第3节条件概率讲解

合集下载

第3次课--条件概率全概率公式

第3次课--条件概率全概率公式
解: 设 A 表示“患有癌症”, A 表示“没有癌症”,B表示“实
验反应为阳性”,则由条件得
概率论与数理统计
2013
练习:某工厂生产的产品中96%是合格品,检查产品时,一个合格品被误认为 是次品的概率为0.02,一个次品被认为是合格品的概率为0.05,求在被检 查后认为是合格品产品确是合格品的概率. 解:设A={产品确为合格品} , B={产品被认为是合格品}
分析:如果设事件A为“第一次取到正品”,事件B为“第二次取 到正品”,则问题转化为求条件概率P(B|A).
〖解〗:由条件可得:
P(A) 3 4 12 , P(AB) 3 2 6 ,
5 4 20
5 4 20
故有
P(B | A) P(AB) 1 . P(A) 2
概率论与数理统计
3
2013
【例2】 : 某地某天下雪的概率为0.3,下雨的概率为 0.5,既下雪又下雨的概率为0.1,求: (1)在下雨条件下下雪的概率; (2)这天下雨或下雪的概率.
解 :设A={下雨},B={下雪}.
(1) P(B | A) P( AB) 0.1 0.2
P( A) 0.5
(2)P(A B) P(A) P(B) P(AB) 0.3 0.5 0.1 0.7
概率论与数理统计
2013
二、条件概率的性质
1、条件概率也是概率.因而也满足概率的三条公 理及其各个性质。
P(A|B)
Байду номын сангаас
概率论与数理统计
2013
显然,P(A|B)≠P(A)=1/2。
此外,在样本空间 中易计算得:P(B)=3/4,P(AB)=
1/4,且有
P(A | B) P(AB) . P(B)

解读条件概率

解读条件概率

解读条件概率条件概率可以说是统计学中独具特色的概念,其定义为在前项已发生的条件下后项发生的可能性大小。

它的计算公式十分简单,只有P(A|B)=P(A∩B)/P(B)。

它作为一个重要的概念,已经应用到许多方面,如贝叶斯网络建模中用来表达变量之间的相关性,以及在机器学习领域中经常用来做分类。

首先,为了对条件概率进行解读,让读者能够理解条件概率的原理,我们可以从简单的实例,如抛硬币来进行讨论。

让我们假设有一枚硬币,其正反面各有probability=0.5的概率出现。

因此,其基本概率P(正)= P(反)=0.5。

让我们来看一个有趣的变形,如果给了某个硬币一次抛掷的先决条件,即正面朝上,我们也可以确定下一次抛掷的结果,即P(正|正)=1,P(反|正)=0,即在这个条件下,后项的可能性等于所给的前项的概率。

同样的道理,我们可以在概率学中用来计算一个不同的条件下,后项的概率。

比如,给定一个事件A,已知A的概率是P(A),如果给定A发生的条件B,那么A在B条件下发生的概率就可以用条件概率来计算:P(A| B)=P(A∩ B)/P( B)。

其次,关于条件概率,比如计算多个事件的组合,就需要用到乘积定理,该定理指出,在多个事件的条件下同时发生的概率是每个事件本身发生概率的乘积。

比如,有一个事件A,A的概率为P(A),有另一个独立的事件B,B的概率为P(B),那么A和B同时发生的概率就是P(A)×P(B)。

此外,还有贝叶斯定理,它是条件概率概念的推广应用,它可以让我们通过计算多个事件发生的概率,来估计一个事件发生的概率,增强我们对各种事件可能性的了解。

最后,条件概率的一个重要应用是做决策,这就要求我们根据自己获得的信息,计算每个决策结果发生的概率,然后根据概率进行选择,以便使最终结果达到最大化。

总之,条件概率是一个重要的概念,用于表达不同事件之间的相关性,我们可以根据条件概率,来计算每种可能性发生的概率,从而做出更好的决策。

第三节条件概率及相关公式

第三节条件概率及相关公式

解法一: 事件A---至少有一个男孩.
事件B---有一个女孩. 3 罗列各种情况,显然共有2 8种 . 因为已知有一个女孩,故基本情形N=7种.
解法二: P AB =P 有一个男孩 P 有两个男孩

6 P A B 7
P AB 86 P A B 7 P B 7 8 6
显然:A1与A2是样本空间的一个划分.
P( B ) P( B | A1 ) P( A1 ) P( B | A2 ) P( A2 ) 1 2 3 1 7 2 3 4 3 12



2).若已知取到一个红球,则从甲袋放入乙袋的是
白球的概率是:
P( A1 B ) P ( B | A1 ) P ( A1 ) 4 P ( A1 | B ) 7 P( B) 7 12
第三节 条件概率及相关公式
抽球问题:设合中有白球m个和红球n个,
1)若已知第一个人取到的是白球,则第二 个人 取到红球的概率是多少? 2)若已知第一个人取到的是 红球,则第二个人取到红球的概率又是多少? 一 条件概率 一般情形,已知事件A发生的条件下,事件 B发生的概率称为A条件下B的条件概率, 记作P(B|A)
1 2 m 2m
C 2 m1
m m 4 m 1

