§ 2 有关条件概率的三定理 这里给出条件概率的三个基本公式:乘法公 式,全概率公式和贝叶斯公式。这些公式在随 机数学中起着很重要的作用,现在分别介绍。 (一)乘法公式 设A,B为两个随机事件,若P(B)0,则 P(AB)=P(B)P(A|B) (2) 称之为乘法公式。 定理 1 若P(A)0,也有P(AB)=P(A)P(B|A) 证明: P(B)0,由条件概率定义即证。 进一步可推得 推论1 设A,B ,C为三个随机事件,若P(AB) 0, 则 P(ABC)=P(A)P(B|A)P(C|AB) 证明: P(ABC)= P(A)P(BC|A) 推论2 = P(A)P(B|A)P(C|AB) 设A1,A2,A3,…,An 为n个事件,若 P(A1A2…An-1)0, 则P(A1A2A3…An)=P(A1)P(A2|A1) P(A3|A1A2) …P(An|A1A2…An-1)。 例4 一批零件共100个,其中有10个是次品。 今从这批零件中随机抽取,每次一件,1)若 无放回地抽取3次,求3次都取得合格品的概 率;2)若有放回地抽取3次,求3次都取得合 格品的概率。 解:记 Ai=“第i次取得合格品”,i=1,2,3; 1) 若 无 放 回 的.
Download ReportTranscript § 2 有关条件概率的三定理 这里给出条件概率的三个基本公式:乘法公 式,全概率公式和贝叶斯公式。这些公式在随 机数学中起着很重要的作用,现在分别介绍。 (一)乘法公式 设A,B为两个随机事件,若P(B)0,则 P(AB)=P(B)P(A|B) (2) 称之为乘法公式。 定理 1 若P(A)0,也有P(AB)=P(A)P(B|A) 证明: P(B)0,由条件概率定义即证。 进一步可推得 推论1 设A,B ,C为三个随机事件,若P(AB) 0, 则 P(ABC)=P(A)P(B|A)P(C|AB) 证明: P(ABC)= P(A)P(BC|A) 推论2 = P(A)P(B|A)P(C|AB) 设A1,A2,A3,…,An 为n个事件,若 P(A1A2…An-1)0, 则P(A1A2A3…An)=P(A1)P(A2|A1) P(A3|A1A2) …P(An|A1A2…An-1)。 例4 一批零件共100个,其中有10个是次品。 今从这批零件中随机抽取,每次一件,1)若 无放回地抽取3次,求3次都取得合格品的概 率;2)若有放回地抽取3次,求3次都取得合 格品的概率。 解:记 Ai=“第i次取得合格品”,i=1,2,3; 1) 若 无 放 回 的.
Slide 1
§ 2 有关条件概率的三定理
这里给出条件概率的三个基本公式:乘法公
式,全概率公式和贝叶斯公式。这些公式在随
机数学中起着很重要的作用,现在分别介绍。
(一)乘法公式
设A,B为两个随机事件,若P(B)0,则
P(AB)=P(B)P(A|B)
(2)
称之为乘法公式。
定理 1
若P(A)0,也有P(AB)=P(A)P(B|A)
证明: P(B)0,由条件概率定义即证。
Slide 2
进一步可推得
推论1 设A,B ,C为三个随机事件,若P(AB) 0,
则 P(ABC)=P(A)P(B|A)P(C|AB)
证明: P(ABC)= P(A)P(BC|A)
推论2
= P(A)P(B|A)P(C|AB)
设A1,A2,A3,…,An 为n个事件,若
P(A1A2…An-1)0,
则P(A1A2A3…An)=P(A1)P(A2|A1)
P(A3|A1A2) …P(An|A1A2…An-1)。
Slide 3
例4 一批零件共100个,其中有10个是次品。
今从这批零件中随机抽取,每次一件,1)若
无放回地抽取3次,求3次都取得合格品的概
率;2)若有放回地抽取3次,求3次都取得合
格品的概率。
解:记 Ai=“第i次取得合格品”,i=1,2,3;
1) 若无放回的抽,则
90
P( A1)
100
89
88
P(A 2 A 1 ) , P(A 3 | A 1A 2 )
99
98
90 89 88
P ( A 1A 2 A 3 ) P ( A 1 ) P ( A 2 | A 1 ) P ( A 3 | A 1A 2 )
100 99 98
Slide 4
2) 若有放回地抽取
90
90
90
p ( A1 )
,p ( A2 | A1 )
, p( A3 | A1 A2 )
100
100
100
90 90 90
p ( A1 A2 A3 ) p ( A1 ) p ( A2 / A1 ) p ( A3 / A1 A2 )
100 100 100
例5 一场精彩的足球赛将要举行,5个球迷
好不容易才搞到一张入场券。大家都想去,
只好用抽签的方法来确定,问:抽签先后是
否影响抽到“入场券”的概率?
