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。
438
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