C
在取得的m个球是同一颜色的条 件下,球全是红色的条件概率为:
P A1 B P A1 P A1 B P B P B
C C C
m 2m
m
2m m 4 m 1 m
C 2 m 1
m 4 m 1


6 5 1 由乘法定理 : P B1 B2 P B1 P B2 B1 . 10 9 3

第三章 条件概率与条件期望

第三章  条件概率与条件期望

2012/3/2
Copyright©Pei Zhang ,2012
6
例3.2
• 有n个零件,零件i在雨天运转的概率为pi, 在非雨天运转的概率为qi,i=1,2,……,n。 明天下雨的概率为。计算在明天下雨时, 运转的零件数的条件期望。
2012/3/2
Copyright©Pei Zhang ,20Zhang ,2012
12
例3.6(几何分布的均值)
• 连续抛掷一枚正面出现的概率为p的硬 币直至出现正面为止,问需要抛掷的 次数的期望是多少?
2012/3/2
Copyright©Pei Zhang ,2012
13
例3.7
• 某矿工身陷在有三个门的矿井之中,经 第1个门的通道行进2小时后,他将到达 安全地。经第二个门的通道前进3小时 后,他将回到原地。经过第三个门的通 道前进5小时后,他还是回到原地。假 定这个矿工每次都等可能地选取任意一 个门,问直到他到达安全地所需时间的 期望是多少?
• 连续地做每次成功率为p的独立试验。N 是首次成功时的试验次数,求Var(N)
2012/3/2
Copyright©Pei Zhang ,2012
16
三、通过取条件期望计算概率
• E是一个事件,定义示性随机变量X为:
1,若E发生 X 0,若E不发生 由X的定义推出: E[X]=P(E) E[X|Y=y]=P(E|Y=y)
7
第二节
连续随机变量的条件概率与条件期望
• X和Y是连续随机变量,联合密度函数为 f(x,y),那么在Y=y时X的条件概率密度函数 定义为:
f ( x, y ) f X |Y ( x | y) fY ( y )
• 给定Y=y时X的条件期望定义为:

第三节_条件概率

第三节_条件概率

概率论
应用 定义
P( AB) 3 36 1 解法1: P( A | B) = 解法 = = P(B) 6 36 2 3 1 解法2: P( A | B) = = 解法 6 2
在B发生后的缩减样本 发生后的缩减样本 空间中计算
二、乘法公式(Multiplication Law of Probability) P( AB) 由条件概率的定义: 由条件概率的定义: P( A | B) = P(B)
)=3/10, 则 P(A )=3/10,
3 3 10 P( AB) = P(A|B) = = 7 7 10 P(B)
一、条件概率(Conditional Probability)
1. 条件概率的概念
概率论
在解决许多概率问题时, 在解决许多概率问题时,往往需要在有某些附 加信息(条件 下求事件的概率. 条件)下求事件的概率 加信息 条件 下求事件的概率 如在事件B发生的条件下求事件 发生的概率, 如在事件 发生的条件下求事件A发生的概率 发生的条件下求事件 发生的概率, 将此概率记作P(A|B). 将此概率记作
“先抽的人当然要比后抽的人抽到的机会大。” 先抽的人当然要比后抽的人抽到的机会大。 先抽的人当然要比后抽的人抽到的机会大
概率论
表示“ 个人抽到入场券 个人抽到入场券” = 解: 我们用 Ai 表示“第i个人抽到入场券”, i=1,2,3,4,5. 表示“ 个人未抽到入场券 个人未抽到入场券” 则 A 表示“第i个人未抽到入场券” i 显然,P(A1)=1/5,P( A)=4/5 , 1= 也就是说, 1个人抽到入场券的概率是 也就是说, 个人抽到入场券的概率是 第 个人抽到入场券的概率是1/5. 因为若第2个人 因为若第 个人 由乘法公式 抽到了入场券, 抽到了入场券, 个人肯定没抽到. 个人肯定没抽到 P( A ) = P( A )P( A | A ) 第1个人肯定没抽到 2 1 2 1 也就是要想第2个人抽到入场券 必须第1个人未抽到, 也就是要想第 个人抽到入场券, 必须第 个人未抽到, 个人抽到入场券 个人未抽到 计算得: 计算得:P(A2)= (4/5)(1/4)= 1/5 由于

条件概率知识点

条件概率知识点

条件概率知识点一、条件概率的定义。

1. 概念。

- 设A、B为两个事件,且P(A)>0,称P(BA)=(P(AB))/(P(A))为在事件A发生的条件下事件B发生的条件概率。

- 例如,扔一个骰子,事件A为“骰子的点数为偶数”,P(A)=(3)/(6)=(1)/(2),事件B为“骰子的点数小于4”,AB表示“骰子的点数为2”,P(AB)=(1)/(6)。