解 :用Ai表示“第I个人抽到入场券”
(i=1,2,3,4,5),则 Ai 表示“第i个人未抽
到入场券”。显然
Slide 5
1
4
P( A1 ) , P( A1 )
5
5
即第1个人抽到入场券的概率是1/5。
现在来看第2个人,若第2个人抽到入场券,
必须第1个人未抽到。因此
P( A2 ) P( A1 A2 ) P( A1 ) P( A2 | A1 )
4 1 1
5 4 5
同理可求得每个人抽到“入场券”的概率
都是1/5,请同学自己试一试。
Slide 6
例6 袋中有10个球,6白4红,一个一个的取出;
令Ak=第k次取出红球,其中1k10;求
P(A1A2),P(A2)。
解:方法一:按照古典概型的计算方法:
方法一:
( A1 A2 )
2
C4
2
C10
2
15
C 9! 2
( A2 )
10! 4 3 5
1
4
2
方法二: ( A1 A2 ) ( A1 ) ( A2 | A1 )
10 9 15
由 A2 A2 A1 A2 A1 A2,故:
( A2 ) ( A1 A2 A1 A2 ) ( A1 A2 ) ( A1 A2 )
2 6 4 2
( A1 )( A2 | A1 ) ( A1 )( A2 | A1 )
15 10 9 5
Slide 7
在方法二求P(A2)的过程中,对Ω作如下分解:
A1 A1 ,且使 A1 A2与 A1 A2互不相容;
这种分解方法体现了以下全概率公式的基本
思想。
(二) 全概率公式
基本思想
将复杂事件的概率计算问题转化为简
单事件的概率计算。
完备事件组
设随机试验E的样本空间为Ω,A1,A2,…An是
一组事件,如果满足:
1)Ai Aj = ,ij, i,j=1,2,…..n
Slide 8
2) A1A2 … An= Ω
则称A1,A2,…An为样本空间Ω的一个完备事件
组(划分)。
样本空间Ω的一个完备事件组(划分)
Slide 9
定理 2
若{Bi,1in}为样本空间的一个分解(划
分),A为任意一个事件,则
n
( A) ( Bi ) ( A | Bi )
(3)
i 1
称之为全概率公式。
n
n
i 1
i 1
证明: A A A( Bi ) ( Bi A) ,所以
( A) (
n
( Bi A))
(事件的等价性〕
n i 1
( Bi A)
i 1
(有限可加性〕
Slide 10
n
( Bi )( A | Bi )
(乘法公式〕
i 1
A
Slide 11
将 事件A分解成若干互不相容的事件ABi
的和,从而将复杂事件A的概率P(A)转化为
事件ABi的概率P(BiA)的和。
下面几个例子说明全概率公式在简化计
算方面的作用。
例7 从0~9中任取两数,求其和大于10的概率。
解:记A={0~9中和大于10两数},Bi={第一次
取出数i},(0≤i≤9),则
i j, Bi B j ,
9
B
.
i
i 0
又P(Bi)=1/10;P(A|B0)=0,P(A|B1)=0;
Slide 12
当2i5时,P(A|Bi)=(i-1)/9;
当6i9时,P(A|Bi)=(i-2)/9;所以
9
5
9
i 0
i 2
i 6
P(A) P(Bi ) P(A | Bi ) P(Bi ) P(A | Bi ) P(Bi ) P(A | Bi )
1 5 i 1 1 9 i 2 16
10 i2 9 10 i6 9 45
由以上几个例子可以看出,全概率公式
的形式虽然很简单,但它所代表的“对样本
空间进行适当分解”的思想却是十分重要,
具有很高的技巧性。通过对样本空间的分解,
我们可以将“较复杂的”事件转化与分解为
若干不相容事件的并,从而使问题得以解决。
Slide 13
这种事件分解的思想在后面章节仍会不断涉
及,它贯穿概率论课程的始终,是概率论的一大
特点。
对于全概率公式,还可以做以下两点推广:
推论1 若{Bi,i≥1}是的一个分解,且P(Bi)>0,
则
( A) ( Bi )( A | Bi )
( 4)
n 1
(证明提示:利用概率的可列可加性。与
定理2证明类似)
推论2 若{Bi,j≥1}为一列事件,且 i j, Bi B j
B
n 1 n
A
,则(4)亦成立。
Slide 14
全概率公式是概率论的最基本公式之一,它
隐含了概率论中分析问题的基本思想与技巧,
以后我们还要介绍它的各种变形与推广。
例8 某电子设备制造厂所用的某种晶体管由
三家元件制造厂提供,根据以往的记录有以
下的数据:
元件制造厂 次品率 提供晶体管的分额
0.02
0.15
甲厂
0.01
0.80
乙厂
0.03
0.05
丙厂
设三家的产品在仓库中是均匀混合的,且无区
Slide 15
别的标志
(1)在仓库中随机地抽取一只晶体管,求它是
次品的概率;
(2)在仓库中随机地抽取一只晶体管,已知它
是次品,问它是哪个厂生产的可能性更大?
