第五节条件概率专题课件.ppt

* 小结 由此例可以看出在计算条件概率时有两方法，一种方法是由定义中的(7.2)式去计算，另一种是利用条件概率的含义来计算。一般地计算条件概率时可用(7.2)式求得。但有时采用条件概率的直观含义去求解会更简便，特别是在下面我们介绍几个公式中要通过条件概率去计算无条件概率，这时常用条件概率的直观意义去计算条件概率。 * * 若B1，B2，…，Bn为样本空间的一个划分，那么，对每次试验，事件B1，B2,…，Bn中必有一个且仅有一个发生。 * 在很多实际问题中P（A）不易直接求得，但却容易找到S的一个划分B1，B2，…，Bn，且P（Bi）和P（A|Bi）或为已知，或容易求得，很么就可以根据(8.5)式求出P（A）。 * 把Bi看成导致事件A发生的一种可能途径。对于不同的途径，A发生的概率即条件概率P（A/Bi）各不同，而采取哪个途径却是随机的。直观上易理解，在这种机制下，A的综合概率P（A）应在最小的P（A/Bi）和最大的P（A/Bi）之间，它也不一定是所有P（A/Bi）的算术平均，因为各途径被使用的机会P（Bi）各不同，正确的答案就是诸P（Bi） I=1,2, …n为权的加权平均值。 一个形象的例子如下，某中学有若干个毕业班，各毕业班的升学率不同，其全校的升学率是各班升学率的加权平均，其权与各班学生数成比例。又如有几台机器生产同一零件，各个机器生产的次品率各不相同，则这个车间生产的次品率是各台机器生产的次品率的加权平均，其权与各台机器的产量成比例。 如果我们把事件A看成“结果”...，把事件B1，B2…看成导致这各结果的可能的“原因”，则可以形象地把全概率公式看作成为“由原因推结果”； * 这就是说，当生产出第一件产品是合格品时，此时机器调整良好的概率为0.9，这里，概率0.75是由以往的数据分析得到的，叫做先验概率，而在得到信息（即生产出的第一件产品是合格品）之后再重新加以修正的概率（即0.9）叫做后验概率，有了后验概率我们就能对机器的有进一步的了解。 * 把Bi看成导致事件A发生的一种可能途径。对于不同的途径，A发生的概率即条件概率P（A/Bi）各不同，而采取哪个途径却是随机的。直观上易理解，在这种机制下，A的综合概率P（A）应在最小的P（A/Bi）和最大的P（A/Bi）之间，它也不一定是所有P（A/Bi）的算术平均，因为各途径被使用的机会P（Bi）各不同，正确的答案就是诸P（A/Bi） I=1,2, …n为权的加权平均值。 一个形象的例子如下，某中学有若干个毕业班，各毕业班的升学率不同，其全校的升学率是各班升学率的加权平均，其权与各班学生数成比例。又如有几台机器生产同一零件，各个机器生产的次品率各不相同，则这个车间生产的次品率是各台机器生产的次品率的加权平均，其权与各台机器的产量成比例。 如果我们把事件A看成“结果”...，把事件B1，B2…看成导致这各结果的可能的“原因”，则可以形象地把全概率公式看作成为“由原因推结果”； * 贝叶斯公式是概率论中的一个著名公式。这个公式首先出现在英国学者T·Bayes(1702-1761)去世后的1763年的一项著作中,从形式推导上看,这个公式平淡无奇,它只是条件概率的定义与全概率公式的简单推论。其所以著名,在其现实哲理意义的解释上： P(B1)，P(B2)…，它是在没有进一步的信息（不知A是否发生）的情况下，人们对B1，B2…，发一可能性大小的认识，现在有了新的信息（知道A发生），人们对B1，B2…发生可能性大小有了新的估价。这种情况在日常生活中也是屡见不解的,原以为不甚可能的一种情况,可以因某种事件的发生而变得甚为可能,或者相反,贝叶斯公式从数量上刻划了这种变化。 例如：某地区发生了一起刑事案件，按平日掌握的资料，嫌疑犯有张三，李四…等人，在不知道案情细节（事件A）之前，人们对上述诸人作案的可能性有个估计（相当于P（B1），P（B2）…，那是基于他们过去在局子里的记录，但是知道案情细节后，这个估计就有了变化。比方说，原来认为不甚可能的张三，现在成了重点嫌疑犯，在统计学中依据这个公式的思想发展了一整套统计推断的方法，叫做“贝叶斯统计”。 * 这表明，在已检查出呈阳性的人中，真患肝癌的人不到1%，这个结果可能会使人大吃一惊，但仔细分析一下，就可以理解了。因为肝癌发病率很低，在10000人只有4人左右。而约有9996人不患肝癌。如对10000人用甲胎蛋白法进行检验,按错检的概率可知4位患肝癌的都呈阳性，而9996位不患肝癌人中约有9996×0.05≈500个呈阳性，在总共504个呈阳性者中,真患肝癌的4人占总阳性中不到1%，其中大部分人(500人)是属“属报”. 在此例中，正确理解区分概率P（A|B1）与P（B1|A）是多么重要。概率思维是人们正确观察事物必备的文化