2015第四节-全概率公式与贝叶斯公式.pptVIP

* 例5 某厂的一批产品，由甲、 乙 、丙三名工人生产，其产量分别占总产量的25%、35%、40%，且已知他们的次品率依次为5%、4%、2%，现在从这批产品中任意抽取一件,发现是次品 解： ,问这件次品是哪一名工人生产的可能性最大？ * 贝叶斯公式： 　 设A1 , A2 , … , An构成一完备事件组，且P(Ai)0，i=1,2,…,n, 则对任一概率不为零的事件B，有 * 贝叶斯资料 Thomas Bayes Born: 1702 in London, EnglandDied: 17 April 1761 in Tunbridge Wells, Kent, England * 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. 例如，贝叶斯公式可用于鉴定废品来源,从而可以为进一步的经济处罚提供依据。 * 下面我们再回过头来看一下 全概率公式 和 贝叶斯公式 * 完备事件组：A1，A2，…，An 核心事件：B 原因 结果 * 已知 ：用全概率公式求 ：用贝叶斯公式求 先验 概率 后验 概率 * 贝叶斯公式就是用来求后验概率的。 后验概率P(Ai|B)是相对于先验概率P(Ai)来说的。 P(Ai)是试验前根据以往经验确定的一种假设概率， P(Ai|B)是在获知事件B已经发生这一信息之后，事件Ai发生的条件概率， 它是根据新的信息对各“原因”的发生情况获得的新的认识。 贝叶斯公式又称为后验概率公式或逆概公式。 * P(Ai) 是在没有进一步信息（不知道事件B是否发生）的情况下，人们对事件Ai发生的可能性大小的认识. 当有了新的信息（知道B发生），人们对事件Ai发生的可能性大小有了新的估计，这就是P(Ai | B). 贝叶斯公式从数量上刻划了这种变化。 P(Ai | B) P(Ai) * 在不了解案情细节(事件B) 的情况下，侦破人员根据过去 的前科，对他们作案的可能性有一个估计。 比如原来认为作案可能性最小的丙， 现在变成了重点嫌疑犯. 丙 乙 甲 P(A1) P(A2) P(A3) 但在知道案情细节后(知道B发生后), 这个估计就有了变化. P(A1 | B) P(A2 | B) P(A3 | B) 最大 最小 例如：某地发生了一个案件，怀疑对象有 甲、乙、丙三人。 * 例7　 某一地区患有某症的人占0.001，患者对某种试验反应呈阳性的概率为0.95，正常人对这种试验反应呈阳性的概率为0.05， 解　设 A＝抽查的人患有此症，B＝试验结果是阳性， 由全概率公式 已知 P(A)＝0.001 , P(B|A)＝0.95 , P(B| )＝0.05 现随机抽查一人，问 此人试验反应为阳性的概率是多少？ 现随机抽一人，发现此人试验反应呈阳性，问此人是此症患者的概率是多少？ * 例9　 某一地区患有某症的人占0.001，患者对某种试验反应呈阳性的概率为0.95，正常人对这种试验反应呈阳性的概率为0.05， 现随机抽查一人，发现此人试验反应呈阳性，问此人是此症患者的概率是多少？ 由贝叶斯公式 解　设 A＝抽查的人患有此症，B＝试验结果是阳性， 已知 P(A)＝0.001 , P(B|A)＝0.95 , P(B| )＝0.05 * 如果不做试验, 抽查一人, 他患症的概率是 如果对此人做试验，试验反应呈阳性，则根据试验得来的信息，此人患症的概率为 这种试验对于诊断一个人是否患有某 症是有意义的 从0.001增加到0.0187，将近增加约19倍. 1. 这种试验对于诊断一个人是否患有某症有无意义？ 下面来分析一下结果的意义： P(A)=0.001 P(A|B)= 0.0187 先验概率 后验概率 * 2. 检查出是阳性是否一定患有此症? 试验结果为阳性，此人确患此症的概率为 即使检出阳性，尚可不必过早下结论你有此症 因为这种情况下患此症的可能性