解:设 A=“取到的一只是次品”
Bi=“取到的是第i厂的产品” ,i=1,2,3.
B1,B2,B3是样本空间的一个完备事件组,
P(B1)=0.15,P(B2)=0.80, P(B3)=0.05,
P(A|B1)=0.02,P(A|B2)=0.01,P(A|B3)=0.03
Slide 16
(1)由全概率公式
P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+P(A|B3)P(B3)
=0.02×0.15+0.01×0.80+0.03×0.05=0.0125
(2)
P ( AB1 ) P ( A B1 ) P( B1 )
P ( B1 | A)
P ( A)
P ( A)
0.02 0.15
0.24
0.0125
同理 P(B2|A)=0.64 , P(B3|A)=0.12 .
所以,该次品是乙厂生产的可能性更大。
Slide 17
(三)贝叶斯公式(Bayes公式)
n
由全概率公式,可知:( A) ( Bi )( A | Bi )
i 1
由乘法式得到
( ABi ) ( A)( Bi | A) ( Bi )( A | Bi ) (5)
将(3)式代入(5)式,得到:
n
( Bi ) ( A | Bi ) ( Bi | A) ( Bi ) ( A | Bi )
i 1
所以 ( Bi | A)
定义3
( Bi )( A | Bi )
n
(
B
)
(
A
|
B
)
i
i
i 1
称(6)式为Bayes公式
( 6)
Slide 18
与全概率公式类似,Bayes公式也可以推广到
可列无穷的情况,即:
( Bi | A)
( Bi )( A | Bi )
(
B
)
(
A
|
B
)
i
i
i 1
( 7)
通过 Bayes 公式,使我们在已知 P(Bi)和
P(A|Bi)的情况下,可以计算 P(Bi|A)的值,
我们称P(Bi|A)为事件Bi的后验概率(即已知
试 验 结 果 A 以 后 Bi 的 概 率 ) 。 相 对 地 , 称
P(Bi)为事件Bi的先验概率。
以下几个例子说明Bayes公式的应用。
Slide 19
例9 某发报机每次随机的发“1”与“0”两种
信号,其概率分别为0.6与0.4,由于系统受随
机干扰,其结果是:在发报机发“1”信号条
件下,收报机收到“1”与“0”的条件概率为
0.8与0.2;在发“0”信号条件下,收到“1”与
“0”的条件概率为“0.1”与“0.9”。试求在收
报机收到“1”信号条件下,发报机是发“1”的
条件概率?
解:设A=发“1”信号,A =发“0”信号;B=收
“1”信号,B =收“0”信号。
由题意有 P( A) 0.6, P( A) 0.4,
P( B | A) 0.8, P( B | A) 0.2, P( B | A ) 0.1, P( B | A ) 0.9
Slide 20
由Bayes公式
P( A) P( B | A)
P( A | B)
P( A) P( B | A) P( A) P( B | A)
0.6 0.8
0.923
0.6 0.8 0.4 0.1
此例中,P( A) 0.6, P( A) 0.4 是根据以往发
信号的统计规律得到的,相对于这个问题而
言是先验概率,而P(A|B)是根据本次得到的
试验结果的信息下得到的后验概率。
Slide 21
例10 对以往数据分析结果表明:当机器调整
良好时,产品的合格率为90%,而当机器发
生某一故障时,其产品合格率仅为30%;每
天早上机器开动时,机器调整良好的概率为
75%。已知某日早上第一件产品是合格品,
试求:机器调整良好的概率是多少?
