将一颗均匀骰子连掷两次， 设 §1.5 事件的独立性 事实上此例也可判断出：事件A发生，也不影响事件B发生的概率。 若两事件A, B满足 P(AB)= P(A) P(B), 则称A与B独立，或称A，B相互独立。 两事件独立的定义 例1： 从一副不含大小王的扑克牌中任取一张，记 A={ 抽到K }, B={抽到黑色的牌}。 故, P(AB)=P(A)P(B). 由于 P(A)=4/52=1/13, 这说明事件A, B独立。 问事件A, B是否独立？ 解： P(AB)=2/52=1/26。 P(B)=26/52=1/2， 在某些实际问题中, 往往需根据问题的实际意义去判断两事件是否独立 。 如：一批产品共n件，从中抽取2件，设 Ai ={第i件是合格品}， i=1,2。 若抽取是有放回的, 则A1与A2独立。 其原因是: 第二次抽取的结果受第一次抽取结果的影响。 其原因是: 第二次抽取的结果不受第一次抽取结果的影响。 若抽取是无放回的，则A1与A2不独立。 = P(A) － P(AB) = P(A) － P(A) P(B) 证明: 仅需证A与 独立。 定理（独立的性质）：若事件A, B独立则 也相互独立。 = P(A)[1 － P(B)] = P(A)P( ), 二、多个事件的独立性 将两事件独立的定义推广到三个事件： 对于三个事件A、B、C，若 P(AB)= P(A)P(B)， 四个等式同时 P(AC)= P(A)P(C) , 成立, 则称事件 P(BC)= P(B)P(C) , A, B, C相互 P(ABC)= P(A)P(B)P(C) 。 独立。