全概率公式贝叶斯公式推导过程

全概率公式贝叶斯公式

推导过程

Standardization of sany group #QS8QHH-HHGX8Q8-GNHHJ8-HHMHGN#

全概率公式、贝叶斯公式推导过程

（1）条件概率公式

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)

（2）乘法公式

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；

2.乘法公式的推广：对于任何正整数n≥

（1）条件概率公式

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)

（2）乘法公式

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；

2.乘法公式的推广：对于任何正整数n≥2，当P(A

1A

2

...A

n-1

) > 0 时，

有：

P(A

1A

2

...A

n-1

A

n

)=P(A

1

)P(A

2

|A

1

)P(A

3

|A

1

A

2

)...P(A

n

|A

1

A

2

...A

n-1

)

（3）全概率公式

1. 如果事件组B

1，B

2

，.... 满足

，B

2....两两互斥，即 B

i

∩ B

j

= ，i≠j ， i,j=1，2，....，且

P(B

i

)>0,i=1,2,....;

∪B

2∪....=Ω，则称事件组 B

1

,B

2

,...是样本空间Ω的一个划分

设B

1,B

2

,...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)

2.全概率公式的意义在于，当直接计算P(A)较为困难,而P(B

i ),P(A|B

i

)

(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B

1,B

2

,...B

n

,这样事件A就被事件AB

1

,AB

2

,...AB

n

分解

成了n部分，即A=AB

1+AB

2

+...+AB

n

, 每一B

i

发生都可能导致A发生相应的概率

是P(A|B

i

)，由加法公式得

P(A)=P(AB

1)+P(AB

2

)+....+P(AB

n

)

=P(A|B

1)P(B

1

)+P(A|B

2

)P(B

2

)+...+P(A|B

n

)P(PB

n

)

3.实例：某车间用甲、乙、丙三台机床进行生产，各台机床次品率分别为5%，4%，2%，它们各自的产品分别占总量的25%，35%，40%，将它们的产品混在一起，求任取一个产品是次品的概率。

解：设..... P(A)=25%*5%+4%*35%+2%*40%=

（4）贝叶斯公式

1.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B

1,B

2

,...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)，B

i

常被视为导致试验结果A发生

的”原因“，P(B

i

)(i=1,2,...)表示各种原因发生的可能性大小，故称先验概

率；P(B

i

|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

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)

（3）全概率公式

1. 如果事件组B1，B2，.... 满足

，B2....两两互斥，即 Bi ∩ Bj = ，i≠j ， i,j=1，2，....，且P(Bi)>0,i=1,2,....;