解:A={产品合格},B={机器调整良好},
则题目要求的是P(B|A);由题意 P(A|B)=90%
P(A | B) 30%,P(B)=75%,所以
( B ) ( A | B )
( B | A)
( B ) ( A | B ) ( B ) ( A | B )
0.75 0.9
0.9
0.75 0.9 0.25 0.3
Slide 22
即,当生产出的第一件产品合格时,机器调整
良好的概率为90%。题目中P(B)=75%是根
据以往的数据分析得到的,是先验概率;而
P(B|A)是在得到“生产了一件合格产品”这
一信息条件下的修正概率,是后验概率。
综合举例
在引入了条件概率的三个重要公式——乘法
公式,全概率公式,Bayes 公式后,我们所解决
的概率问题的范围比以前大大扩展了。为说
明它们的综合应用,举例如下:
Slide 23
例11 有两个口袋,一个装有2个黑球和3个
红球;另一个装有3个黑球和2个红球;每次
抛掷一枚匀称的硬币来决定从哪个袋中取球。
每次抽球后均放回原口袋。若抽出的第一个
球是黑球,求从同一口袋中抽得第二个球也
是黑球的概率。
解:记A1={从1号口袋(2黑3红)取球};
A2={从2号口袋(2红3黑)取球};
B1(B2)={第1(2)个球是黑的}。由题意,要求
P(B2|B1)。由条件概率定义:
P(B 2 | B1 ) P(B1 B 2 ) / P(B1 )
Slide 24
再对事件B1进行分解:
B1=B1(A1∪A2)=A1B1∪A2B1;有:
P(B1 ) P(A1B1 ) P(A 2 B1 ) P(A1 ) P(B1 | A1 ) P(A 2 ) P(B1 | A 2 )
12 2 5 12 35 1
2
类似地,
P(B1B2 ) P(A1 ) P(B1B2 | A1 ) P(A 2 ) P(B1B2 | A 2 )
2
2
3
1
2
1
2 ( 5 ) 2 ( 5 ) 13
50
P(B1B 2 ) 1350 13
所以 P(B2 | B1 )
1
P(B1 )
25
2
与计算P(B1)类似可得:P(B2)=1/213/25。
Slide 25
这说明:“第一次取到黑球”这一信息加大
了第二次取得黑球的可能性,因为它加大了
我们从含较多黑球的口袋取球的可能性。
推而广之,若已知前两次抽得的是黑球,则
从同一口袋中第三次抽到的也是黑球的概率
为:
1 (2 )3 1 ( 3 )3
( B1 B2 B3 )
( B3 | B1 B2 )
( B1 B2 )
7
.
1 (2 ) 2 1 ( 3 ) 2
13
2
5
2
5
2
5
2
5
一般的,若已知前n-1次抽得的是黑球,则从
同一口袋中第n次抽到的也是黑球的概率为:
Slide 26
n
(3
n
( B1 B2 Bn )
5)
5)
( Bn | B1 B2 Bn 1 )
( B1 B2 Bn 1 ) ( 2 5 ) n 1 ( 3 5 ) n 1
(2
当n 时,上述概率的极限为:
lim ( Bn | B1 B2
n
( 5) ( 5)
Bn 1 ) lim
n ( 2 ) n 1 ( 3 ) n 1
5
5
3
P ( B1 | A2 )
5
2
n
3
n
Slide 27
例12 里耶(G.Polya)坛子模型
有些人把这个问题当作传染病或地震的模型,
认为某地越爆发疾病则越容易爆发该疾病。
模型如下(红球代表爆发,黑球代表不爆发):坛
子中有b个黑球,r个红球;现从中每次取一个,
取后放回,并同时再放入c个与所取球同色的
球。问:
(1)前二次取出的都是黑球的概率;
(2)第n次抽取的是黑球的概率。
解:令Bi={第i次取出的是黑球},i=1,2,···。
Slide 28
(1) 求P(B1B2):由乘法公式,有
b
bc
P(B1 B 2 ) P(B1 ) P(B 2 | B1 )
br brc
(2)求P(Bn):
先考虑c=0 与c=-1的特殊情形。这是我
们已经熟悉的有放回抽样问题与无放回
b
