条件概率
定义 设 A , B A,B A,B是两个事件,且 P ( A ) > 0 P(A)>0 P(A)>0,称 P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\cfrac{P(AB)}{P(A)} P(B∣A)=P(A)P(AB)为在事件A发生的条件下事件B发生的条件概率
乘法定理
乘法定理 设 P ( A ) > 0 P(A)>0 P(A)>0,则有 P ( A B ) = P ( B ∣ A ) P ( A ) P(AB)=P(B|A)P(A) P(AB)=P(B∣A)P(A)
全概率公式和贝叶斯公式
样本空间
定义 设S为试验E的样本空间, B 1 , B 2 , . . . , B n B_1,B_2,...,B_n B1,B2,...,Bn为E的一组事件,若
( i ) B i B j = ϕ , i ̸ = j i , j = 1 , 2 , . . . , n (i) ~ ~B_iB_j=\phi,\space i\not=j ~~~~~ i,j=1,2,...,n (i) BiBj=ϕ, i̸=j i,j=1,2,...,n
( i i ) B 1 ⋃ B 2 ⋃ . . . ⋃ B n = S (ii)~B_1\bigcup B_2\bigcup...\bigcup B_n=S (ii) B1⋃B2⋃...⋃Bn=S
则称 B 1 , B 2 , . . . , B n B_1,B_2,...,B_n~ B1,B2,...,Bn 为样本空间S的一个划分
若 B 1 , B 2 , . . . , B n B_1,B_2,...,B_n~ B1,B2,...,Bn 是样本空间的一个划分,那么,对每次试验,事件 B 1 , B 2 , . . . , B n B_1,B_2,...,B_n~ B1,B2,...,Bn 中必有且只有一个发生.
全概率公式
定理 设试验E的样本空间为S,A为E的事件, B 1 , B 2 , . . . , B n B_1,B_2,...,Bn~ B1,B2,...,Bn 为S的一个划分,且 P ( B i ) > 0 ( i = 1 , 2 , . . . , n ) P(B_i)>0~(i=1,2,...,n)~ P(Bi)>0 (i=1,2,...,n) 则
P ( A ) = P ( A ∣ B 1 ) P ( B 1 ) + P ( A ∣ B 2 ) P ( B 2 ) + . . . + P ( A ∣ B n ) P ( B n ) P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+...+ P(A|B_n)P(B_n) P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...+P(A∣Bn)P(Bn)
实际问题中 P ( A ) ~P(A)~ P(A) 不易直接求得,但却容易找到S的一个划分 B 1 , B 2 , . . . , B n ~B_1,B_2,...,B_n~ B1,B2,...,Bn ,且 P ( B i ) ~P(B_i)~ P(Bi) 和 P ( A ∣ B i ) ~P(A|B_i)~ P(A∣Bi) 或为已知,或容易求得,那么就可以根据全概率公式求出 P ( A ) ~P(A)~ P(A)
贝叶斯公式
定理 设试验 E ~E~ E 的样本空间为 S . A ~S.~A~ S. A 为 E ~E~ E 的事件, B 1 , B 2 , . . . , B n B_1,B_2,...,B_n~ B1,B2,...,Bn 为 S ~S~ S 的一个划分,且 P ( A ) > 0 , P ( B i ) > 0 i = 1 , 2 , . . . , n ~P(A)>0,P(B_i)>0~~~~i=1,2,...,n P(A)>0,P(Bi)>0 i=1,2,...,n,则
P ( B i ∣ A ) = P ( A ∣ B i ) P ( B i ) ∑ j = 1 n P ( A ∣ B j ) P ( B j ) , i = 1 , 2 , . . . , n . P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\displaystyle\sum_{j=1}^n P(A|B_j)P(B_j)}~,~~~~i=1,2,...,n. P(Bi∣A)=j=1∑nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi) , i=1,2,...,n.
上式被称为贝叶斯(Bayes)公式
证
~~~~
由条件概率的定义以及全概率公式即得
P
(
B
i
∣
A
)
=
P
(
B
i
A
)
P
(
A
)
=
P
(
A
∣
B
i
)
P
(
B
i
)
∑
j
=
1
n
P
(
A
∣
B
j
)
P
(
B
j
)
,
i
=
1
,
2
,
.
.
.
,
n
.
P(B_i|A)=\frac{P(B_iA)}{P(A)}=\frac{P(A|B_i)P(B_i)}{\displaystyle\sum_{j=1}^n P(A|B_j)P(B_j)}~,~~~~i=1,2,...,n.
P(Bi∣A)=P(A)P(BiA)=j=1∑nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi) , i=1,2,...,n.