那么在A发生的条件下B发生的条件概率P(BA)=(P(AB))/(P(A))=(frac{1)/(6)}{(1)/(2)}=(1)/(3)。

2. 性质。

- 非负性:对于任意事件B,A(P(A)>0),有P(BA)≥slant0。

- 规范性:P(ΩA) = 1,这里Ω是样本空间。

- 可列可加性:如果B_1,B_2,·s是两两互不相容的事件,则P(bigcup_i =1^∞B_iA)=∑_i = 1^∞P(B_iA)。

二、条件概率的计算方法。

1. 公式法。

- 直接根据定义P(BA)=(P(AB))/(P(A))计算。

- 例如,有一批产品共100件,其中次品10件,从中不放回地抽取两次,每次取一件。

设事件A为“第一次取到次品”,P(A)=(10)/(100)=(1)/(10);事件B为“第二次取到次品”。

AB表示“第一次和第二次都取到次品”,P(AB)=(10)/(100)×(9)/(99)=(1)/(110)。

那么P(BA)=(P(AB))/(P(A))=(frac{1)/(110)}{(1)/(10)}=(1)/(11)。

2. 缩减样本空间法。

- 当直接计算P(AB)和P(A)比较复杂时,可以考虑缩减样本空间。

- 还是以上面抽取产品的例子,在A发生的条件下,即第一次已经取到了次品,此时样本空间就缩减为99件产品,其中次品还有9件,所以P(BA)=(9)/(99)=(1)/(11)。

三、条件概率的乘法公式。

1. 公式。

- 由P(BA)=(P(AB))/(P(A))可得P(AB)=P(A)P(BA)(P(A)>0)。

1-3(条件概率及有关公式)

1-3(条件概率及有关公式)
则 C 表示“抽查的人不患癌症”. 已知 P(C)=0.005,P( C)=0.995, P(A|C)=0.95, P(A| C )=0.04 求P(C|A).
由贝叶斯公式, 可得:
P (C ) P ( A | C ) P (C | A) P (C ) P ( A | C ) P ( C ) P ( A | C )
P ( ABk ) P( Bk ) P( A Bk ) P( Bk A) n Bayes公式 P( A) P( Bi ) P( A Bi )
i 1
三、小结
1.条件概率
乘法定理
全概率公式
贝叶斯公式
例3 设一仓库中有10 箱同种规格的产品, 其中 由甲、乙、丙三厂生产的分别有5箱 , 3箱, 2 箱, 三厂产品的废品率依次为 0.1, 0.2, 0.3 从这 10 箱产品中任取一箱 , 再从这箱中任取一件产品, 求取得的正品概率. 解 设 A 为事件“取得的产品为正品”, 分别表示“任取一件产品是甲、乙、丙生产的”, 由题设知
代入数据计算得 :P(C|A)= 0.1066
例4 对以往数据分析的结果表明,当机器调整得良 好时,产品的合格率为90%,而当机器发生某一故障 时 , 其合格率为 30%. 每天早上机器开动时 , 机器调 整得良好的概率为75%.试求已知某日早上第一件 产品是合格品时,机器调整得良好的概率是多少? 解 设 A={产品是合格品}, B={机器调整得良好} 已知 P( A | B) 0.9, P( A | B) 0.3, P( B) 0.75, P( B) 0.25 显然, B, B 构成了必然事件的一个划分,由贝叶斯公 式,所求的概率为 P( A | B) P( B) P( B | A) P( A | B) P( B) P( A | B) P( B)

概率论基础3——条件概率

概率论基础3——条件概率

一、条件概率生活中很多概率都是在某些特殊条件下的概率。

比如你想知道你在家感染新冠的概率,这是取决于很多方面的,比如,政策有没有放开、是否位于高风险区等等。

只有在这些条件的限制下,我们才能较为准确的求出你想知道的概率。

基本概念:设A,B是随机试验E的两个随机试验,且P(B)>0,称P(A|B)=\frac{P(AB)}{P(B)} 为在事件B发生的条件下,事件A发生的条件概率。

韦恩图:上面A、B分别有两个椭圆,代表了他们的事件范围。

我们想要求在B的条件下A发生的概率,那么直观上分母应该是P(B),因为条件是事件B就相当于要以事件B作为基础;而由于事件B的限制,事件A中不属于B的部分应该被舍去,它们不在B的控制之下。

所以也很容易理解,分子是A和B的和事件(交集)的概率。

性质条件概率也属于概率,所以它也满足概率的基本性质,只不过会有所改变。

(1)对于每一事件A,0≤P(A|B)≤1(2) P(\Omega|B)=1(3)若A_1,A_2,……,A_n 互不相容,则P(\bigcup_{i=1}^{m} A_i|B)=\sum_{i=1}^mP(A_i|B) (4) P(A|B)+P(\overlineA|B)=1(5)容斥原理: P(A\bigcup B|B)=P(A|B)+P(B|B)-P(AB|B)二、乘法公式在上文我们知道条件概率的公式为: P(A|B)=\frac{P(AB)}{P(B)} 。