抽样,易知P(B
;下面我们证明
n) b r
这个结论带有一般性。即对任意的c,都有
b
P(Bn)
br
考虑:在前n次抽取中,对任意指定顺序取k
个黑球和(n-k)个红球的概率。每抽取一次,
Slide 29
球的总数加c,每抽到一个黑(红)球,黑(红)
球数加c。均有:
()
1
1
C b r C b r c
1
C br (n 1) c
(指定k个位置取黑球, 其余(n-k)个位置取红
1 1
1
1 1
1
球)= C b C bc C b(k 1) c C r C r c C r (n k 1) c
P(指定顺序取k个黑球,(n-k)个红球)=
b(b c)[b (k 1) c] r(r c)[r (n k 1) c]
(b r)(b r c)(b r 2 c)[b r (n 1) c]
记 Ak={ 前 n 次 抽 球 中 抽 到 k 个 黑
n
球},k=0,1,2,···,n
则由全概率公式:(Ω A )
k 0
k
Slide 30
n
P(Bn 1 ) P(A k ) P(Bn 1 | A k )
k 0
b(b c) [b (k 1) c] r(r c) [r (n k 1) c] b kc
C
(b r)(b r c)(b r 2 c) (b r (n 1) c)
b r nc
k 0
n
k
n
若记b’=b+c,则
b n k b (b c) [b (k 1) c]r(r c) [r (n k 1) c]
P(Bn 1 )
Cn
b r k 0
(b r)(b r c) [b r (n 1) c]
b n
Ρ(在b个黑球,r个红球的坛子中,前n次取k 个黑球)
b r k 0
b
b r
由此可见,P(Bn)的概率与n及c均无关。不爆
发传染病的概率是不随时间而转移的;也就
是说,以前爆发与否对现在没影响。
§ 2 有关条件概率的三定理
这里给出条件概率的三个基本公式:乘法公
式,全概率公式和贝叶斯公式。这些公式在随
机数学中起着很重要的作用,现在分别介绍。
(一)乘法公式
设A,B为两个随机事件,若P(B)0,则
P(AB)=P(B)P(A|B)
(2)
称之为乘法公式。
定理 1
若P(A)0,也有P(AB)=P(A)P(B|A)
证明: P(B)0,由条件概率定义即证。
Slide 2
进一步可推得
推论1 设A,B ,C为三个随机事件,若P(AB) 0,
则 P(ABC)=P(A)P(B|A)P(C|AB)
证明: P(ABC)= P(A)P(BC|A)
推论2
= P(A)P(B|A)P(C|AB)
设A1,A2,A3,…,An 为n个事件,若
P(A1A2…An-1)0,
则P(A1A2A3…An)=P(A1)P(A2|A1)
P(A3|A1A2) …P(An|A1A2…An-1)。
Slide 3
例4 一批零件共100个,其中有10个是次品。
今从这批零件中随机抽取,每次一件,1)若
无放回地抽取3次,求3次都取得合格品的概
率;2)若有放回地抽取3次,求3次都取得合
格品的概率。
解:记 Ai=“第i次取得合格品”,i=1,2,3;
1) 若无放回的抽,则
90
P( A1)
100
89
88
P(A 2 A 1 ) , P(A 3 | A 1A 2 )
99
98
90 89 88
P ( A 1A 2 A 3 ) P ( A 1 ) P ( A 2 | A 1 ) P ( A 3 | A 1A 2 )
100 99 98
Slide 4
2) 若有放回地抽取
90
90
90
p ( A1 )
,p ( A2 | A1 )
, p( A3 | A1 A2 )
100
100
100
90 90 90
p ( A1 A2 A3 ) p ( A1 ) p ( A2 / A1 ) p ( A3 / A1 A2 )
100 100 100
例5 一场精彩的足球赛将要举行,5个球迷
好不容易才搞到一张入场券。大家都想去,
只好用抽签的方法来确定,问:抽签先后是
否影响抽到“入场券”的概率?
