一、前言
条件概率是概率论中一个重要而实用的概念。所考虑的是事件A已发生的条件下事件B发生的概率。全概率公式和贝叶斯公式都是考虑在一个样本空间S的划分下多个事件概率的求解,只不过全概率公式是根据分事件求解和事件,而别噎死公式是根据和事件求解分事件。
二、条件概率
设A,B是两个事件,且P(B)>0,则在事件B发生的条件下,事件A发生的条件概率(conditional probability)为:
P(A|B)=P(AB)/P(B)
三、乘法公式
3.1 由条件概率公式得:
P(AB)=P(A|B)P(B)=P(B|A)P(A)
上式即为乘法公式;
3.2 乘法公式的推广:对于任何正整数n≥2,当P(A1A2...An-1) > 0 时,有:
P(A1A2...An-1An)=P(A1)P(A2|A1)P(A3|A1A2)...P(An|A1A2...An-1)
四、全概率公式
4.1定义
如果事件组B1,B2,.... 满足
(1) B1,B2....两两互斥,即 Bi ∩ Bj = ∅ ,i≠j , i,j=1,2,....,且P(Bi)>0,i=1,2,....;
(2) B1∪B2∪....=Ω ,则称事件组 B1,B2,...是样本空间Ω的一个划分。设 B1,B2,...是样本空间Ω的一个划分,A为任一事件,则:
上式即为全概率公式(formula of total probability)。
4.2 含义
全概率公式的意义在于,当直接计算P(A)较为困难,而P(Bi),P(A|Bi) (i=1,2,...)的计算较为简单时,可以利用全概率公式计算P(A)。思想就是,将事件A分解成几个小事件,通过求小事件的概率,然后相加从而求得事件A的概率,而将事件A进行分割的时候,不是直接对A进行分割,而是先找到样本空间Ω的一个个划分B1,B2,...Bn,这样事件A就被事件AB1,AB2,...ABn分解成了n部分,即A=AB1+AB2+...+ABn, 每一Bi发生都可能导致A发生相应的概率是P(A|Bi),由加法公式得
P(A) = P(AB1)+P(AB2)+....+P(ABn)
= P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(PBn)
4.3 应用
有10盒种子,其中盒发芽率为90%,其他9盒为20%。随机选取其中一盒,从中取出一粒种子,该种子能发芽的概率为多少?
设:随机选取一盒种子为事件A,来自发芽率90%的盒子为事件A1,来自发芽率10%的盒子的概率为事件A2.种子发芽与否为事件B,发芽为事件B1,不发芽为事件B2。
则有全概率公式可知,
P(B1)=P(B1/A1)*P(A1)+P(B1/A2)*P(A2) = 90%*1/10+10%*9/10 = 0.27
五、贝叶斯公式
5.1 定义
与全概率公式解决的问题相反,贝叶斯公式是建立在条件概率的基础上寻找事件发生的原因(即大事件A已经发生的条件下,分割中的小事件Bi的概率),设B1,B2,...是样本空间Ω的一个划分,则对任一事件A(P(A)>0),有
上式即为贝叶斯公式(Bayes formula),Bi 常被视为导致试验结果A发生的”原因“,P(Bi)(i=1,2,...)表示各种原因发生的可能性大小,故称先验概率;P(Bi|A)(i=1,2...)则反映当试验产生了结果A之后,再对各种原因概率的新认识,故称后验概率。
5.2 应用
有10盒种子,其中盒发芽率为90%,其他9盒为20%。随机选取其中一盒。若该种子能发芽,则它来自发芽率高的1盒的概率是多少?
设:随机选取一盒种子为事件A,来自发芽率90%的盒子为事件A1,来自发芽率10%的盒子的概率为事件A2.种子发芽与否为事件B,发芽为事件B1,不发芽为事件B2。
由贝叶斯公式可知,P(A1|B1) = P(B1|A1) /(P(B1|A1)+P(B1|A2))= 1/3