那如果我们此时知道P(B)和P(A|B),相求P(AB),可以通过移项转化成下列公式: P(A|B)P(B)=P(AB)同理,我们也可以得到: P(B|A)P(A)=P(AB) 这两个公式我们称其为乘法公式。

上面两个式子在实际计算中要根据问题灵活选择。

我们也可以将其拓展到n个事件中:P(A_1A_2…A_n)=P(A_1)P(A_2|A_1)P(A_3|A_2A_1)…P(A_n|A_n…A_2A_1) 我们可以这样理解:$P(A_1)$是假设A1正确,$P(A_2|A_1)$是假设A1正确的情况下A2正确,以此类推三、全概率公式有限划分基本概念:设 \Omega 为随机试验E的样本空间,B1,B2 ,…,Bn为E的一组事件,若(1) Bi∩Bj =f ,i ≠ j(2) B_1∪B_2 ∪…∪B_n=\Omega则称B1,B2,…,Bn 为 \emptyset 的一个有限划分,或称完备事件组。

《条件概率》课件

《条件概率》课件

在机器学习中的应用
01
分类器设例如,朴素贝
叶斯分类器就是基于条件概率的分类器之一,它可以根据已知特征的概
率分布来预测未知样本的类别。
02
聚类分析
在聚类分析中,条件概率可以帮助我们确定不同数据点之间的相似性或
差异性。例如,基于密度的聚类算法可以利用条件概率密度函数来评估
数据点之间的相似性或差异性。
03
强化学习
在强化学习中,条件概率可以帮助我们确定在不同状态下采取不同行动
的概率。例如,Q-learning算法可以利用条件概率来评估在不同状态下
采取不同行动的期望回报。
04 条件概率的实例分析
抛硬币实验的条件概率分析
总结词:直观理解
详细描述:通过抛硬币实验,理解条件概率的概念。假设硬币是均匀的,那么正 面朝上的概率是0.5。在硬币已经连续出现几次正面朝上的情况下,下一次抛掷 仍然是正面朝上的概率仍然是0.5,即条件概率不变。
全概率公式与贝叶斯公式
总结词
全概率公式和贝叶斯公式是条件概率的 两个重要公式,全概率公式用于计算一 个事件的概率,而贝叶斯公式则用于更 新一个事件的概率。
VS
详细描述
全概率公式将一个事件的概率分解为若干 个互斥事件的概率之和,而贝叶斯公式则 是在已知先验概率和新信息的情况下,更 新一个事件的概率。这两个公式在统计学 、机器学习和数据分析等领域有着广泛的 应用。
B
题目2答案与解析
出现一个正面和一个反面的概率为0.75。解 析:出现一个正面和一个反面意味着出现 HH、HT、TH、TT四种情况中的三种,其
D
概率为C(2,1) / C(2,2) * C(2,1) / C(2,2) =
3/4。

高等数学 第三节 条件概率

高等数学 第三节 条件概率

第三节 条件概率一)1、教学目的与要求:理解条件概率的概念,掌握乘法公式并会利用该公式进行计算2、教学重点:条件概率 乘法公式教学难点:条件概率3、教学课时:2课时4、授课手段:师生互动,讲练结合二)授课过程1、 回顾:上节课我们学习了概率的定义,其中最主要的有两个知识点:1)什么情况的事件概率适用古典概率去求?(生答)2)古典概率适用,则如何求其概率,关键是什么?(生答)2、 导入:前面我们学习了概率的相关概念,给出了概率的古典定义基本事件总数包含的基本事件个数事件)=(A A P 但是很多时候有些事件的发生还被其他事件影响着,这样的事件概率如何求,就是本节我们要讨论的内容。

3、 新授:一 、 条件概率1、概念及计算公式引例:一批同类产品共14件,其中有甲厂提供的6件产品中有4件优质品;由乙厂提供的8件产品中有5件优质品。

试考察下列事件的概率:1)从全部产品中任抽1件是优质品2)从甲厂提供的产品中任抽1件而被抽的这1件为优质品解:设B ={抽到产品是优质品},A ={抽到甲厂提供的产品}1)抽取在全部产品中进行,故样本空间 中有14个基本事件,B 中包括有9个,则所求概率为149; (此处为上一节课内容,可以让学生回答解决问题) 2)这里考察的是在事件A 发生下事件B 发生的概率,则此时概率为64 (生答)定义:一般地,若P (A )>0,则把事件A 已经发生的条件下,事件B 发生的概率称为条件概率,记为:P (B|A )。