解 :用Ai表示“第I个人抽到入场券”
(i=1,2,3,4,5),则 Ai 表示“第i个人未抽
到入场券”。显然
Slide 5
1
4
P( A1 ) , P( A1 )
5
5
即第1个人抽到入场券的概率是1/5。
现在来看第2个人,若第2个人抽到入场券,
必须第1个人未抽到。因此
P( A2 ) P( A1 A2 ) P( A1 ) P( A2 | A1 )
4 1 1
5 4 5
同理可求得每个人抽到“入场券”的概率
都是1/5,请同学自己试一试。
Slide 6
例6 袋中有10个球,6白4红,一个一个的取出;
令Ak=第k次取出红球,其中1k10;求
P(A1A2),P(A2)。
解:方法一:按照古典概型的计算方法:
方法一:
( A1 A2 )
2
C4
2
C10
2
15
C 9! 2
( A2 )
10! 4 3 5
1
4
2
方法二: ( A1 A2 ) ( A1 ) ( A2 | A1 )
10 9 15
由 A2 A2 A1 A2 A1 A2,故:
( A2 ) ( A1 A2 A1 A2 ) ( A1 A2 ) ( A1 A2 )
2 6 4 2
( A1 )( A2 | A1 ) ( A1 )( A2 | A1 )
15 10 9 5
Slide 7
在方法二求P(A2)的过程中,对Ω作如下分解:
A1 A1 ,且使 A1 A2与 A1 A2互不相容;
这种分解方法体现了以下全概率公式的基本
思想。
(二) 全概率公式
基本思想
将复杂事件的概率计算问题转化为简
单事件的概率计算。
完备事件组
设随机试验E的样本空间为Ω,A1,A2,…An是
一组事件,如果满足:
1)Ai Aj = ,ij, i,j=1,2,…..n
Slide 8
2) A1A2 … An= Ω
则称A1,A2,…An为样本空间Ω的一个完备事件
组(划分)。
样本空间Ω的一个完备事件组(划分)
Slide 9
定理 2
若{Bi,1in}为样本空间的一个分解(划
分),A为任意一个事件,则
n
( A) ( Bi ) ( A | Bi )
(3)
i 1
称之为全概率公式。
n
n
i 1
i 1
证明: A A A( Bi ) ( Bi A) ,所以
( A) (
n
( Bi A))
(事件的等价性〕
n i 1
( Bi A)
i 1
(有限可加性〕
Slide 10
n
( Bi )( A | Bi )
(乘法公式〕
i 1
A
Slide 11
将 事件A分解成若干互不相容的事件ABi
的和,从而将复杂事件A的概率P(A)转化为
事件ABi的概率P(BiA)的和。
下面几个例子说明全概率公式在简化计
算方面的作用。
例7 从0~9中任取两数,求其和大于10的概率。
解:记A={0~9中和大于10两数},Bi={第一次
取出数i},(0≤i≤9),则
i j, Bi B j ,
9
B
.
i
i 0
又P(Bi)=1/10;P(A|B0)=0,P(A|B1)=0;
Slide 12
当2i5时,P(A|Bi)=(i-1)/9;
当6i9时,P(A|Bi)=(i-2)/9;所以
9
5
9
i 0
i 2
i 6
P(A) P(Bi ) P(A | Bi ) P(Bi ) P(A | Bi ) P(Bi ) P(A | Bi )
1 5 i 1 1 9 i 2 16
10 i2 9 10 i6 9 45
由以上几个例子可以看出,全概率公式
的形式虽然很简单,但它所代表的“对样本
空间进行适当分解”的思想却是十分重要,
具有很高的技巧性。通过对样本空间的分解,
我们可以将“较复杂的”事件转化与分解为
若干不相容事件的并,从而使问题得以解决。
Slide 13
这种事件分解的思想在后面章节仍会不断涉
及,它贯穿概率论课程的始终,是概率论的一大
特点。
对于全概率公式,还可以做以下两点推广:
推论1 若{Bi,i≥1}是的一个分解,且P(Bi)>0,
则
( A) ( Bi )( A | Bi )
( 4)
n 1
(证明提示:利用概率的可列可加性。与
定理2证明类似)
推论2 若{Bi,j≥1}为一列事件,且 i j, Bi B j
B
n 1 n
A
,则(4)亦成立。
Slide 14
全概率公式是概率论的最基本公式之一,它
隐含了概率论中分析问题的基本思想与技巧,
以后我们还要介绍它的各种变形与推广。
例8 某电子设备制造厂所用的某种晶体管由
三家元件制造厂提供,根据以往的记录有以
下的数据:
元件制造厂 次品率 提供晶体管的分额
0.02
0.15
甲厂
0.01
0.80
乙厂
0.03
0.05
丙厂
设三家的产品在仓库中是均匀混合的,且无区
Slide 15
别的标志
(1)在仓库中随机地抽取一只晶体管,求它是
次品的概率;
(2)在仓库中随机地抽取一只晶体管,已知它
是次品,问它是哪个厂生产的可能性更大?
解:设 A=“取到的一只是次品”
Bi=“取到的是第i厂的产品” ,i=1,2,3.
B1,B2,B3是样本空间的一个完备事件组,
P(B1)=0.15,P(B2)=0.80, P(B3)=0.05,
P(A|B1)=0.02,P(A|B2)=0.01,P(A|B3)=0.03
Slide 16
(1)由全概率公式
P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+P(A|B3)P(B3)
=0.02×0.15+0.01×0.80+0.03×0.05=0.0125
(2)
P ( AB1 ) P ( A B1 ) P( B1 )
P ( B1 | A)
P ( A)
P ( A)
0.02 0.15
0.24
0.0125
同理 P(B2|A)=0.64 , P(B3|A)=0.12 .
