全概率公式
问题引入
在很多实际问题中, P ( A ) P(A) P(A)不易直接求得,但却容易得到一组事件,它们两两互不相容,且它们的和事件为样本空间,并且知道相关事件概率,则此时就可以求出 P ( A ) P(A) P(A)。
在上图中,
B
1
,
B
2
,
B
3
B_1,B_2,B_3
B1,B2,B3两两互不相容,且
B
1
∪
B
2
∪
B
3
=
S
B1\cup B_2\cup B_3=S
B1∪B2∪B3=S,则对任意事件
A
⊂
S
A\subset S
A⊂S,有:
P
(
A
)
=
P
(
A
S
)
=
P
(
A
(
B
1
∪
B
2
∪
B
3
)
)
=
P
(
A
B
1
)
+
P
(
A
B
2
)
+
P
(
A
B
3
)
=
P
(
B
1
)
P
(
A
∣
B
1
)
+
P
(
B
2
)
P
(
A
∣
B
2
)
+
P
(
B
3
)
P
(
A
∣
B
3
)
\begin{align} P(A) &=P(AS)\\ &=P(A(B_1\cup B_2 \cup B_3))\\ &=P(AB_1)+P(AB_2)+P(AB_3)\\ &=P(B_1)P(A|B_1)+P(B_2)P(A|B_2)+P(B_3)P(A|B_3) \end{align}
P(A)=P(AS)=P(A(B1∪B2∪B3))=P(AB1)+P(AB2)+P(AB3)=P(B1)P(A∣B1)+P(B2)P(A∣B2)+P(B3)P(A∣B3)
样本空间的划分
设 S S S为试验 E E E的样本空间, B 1 , B 2 , . . . B n B_1,B_2,...B_n B1,B2,...Bn为 E E E的一组事件,若满足以下两个条件:
- B i B j = ∅ ( i ≠ j , i , j = 1 , 2 , . . . , n ) B_iB_j=\emptyset(i\ne j,i,j=1,2,...,n) BiBj=∅(i=j,i,j=1,2,...,n)
- B 1 ∪ B 2 ∪ . . . ∪ B n = S B_1\cup B_2 \cup ... \cup B_n=S 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 S S的一个划分(或完备事件组)
形式
引入中已经进行了推导,下面就是全概率公式的数学描述
若把全概率公式中的 A A A视为“果”,把 B 1 , B 2 , . . . B n B_1,B_2,...B_n B1,B2,...Bn视为”因“,则全概率公式反映“由因求果”的概率问题。
贝叶斯公式
问题引入
已知事件 A A A发生的概率,反推造成“A”的因,即事件B发生的概率,相当于后验概率。即已知了事件 A A A发生的结果,对先验概率 B B B发生的概率进行了更新。
形式
可以注意到分母其实是全概率公式,而分子是全概率公式中的某一乘积项
例题
我们可以把取到次品看成“果”,把生产元件看作”因“,那么第一问就是一个由“因”求“果”的问题,利用全概率公式
第二问,则是已知取到次品,求该次品由三家工厂生产的概率,是由”果”求“因“的问题,利用贝叶斯公式即可。
需要主要贝叶斯公式的分母是运用了全概率公式的,所以如果要用贝叶斯公式,我们往往也需要先用全概率公式求出分母。