说明:(重点、难点解决) 定义用图示法理解为:事件的样本点已落在图形A 中(事件A 已发生),问落在B (事件B )中的概率。

由于样本点已经落在A 中,且又要求落在B 中,于是只能落在AB 中,则其概率计算公式为 P(A)AB P A |B P )()=( (P(A)>0)(给出结论之前,让学生思考试答) 类似地, P(B)AB P B |A P )()=( (P(B)>0)(学生思考试答) 注:1)注意P(B|A )与P(B)的区别。

条件概率理解

条件概率理解

条件概率理解
嘿,朋友!今天咱就来好好唠唠条件概率这个玩意儿,你可得竖起耳朵听好喽!
咱先说个例子哈,就比如彩票,你买了一张彩票,中头奖的概率那可是
相当低。

但如果我告诉你,这张彩票是从某个特定的机器里出来的,而这个机器之前出过头奖,那你会不会觉得你中奖的概率好像瞬间就增加了呢?这就是条件概率!
再举个例子,你想啊,假如你知道一个人总是很守时,那么你是不是就
会觉得他这次也会大概率守时呢?就好像你和朋友约好出去玩,他平常都不怎么迟到,这次你就会更相信他会按时出现。

咱生活中到处都是条件概率的影子呢!比如你看天气预报说第二天有雨,那你出门带伞的可能性就会大大提高,因为这个“第二天有雨”的条件改变了你对“带不带伞”这件事的概率判断。

嘿,你想想是不是这个理儿?条件概率就像一个隐藏的小开关,一旦打开,事情的可能性就变了。

可以说它就像是给我们的判断加上了一层滤镜。

我记得有一次,我和几个朋友一起玩猜硬币的游戏。

我们都先猜正面,
然后有个朋友说他知道这枚硬币之前连续三次都是正面,这时候,大家瞬间觉得这次还是正面的概率好像大了很多呢!
我觉得啊,理解条件概率真的超级重要!它能让我们更理性地看待事情,而不是盲目地去判断。

不然的话,我们可能就会做出一些不太明智的决定。

所以,咱可得好好琢磨琢磨这个条件概率,让它为我们的生活服务呀!怎么样,你是不是也觉得条件概率很有意思呢?是不是也对它有了更深的理解呢?。

条件概率读法

条件概率读法

一、条件概率的定义条件概率是指,在某个事件A已经发生的前提下,另一个事件B发生的概率。

用数学符号表示为:P(B|A) = P(AB) / P(A)其中,P(B|A)表示条件概率,P(AB)表示事件A和事件B同时发生的概率,P(A)表示事件A发生的概率。

二、条件概率的性质1. 非负性:条件概率的值总是大于等于0,即0 ≤ P(B|A) ≤ 1。

2. 有界性:条件概率的值不会超过1,即P(B|A) ≤ 1。

3. 乘法公式:条件概率与全概率之间存在乘法公式,即:P(AB) = P(A) P(B|A)4. 奥卡姆剃刀法则:在已知条件概率的情况下,事件A和事件B同时发生的概率最小,即:P(AB) ≤ P(A) P(B|A)5. 条件概率的逆:在已知条件概率的情况下,可以求出逆条件概率,即:P(A|B) = P(AB) / P(B)三、条件概率的计算方法1. 根据条件概率的定义计算:直接利用条件概率的定义公式进行计算。