所以,该次品是乙厂生产的可能性更大。
Slide 17
(三)贝叶斯公式(Bayes公式)
n
由全概率公式,可知:( A) ( Bi )( A | Bi )
i 1
由乘法式得到
( ABi ) ( A)( Bi | A) ( Bi )( A | Bi ) (5)
将(3)式代入(5)式,得到:
n
( Bi ) ( A | Bi ) ( Bi | A) ( Bi ) ( A | Bi )
i 1
所以 ( Bi | A)
定义3
( Bi )( A | Bi )
n
(
B
)
(
A
|
B
)
i
i
i 1
称(6)式为Bayes公式
( 6)
Slide 18
与全概率公式类似,Bayes公式也可以推广到
可列无穷的情况,即:
( Bi | A)
( Bi )( A | Bi )
(
B
)
(
A
|
B
)
i
i
i 1
( 7)
通过 Bayes 公式,使我们在已知 P(Bi)和
P(A|Bi)的情况下,可以计算 P(Bi|A)的值,
我们称P(Bi|A)为事件Bi的后验概率(即已知
试 验 结 果 A 以 后 Bi 的 概 率 ) 。 相 对 地 , 称
P(Bi)为事件Bi的先验概率。
以下几个例子说明Bayes公式的应用。
Slide 19
例9 某发报机每次随机的发“1”与“0”两种
信号,其概率分别为0.6与0.4,由于系统受随
机干扰,其结果是:在发报机发“1”信号条
件下,收报机收到“1”与“0”的条件概率为
0.8与0.2;在发“0”信号条件下,收到“1”与
“0”的条件概率为“0.1”与“0.9”。试求在收
报机收到“1”信号条件下,发报机是发“1”的
条件概率?
解:设A=发“1”信号,A =发“0”信号;B=收
“1”信号,B =收“0”信号。
由题意有 P( A) 0.6, P( A) 0.4,
P( B | A) 0.8, P( B | A) 0.2, P( B | A ) 0.1, P( B | A ) 0.9
Slide 20
由Bayes公式
P( A) P( B | A)
P( A | B)
P( A) P( B | A) P( A) P( B | A)
0.6 0.8
0.923
0.6 0.8 0.4 0.1
此例中,P( A) 0.6, P( A) 0.4 是根据以往发
信号的统计规律得到的,相对于这个问题而
言是先验概率,而P(A|B)是根据本次得到的
试验结果的信息下得到的后验概率。
Slide 21
例10 对以往数据分析结果表明:当机器调整
良好时,产品的合格率为90%,而当机器发
生某一故障时,其产品合格率仅为30%;每
天早上机器开动时,机器调整良好的概率为
75%。已知某日早上第一件产品是合格品,
试求:机器调整良好的概率是多少?
解:A={产品合格},B={机器调整良好},
则题目要求的是P(B|A);由题意 P(A|B)=90%
P(A | B) 30%,P(B)=75%,所以
( B ) ( A | B )
( B | A)
( B ) ( A | B ) ( B ) ( A | B )
0.75 0.9
0.9
0.75 0.9 0.25 0.3
Slide 22
即,当生产出的第一件产品合格时,机器调整
良好的概率为90%。题目中P(B)=75%是根
据以往的数据分析得到的,是先验概率;而
P(B|A)是在得到“生产了一件合格产品”这
一信息条件下的修正概率,是后验概率。
综合举例
在引入了条件概率的三个重要公式——乘法
公式,全概率公式,Bayes 公式后,我们所解决
的概率问题的范围比以前大大扩展了。为说
明它们的综合应用,举例如下:
Slide 23
例11 有两个口袋,一个装有2个黑球和3个
红球;另一个装有3个黑球和2个红球;每次
抛掷一枚匀称的硬币来决定从哪个袋中取球。
每次抽球后均放回原口袋。若抽出的第一个
球是黑球,求从同一口袋中抽得第二个球也
是黑球的概率。
解:记A1={从1号口袋(2黑3红)取球};
A2={从2号口袋(2红3黑)取球};
B1(B2)={第1(2)个球是黑的}。由题意,要求
P(B2|B1)。由条件概率定义:
P(B 2 | B1 ) P(B1 B 2 ) / P(B1 )
Slide 24
再对事件B1进行分解:
B1=B1(A1∪A2)=A1B1∪A2B1;有:
P(B1 ) P(A1B1 ) P(A 2 B1 ) P(A1 ) P(B1 | A1 ) P(A 2 ) P(B1 | A 2 )
12 2 5 12 35 1
2
类似地,
P(B1B2 ) P(A1 ) P(B1B2 | A1 ) P(A 2 ) P(B1B2 | A 2 )
2
2
3
1
2
1
2 ( 5 ) 2 ( 5 ) 13
50
P(B1B 2 ) 1350 13
所以 P(B2 | B1 )
1
P(B1 )
25
2
与计算P(B1)类似可得:P(B2)=1/213/25。
Slide 25
这说明:“第一次取到黑球”这一信息加大
了第二次取得黑球的可能性,因为它加大了
我们从含较多黑球的口袋取球的可能性。
推而广之,若已知前两次抽得的是黑球,则
从同一口袋中第三次抽到的也是黑球的概率
为:
1 (2 )3 1 ( 3 )3
( B1 B2 B3 )
( B3 | B1 B2 )
( B1 B2 )
7
.