特别的,取
n
=
2
n=2
n=2,并将
B
1
B_1
B1记为
B
B
B,此时,
B
2
B_2
B2就是
B
‾
\overline{B}
B,那么,全概率公式和贝叶斯公式分别成为
P
(
A
)
=
P
(
A
∣
B
)
P
(
B
)
+
P
(
A
∣
B
‾
)
P
(
B
‾
)
P(A)=P(A|B)P(B)+P(A|\overline{B})P(\overline{B})
P(A)=P(A∣B)P(B)+P(A∣B)P(B)
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
=
P
(
A
∣
B
)
P
(
B
)
P
(
A
∣
B
)
P
(
B
)
+
P
(
A
∣
B
‾
)
P
(
B
‾
)
P(B|A)=\frac{P(AB)}{P(A)}=\frac{P(A|B)P(B)}{P(A|B)P(B)+P(A|\overline{B})P(\overline{B})}
P(B∣A)=P(A)P(AB)=P(A∣B)P(B)+P(A∣B)P(B)P(A∣B)P(B)
相关应用
例1 对以往数据分析结果表明,当机器调整得良好时,产品的合格率为 98 % 98\% 98%,而当机器发生某种故障时,其合格率为 55 % . 55\%.~ 55%. 每天早上机器开动时,机器调整良好的概率为 95 % . 95\%.~ 95%. 试求已知某日早上第一件产品是合格品时,机器调整良好的概率是多少?
解 设
A
A
A为事件“产品合格”,
B
B
B为事件“机器调整良好”.已知
P
(
A
∣
B
)
=
0.98
,
P
(
A
∣
B
‾
)
=
0.55
,
P
(
B
)
=
0.95
,
P
(
B
‾
)
=
0.05
P(A|B)=0.98,P(A|\overline{B})=0.55,P(B)=0.95,P(\overline{B})=0.05
P(A∣B)=0.98,P(A∣B)=0.55,P(B)=0.95,P(B)=0.05,所需求的概率为
P
(
B
∣
A
)
.
P(B|A).~
P(B∣A). 由贝叶斯公式
P
(
B
∣
A
)
=
P
(
A
∣
B
)
P
(
B
)
P
(
A
∣
B
)
P
(
B
)
+
P
(
A
∣
B
‾
)
P
(
B
‾
)
P(B|A)=\frac{P(A|B)P(B)}{P(A|B)P(B)+P(A|\overline{B})P(\overline{B})}
P(B∣A)=P(A∣B)P(B)+P(A∣B)P(B)P(A∣B)P(B)
=
0.98
×
0.95
0.98
×
0.95
+
0.55
×
0.05
=
0.97
=\frac{0.98\times0.95}{0.98\times0.95+0.55\times0.05}=0.97
=0.98×0.95+0.55×0.050.98×0.95=0.97
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
0.97
%
0.97\%
0.97%,这里概率
95
%
95\%
95%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
0.97
0.97
0.97)叫做后验概率
例2(期中小测题目) 袋中装有 m m m枚正品硬币, n n n枚次品硬币(次品硬币的两面都印有国徽)。在袋中任取一枚,将其投掷r次,已知每次都是国徽。问这枚硬币是正品的概率是多少?
解 显然这道题是要用到贝叶斯公式,可以先把已知的条件写出来,再进一步分析.
设
A
A
A为事件“取到正品”,
B
B
B为事件“取到次品”,
C
C
C为事件“将硬币抛
r
~r
r次,每次都是国徽”. 则有
P
(
A
)
=
m
m
+
n
P
(
B
)
=
n
m
+
n
P(A)=\frac{m}{m+n}~~~~~~~~~~~~~~P(B)=\frac{n}{m+n}
P(A)=m+nm P(B)=m+nn
P
(
C
∣
A
)
=
1
2
r
P
(
C
∣
B
)
=
1
P(C|A)=\frac{1}{2^r}~~~~~~~~~~~~~~P(C|B)=1
P(C∣A)=2r1 P(C∣B)=1
题目转换为求
P
(
A
∣
C
)
P(A|C)
P(A∣C)的值,由贝叶斯公式,有
P
(
A
∣
C
)
=
P
(
A
C
)
P
(
C
)
=
P
(
C
∣
A
)
P
(
A
)
P
(
C
∣
A
)
P
(
A
)
+
P
(
C
∣
B
)
P
(
B
)
P(A|C)= \frac{P(AC)}{P(C)}=\frac{P(C|A)P(A)}{P(C|A)P(A)+P(C|B)P(B)}
P(A∣C)=P(C)P(AC)=P(C∣A)P(A)+P(C∣B)P(B)P(C∣A)P(A)
=
1
2
r
m
m
+
n
1
2
r
m
m
+
n
+
n
m
+
n
=
m
m
+
n
⋅
2
r
=\frac{\frac{1}{2^r}\frac{m}{m+n}}{\frac{1}{2^r}\frac{m}{m+n}+\frac{n}{m+n}}=\frac{m}{m+n\cdot2^r}
=2r1m+nm+m+nn2r1m+nm=m+n⋅2rm