2. 利用乘法公式计算:根据乘法公式,先计算P(AB),再计算P(A),最后代入公式计算P(B|A)。

3. 利用全概率公式计算:根据全概率公式,先计算P(A),再计算P(B|A),最后代入公式计算P(B)。

四、条件概率的应用1. 生物学:在遗传学中,条件概率可以用来计算某种基因型出现的概率。

2. 经济学:在经济学中,条件概率可以用来分析市场风险、投资收益等。

3. 保险:在保险行业中,条件概率可以用来计算保险事故发生的概率,从而确定保险费率。

4. 统计学:在统计学中,条件概率可以用来计算样本数据的可靠性、检验假设等。

5. 人工智能:在人工智能领域,条件概率可以用来计算某个事件发生的概率,从而进行决策和预测。

五、条件概率的局限性1. 实际应用中,条件概率的计算往往需要大量的数据支持,否则难以准确计算。

2. 条件概率的计算可能受到样本选择、样本量等因素的影响,从而导致计算结果的不稳定性。

3. 条件概率的应用往往需要满足一定的假设条件,如独立性、条件独立性等。

概率论中的条件概率和贝叶斯公式——概率论知识要点

概率论中的条件概率和贝叶斯公式——概率论知识要点

概率论中的条件概率和贝叶斯公式——概率论知识要点概率论是数学的一个分支,研究的是随机现象的规律性。

在概率论中,条件概率和贝叶斯公式是两个重要的概念和工具。

本文将介绍条件概率和贝叶斯公式的概念和应用,并总结概率论中的一些重要知识要点。

一、条件概率条件概率是指在一个事件发生的条件下,另一个事件发生的概率。

设A和B是两个事件,且P(A)≠0,称P(B|A)为在事件A发生的条件下事件B发生的条件概率,表示为P(B|A)。

条件概率的计算公式为:P(B|A) = P(A∩B) / P(A)其中,P(A∩B)表示事件A和事件B同时发生的概率,P(A)表示事件A发生的概率。

条件概率的计算方法可以通过样本空间和事件的定义来进行推导和计算。

在实际应用中,条件概率常常用于解决复杂问题,如生病的概率、产品质量的判断等。

二、贝叶斯公式贝叶斯公式是一种用于计算事件的后验概率的方法,即在已知某些条件下,计算其他条件的概率。

贝叶斯公式的表达式如下:P(A|B) = P(B|A) * P(A) / P(B)其中,P(A|B)表示在事件B发生的条件下事件A发生的概率,P(B|A)表示在事件A发生的条件下事件B发生的概率,P(A)表示事件A发生的概率,P(B)表示事件B发生的概率。

贝叶斯公式的应用非常广泛,尤其在统计学和机器学习中有着重要的地位。

它可以用于推断未知的参数,分类问题,以及数据的模型选择等。

三、概率论知识要点除了条件概率和贝叶斯公式,概率论还涉及到许多其他重要的知识点。

以下是一些概率论中的知识要点:1. 事件与样本空间:事件是指某个结果或者一些结果的集合,样本空间是指所有可能结果的集合。

2. 随机变量与概率分布:随机变量是指对随机现象结果的一种数学描述,概率分布是指随机变量取各个值的概率。

3. 期望与方差:期望是指随机变量的平均值,方差是指随机变量与其期望之间的差异程度。

4. 独立事件与互斥事件:独立事件是指两个事件的发生不会互相影响,互斥事件是指两个事件不能同时发生。

概率论与数理统计 第三节 条件概率与独立性

概率论与数理统计 第三节 条件概率与独立性

一、条件概率
4. 条件概率的计算
P ( AB ) 1) 用定义计算 P ( A | B ) P( B)
2)用缩减的样本空间计算
例:A={掷出2点}, B={掷出偶数点} 掷骰子
1 P(A|B) = 3
B发生后的 缩减样本空间 所含样本点总数 在缩减样本空间 中A所含样本点 个数
一、条件概率
例1 掷两颗均匀骰子,已知第一颗掷出6点,问“掷 出点数之和不小于10”的概率是多少?
一、条件概率
2. 条件概率的定义
设A、B是两个事件,且P(B)>0,则称 P ( AB ) (1) P( A | B) P( B)
为在事件B发生的条件下,事件A的条件概率.
若事件B已发生, 则为使 A 也发生 , 试验结果必须是既在 B 中又在A中的样本点 , 即此 点必属于AB. 由于我们已经知 道B已发生, 故B变成了新的样 本空间 , 于是有(1).
A={取到一等品}, B={取到正品} P(A ) =3/10,
3 10 P ( AB ) 3 P(A|B) 7 10 P( B) 7
一、条件概率
A={取到一等品}, B={取到正品}
P(A)=3/10, P(A|B)=3/7 本例中,计算P(A)时,依据的前提条件是10件 产品中一等品的比例. 计算P(A|B)时,这个前提条件未变,只是加上 “事件B已发生”这个新的条件. 这好象给了我们一个“情报”,使我们得以在 某个缩小了的范围内来考虑问题.
故抓阄与次序无关.
二、乘法公式
练习3 设某光学仪器厂制造的透镜, 第一次落下时 打破的概率为1/2,若第一次落下未打破, 第二次落下 打破的概率为7/10 , 若前两次落下未打破, 第三次落 下打破的概率为9/10.试求透镜落下三次而未打破的 概率.

条件概率及全概率公式

条件概率及全概率公式

求解如下: 设B={飞机被击落} Ai={飞机被i人击中}, i=1,2,3
则 B=A1B+A2B+A3B
由全概率公式 P(B)=P(A1)P(B |A1)+ P(A2)P(B|A2)
+ P(A3)P(B |A3)
依题意,
P(B|A1)=0.2, P(B|A2)=0.6, P(B|A3)=1
为求P(Ai ) , 设 Hi={飞机被第i人击中}, i=1,2,3 可求得:
而且每一原因对结果的影响程度已知,
即 PB An 已知
则我们可用全概率公式计算结果发生的概率.
即求 PB
返回主目录
例1 有一批产品是由甲、乙、丙三厂同时生产的. 其中甲厂产品占50%,乙厂产品占30%,丙厂产品占 20%,甲厂产品中正品率为95%,乙厂产品正品率为 90%,丙厂产品正品率为85%,如果从这批产品中随机 抽取一件,试计算该产品是正品的概率多大?
有可能结果构成的集合就是B,
B中共有3个元素,它们的出现是等 可能的,其中只有1个在集A中,
于是P(A|B)= 1/3. 容易看到
P(A|B) 1 1 6 P( AB) 3 3 6 P(B)
又如,10件产品中有7件正品,3件次品, 7件正品中有3件一等品,4件二等品. 现从这 10件中任取一件,记
例1 掷两颗均匀骰子,已知第一颗掷出6点, 问“掷出点数之和不小于10”的概率是多 少解? : 设A={掷出点数之和不小于10}
B={第一颗掷出6点}
应用定义
解法1: P( A | B) P( AB) 3 36 1 P(B) 6 36 2
解法2: P( A | B) 3 1 62
PAnB PAn PB An