1 (2 ) 2 1 ( 3 ) 2
13
2
5
2
5
2
5
2
5
一般的,若已知前n-1次抽得的是黑球,则从
同一口袋中第n次抽到的也是黑球的概率为:
Slide 26
n
(3
n
( B1 B2 Bn )
5)
5)
( Bn | B1 B2 Bn 1 )
( B1 B2 Bn 1 ) ( 2 5 ) n 1 ( 3 5 ) n 1
(2
当n 时,上述概率的极限为:
lim ( Bn | B1 B2
n
( 5) ( 5)
Bn 1 ) lim
n ( 2 ) n 1 ( 3 ) n 1
5
5
3
P ( B1 | A2 )
5
2
n
3
n
Slide 27
例12 里耶(G.Polya)坛子模型
有些人把这个问题当作传染病或地震的模型,
认为某地越爆发疾病则越容易爆发该疾病。
模型如下(红球代表爆发,黑球代表不爆发):坛
子中有b个黑球,r个红球;现从中每次取一个,
取后放回,并同时再放入c个与所取球同色的
球。问:
(1)前二次取出的都是黑球的概率;
(2)第n次抽取的是黑球的概率。
解:令Bi={第i次取出的是黑球},i=1,2,···。
Slide 28
(1) 求P(B1B2):由乘法公式,有
b
bc
P(B1 B 2 ) P(B1 ) P(B 2 | B1 )
br brc
(2)求P(Bn):
先考虑c=0 与c=-1的特殊情形。这是我
们已经熟悉的有放回抽样问题与无放回
b
抽样,易知P(B
;下面我们证明
n) b r
这个结论带有一般性。即对任意的c,都有
b
P(Bn)
br
考虑:在前n次抽取中,对任意指定顺序取k
个黑球和(n-k)个红球的概率。每抽取一次,
Slide 29
球的总数加c,每抽到一个黑(红)球,黑(红)
球数加c。均有:
()
1
1
C b r C b r c
1
C br (n 1) c
(指定k个位置取黑球, 其余(n-k)个位置取红
1 1
1
1 1
1
球)= C b C bc C b(k 1) c C r C r c C r (n k 1) c
P(指定顺序取k个黑球,(n-k)个红球)=
b(b c)[b (k 1) c] r(r c)[r (n k 1) c]
(b r)(b r c)(b r 2 c)[b r (n 1) c]
记 Ak={ 前 n 次 抽 球 中 抽 到 k 个 黑
n
球},k=0,1,2,···,n
则由全概率公式:(Ω A )
k 0
k
Slide 30
n
P(Bn 1 ) P(A k ) P(Bn 1 | A k )
k 0
b(b c) [b (k 1) c] r(r c) [r (n k 1) c] b kc
C
(b r)(b r c)(b r 2 c) (b r (n 1) c)
b r nc
k 0
n
k
n
若记b’=b+c,则
b n k b (b c) [b (k 1) c]r(r c) [r (n k 1) c]
P(Bn 1 )
Cn
b r k 0
(b r)(b r c) [b r (n 1) c]
b n
Ρ(在b个黑球,r个红球的坛子中,前n次取k 个黑球)
b r k 0
b
b r
由此可见,P(Bn)的概率与n及c均无关。不爆
发传染病的概率是不随时间而转移的;也就
是说,以前爆发与否对现在没影响。