而且无法得到相对次数的资料采用主观法对试验结果指派机率时.PPTVIP

4.5 貝氏定理 第4章 機率導論 第168頁 * 貝氏定理實例 某製造商向兩個供應商訂購零件，令 A1 表示供應商 1 供應零件的事件，A2 代表供應商 2 供應零件的事件。現在有 65% 的零件是向供應商 1 購買，35% 的零件是向供應商 2 購買。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所示。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 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，我們可將這個過程視為一個兩步驟的實驗，此實驗有 4 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頁 表4.6 * 貝氏定理實例 第4章 機率導論 第169頁 圖4.10 * 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) 上述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，只要將兩階段的分支機率相乘，即為其對應的實驗結果發生的機率，這些聯合機率如圖4.11所示。 第4章 機率導論 第169頁 * 貝氏定理實例 第4章 機率導論 第169頁 圖4.11 * 貝氏定理實例 假設將這些零件投入生產製程，發現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 的機率為何？來自供應商 2 的機率又為何？將這些資訊畫在機率樹上 (見圖 4.11)，再利用貝氏定理可以找到我們要的答案。 令 B 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)的機率，我們注意到只有兩種情況下事件 B 會發生：(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169-170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 若有 n 個互斥事件分別是 A1, A2, ... , An，且其聯集為整個樣本空間，貝氏定理可用來求任一事後機率 P (Ai︱B)，公式如下。 第4章 機率導論 第170頁 * 表格求解法 步驟1. 準備下列3欄： 第1欄?──?想要求解事後機率的各互斥事件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 步驗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。 步驗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 表4.7 * 評註 貝氏定理在決策分析中佔有相當的份量。先驗機率經常是由決策者主觀估計而來，在取得樣本資訊之後，即可計算事後機率，有助於選出最佳決策。 一事件與其餘事件互斥，它們的聯集為整個樣本空間。貝氏定理經常利用此一特性計算事後機率。 第4章 機率導論 第171頁 * End of Chapter 4 * 事件與事件機率實例 我們回到 KPL 的擴廠計畫，假定專案經理感興趣的