《条件概率》课件

《条件概率》课件

公式
联合概率公式
P(A和B) = P(A) * P(B|A)
边缘概率公式
P(A) = ∑[P(A和Bi)], 其中Bi为所 有可能的B事件
条件概率公式
P(A|B) = P(A和B) / P(B)
性质
1 加法法则
P(A或B) = P(A) + P(B) - P(A和B)
3 全概率公式
P(A) = ∑[P(A|Bi) * P(Bi)], 其中Bi为所有可 能的B事件
《条件概率》PPT课件
欢迎大家来到本次关于《条件概率》的PPT课件。今天我们将学习条件概率 的概念、公式、性质以及一些实例应用,让您更深入地了解这个重要的数学 概念。
概念
概率的定义
概率是指在一次随机事件中,某一结果发生的可能性或频率。
条件概率的定义
条件概率是指在给定一定条件下,某一事件发生的概率。
3
桶中含有苹果的概率问题
根据已知条件,计算从一个桶中取出的苹果为某种特定类型的概率。

机器判定眼疾的概率问题
根据机器判定结果和已知数据,评估机器正确判定眼疾的概率。
总结
1 一些注意点
理解条件概率的背后的数学原理以及如何应用条件概率进行问题求解。
2 重点回顾
重要的公式和性质,如联合概率公式、乘法法则、全概率公式和贝叶斯定理。
2 乘法法则
P(A和B) = P(A) * P(B|A) = P(B) * P(A|B)
4 贝叶斯定理
P(B|A) = P(A|B) * P(B) / P(A)
实例应用
1
疾病与人群的关系
了解一个人是否患有某种疾病的概率,基于该人在特定人群中的概率。
2
投骰子的概率问题

