本博客已迁移至 SnailDove’s Blog, 查看本文,请点击此处
说明:全文摘自 Introduction to probability, 2nd Edition
本文讨论条件概率定律的应用,首先引入一个计算事件概率的定理。
全概率公式
设 A1,A2,...,An A 1 , A 2 , . . . , A n 是一组互不相容的事件,它形成样本空间的一个分割(每个试验结果必定使得其中一个事件发生!)。又假定对每个 i,P(Ai)>0 i , P ( A i ) > 0 。则对任何事件 B B ,下列公式成立
下图是全概率公式的图示和证明。直观上,将样本空间分割成若干事件 Ai A i 的并( A1,⋯,An A 1 , ⋯ , A n 形成样本空间的一个分割)然后任意事件 B B 的概率等于事件 在 Ai A i 发生的情况下的条件概率的加权平均,而权重刚好等于这些事件 Ai A i 的无条件概率。这条定理的一个主要应用是计算事件 B B 的概率。直接计算事件 的概率有点难度,但是若条件概率 P(B|Ai) P ( B | A i ) 是已知的或是很容易推导计算时,全概率定理就成为了计算 P(B) P ( B ) 的有力工具。应用这条定理的关键是找到合适的分割 A1,⋯,An A 1 , ⋯ , A n ,而合适的分割又与问题的实际背景有关。
由于事件 A1,A2,⋯,An A 1 , A 2 , ⋯ , A n 形成一个样本空间的一个分割,事件 B B 可以分解成不想交的 个事件的并,即:
B=(A!∩B)∪⋯∪(An∩B)(1) B = ( A ! ∩ B ) ∪ ⋯ ∪ ( A n ∩ B ) ( 1 )
利用可加定理,得到:
P(B)=P(A1∩B)+⋯+P(An∩B)(2) P ( B ) = P ( A 1 ∩ B ) + ⋯ + P ( A n ∩ B ) ( 2 )
利用条件概率的定义,得到:
P(Ai∩B)=P(Ai)P(B|Ai)(3) P ( A i ∩ B ) = P ( A i ) P ( B | A i ) ( 3 )
将 (3) ( 3 ) 式子代入 (2) ( 2 ) 式子中得到:
P(B)=P(A1)P(B|A1)+⋯+P(An)P(B|An) P ( B ) = P ( A 1 ) P ( B | A 1 ) + ⋯ + P ( A n ) P ( B | A n )
也可以用等价的序列树形图来说明全概率定理(如上右边图):叶子 Ai∩B A i ∩ B 的概率等于由叶子到根部上的概率的乘积 P(Ai)P(B|Ai) P ( A i ) P ( B | A i ) 。而事件 B B 由图上显示的3个叶子组成,将它们的概率相加就得到 。
全概率公式例子
例 1.13 你参加一个棋类比赛,其中 50% 50 % 是一类棋手,你赢他们的概率为 0.3% 0.3 % ; 25% 25 % 是二类棋手,你赢他们的概率是 0.4 0.4 ;剩下的是三类棋手,你赢得他们的概率是 0.5 0.5 。从他们中间随机地选一位棋手与你比赛,你胜算的概率有多大?
记 Ai A i 表示与你下棋的棋手的类别。依题意
P(A1)=0.5,P(A2)=0.25,P(A3)=0.25 P ( A 1 ) = 0.5 , P ( A 2 ) = 0.25 , P ( A 3 ) = 0.25
记 B B 为你赢得比赛的事件,那么得到:
那么利用全概率公式,你在不比赛中胜出的概率为:
P(B)===P(A1)P(B|A1)+P(A2)P(B|A2)+P(A3)P(B|A3)0.5⋅0.3+0.25⋅0.4+0.25⋅0.50.375 P