高中数学选修课件时条件概率

高中数学选修课件时条件概率
联合密度函数与边缘密度函数的应用
在求解多维随机变量的概率问题时,需要同时考虑联合密度函数和边缘 密度函数。
条件期望、方差和相关系数计算
条件期望的定义
设$(X,Y)$是二维连续型随机变量,其联合密度函数为$f(x,y)$,则在$X=x$条件下,$Y$ 的条件期望$E(Y|X=x)$为$int_{-infty}^{+infty}yf_{Y|X}(y|x)dy$。
连续型随机变量条件分布
连续型随机变量条件密度函数
条件密度函数的定义
设$(X,Y)$是二维连续型随机变量,其联合密度函数为 $f(x,y)$,$X$的边缘密度函数为$f_X(x)$。若对于固定的 $x$,$f_X(x)>0$,则在$Y$上,$f(x,y)/f_X(x)$为$X=x$ 条件下$Y$的条件密度函数,记为$f_{Y|X}(y|x)$。
马尔科夫链可以是周期性的,也 可以是非周期性的,周期性马尔
科夫链具有特定的循环模式。
状态转移矩阵和稳态概率求解
状态转移矩阵描述了马尔科夫 链中从一个状态转移到另一个 状态的概率。
稳态概率是指在长期运行下, 马尔科夫链中各状态出现的概 率趋于稳定,不再随时间变化 。
求解稳态概率可以通过解线性 方程组或使用特征值方法等方 法实现。
如天气预报、疾病诊断、保险精算等领域。
条件概率在实际问题中价值体现
风险评估
在保险、金融等领域,利用条件概率对风险进行评估和预测。
决策分析
在企业管理、市场营销等方面,基于条件概率进行决策分析,提高 决策的科学性和准确性。
科学研究
在医学、生物学、社会学等领域,利用条件概率研究各种现象之间 的关联和因果关系。
边缘分布律定义
01
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第 3 节.条件概率
本节重点是条件概率定义及计算,有些事件虽然它的概率不 易直接计算,但容易求出它在各种情况下条件概率,于是设法由这 事件的诸条件概率求这事件概率.
一. 条件概率: 引例 1(古典概型分析):
投掷一枚骰子,设 A={出奇数点},B={出质数点},求 PB, PB | A.
解: 1,2,3,4,5,6, B 2,3,5, A 1,3,5
所以 P A P A1 P A2 | A1
P An | A1A2
An1
1 2
2 3
n 1.
n 1 n 1
2.全概率公式(将无条件概率条件化) 定理:设 B1, B2, Bn 是样本空间 的一个划分
(即 BiBj (i j),i, j 1,
P
i1
Bi
|
A
i1
P Bi
|
A.
其它性质仍满足如:
P | A 0;
PB | A 1 PB | A;
P B1 B2 | A PB1 | A PB2 | A PB1B2 | A等.
例:有 100 张彩票,其中有 3 张可中奖,有两人各买一张 (1) 已知第一人中奖,求第二人中奖的概率; (2) 不知第一人是否中奖,分别求第一人与第二人中奖的概率.
P A1 P H1 P A1 | H1 PH2 P A1 | H2
1 40 1 30 7 2 50 2 50 10
P A1A2 P H1 P A1A2 | H1 P H2 P A1A2 | H2
P
A1A2 | H1
40 10 A520
8 49
P
A1A2 | H2
P B 3 1 , P B | A nAB 2
62
nA 3
而PB |
A
nAB / n nA / n
2/6 3/6
P AB . P A
1.
定义:设
A,B
为两个事件,且 P
A
0,称 PB
|
A
P AB 为 P A
在事件 A 发生的条件下事件 B 发生的条件概率.
注:1)条件概率计算时也常常直接计算不用公式;
n
4)只要 BiBj 且 Bi A定理也成立. i1
例 1.设有两袋大小相同的球,每袋各装 50 个,第一袋有白球 10
个,第二袋有白球 20 个,其余为黑球,现从两袋中随机取出一袋,再从
该袋中先,后取出两球
(1)求先取出的一球是白球的概率;
(2)已知第一次取出的是黑球,求第二次取出的是白球的概率.
1
1 2
1
7 10
1
9 10
3.
200
例:袋中有一个白球及一个黑球,一次次地从袋中取球,如果取出
白球,则除把白球放回外,再加进一个白球直至取出黑球为止,求
取了 n 次都没有取到黑球概率.
解:记 Ai {第 i 次取得白球} i=1,2…n. A={取了 n 次都没有取到黑球}
则 A A1A2 An
例:设某光学仪器厂制造的透镜,第一次落下时打破的概率为 1 ,若
2
第一次落下未打破,第二次落下时打破的概率为 7 ,若前两次落下
10
未打破,第三次落下打破的概率为 9 ,试求透镜落下三次而未打破
10
的概率.
解:令 Ai {透镜第 i 次落下未打破},i=1,2,3
则 p P A1A2 A3 P A1 P A2 | A1 PP3 | A1A2
A 是任一事件,则有
P A PB1 P A | B1 PB2 P A | B2 PBn P A | Bn .
证:因为 A AB1 AB2 ABn
所以 P A P AB1 P AB2 P ABn
P B1 P A | B1 PB2 P A | B2 PBn P A | Bn .
解:设 Hi={取到第i 袋} (i=1,2) Ai ={第 i 次取出的是白球} (i=1,2)
P
Hi
1 2
,
i
1,
2
(1) P A1 PH1 P A1 | H1 PH2 P A2 | H2
1 10 1 20 3 2 50 2 50 10
(2)
P
A2
|
A1
P A1A2 P A1
解(用排列法)(1)设 A={第一人中奖},B={第二人中奖}
则 P A 3 , P AB
100
A32 A2
100
32 100 99
1 1650
所以
PB
|
A
P AB P A
1/1650 3 / 100
2 99
0.0202.
(2) P A
3 ,PB
100
3 A919 A2
100
3 100
0.03
2)一般概率是条件概率的特例:
P
B
|
P B P
P
B;
3)条件概率 PB | A的频率近似:n 次试验中事件 AB 出现的次数nAB
除以
A
出现的次数 n A ,
nAB nA
接近于条件概率
PB
|
A
2.性质:如果 P A 0,则有
1)对任一事件 B, PB | A 0;
2) P | A 1;
3)设 B1, B2, , Bn , 两两不相容,则有
30 20 A520
12 49
所以P
A1 A2
1 8 1 12 10 2 49 2 49 49
所以P
A2 | A1
10 / 49 100 7 /10 343
思考:有人说有公式
P A2 | A1 P H1 P A2 | A1 | H1 P H2 P A2 | A1 | H2
由(1),(2)知 PB | A PB, P A PB.
二.关于条件概率的三个重要公式: 1. 乘法公式:
设 P A 0,则 P AB P A PB | A.
证:…
推广:当 P A1A2 An1 0时有 P A1A2 An P A1 P A2 | A1 P A3 | A1A2 P An | A1A2 An1 .
所以
P
A2
|
A1
1 2
10 49
1 2
20 49
15 49
对吗?为什么?
注:1)本公式可理解为知因索果,即知道引起事件发生的各种原
因 Bi 的 P Bi 以及在各种原因 Bi 发生情况下事件 A 的概率,求事件 A 的
全概率. 2)“全部”概率被分成许多部分之和,故称为全概率公式;
3)公式意义为:事件 A 的概率等于事件 A 在各种条件下概率的加 权平均,这些条件是事件 A 的划分;
相关文档
最新文档