浅谈贝叶斯公式的应用
贝叶斯定理的日常应用
贝叶斯定理的日常应用贝叶斯定理是概率论中的一项重要定理，它可以用来计算在已知某些条件下，另一事件发生的概率。
贝叶斯定理在日常生活中有着广泛的应用，例如医学诊断、信息过滤、推荐系统等。
本文将从这些方面介绍贝叶斯定理的日常应用。
一、医学诊断贝叶斯定理在医学诊断中有着重要的应用。
医生在面对患者的症状时，需要根据已知的病症和患者的症状来判断患者是否患有某种疾病。
贝叶斯定理可以帮助医生计算出在已知症状的情况下，患者患有某种疾病的概率。
例如，某人出现了发热、咳嗽和喉咙痛等症状，医生需要判断该患者是否患有流感。
已知在流感流行期间，流感的患病率为10%，而在非流感流行期间，流感的患病率为1%。
已知在流感患者中，有80%的人会出现发热、咳嗽和喉咙痛等症状，而在非流感患者中，只有10%的人会出现这些症状。
根据这些已知条件，医生可以使用贝叶斯定理计算出在患者出现这些症状的情况下，患者患有流感的概率。
二、信息过滤贝叶斯定理在信息过滤中也有着广泛的应用。
在电子邮件过滤中，我们经常会遇到垃圾邮件的问题。
贝叶斯定理可以帮助我们判断一封邮件是否是垃圾邮件。
邮件过滤系统通常会根据已知的垃圾邮件和正常邮件的特征来进行分类。
例如，已知在垃圾邮件中，有90%的邮件包含“赚钱”这个关键词，而在正常邮件中，只有5%的邮件包含这个关键词。
已知在垃圾邮件中，有80%的邮件包含“免费”这个关键词，而在正常邮件中，只有10%的邮件包含这个关键词。
根据这些已知条件，邮件过滤系统可以使用贝叶斯定理计算出一封邮件是垃圾邮件的概率。
三、推荐系统贝叶斯定理在推荐系统中也有着重要的应用。
推荐系统可以根据用户的历史行为和偏好来为用户推荐感兴趣的内容。
贝叶斯定理可以帮助推荐系统计算出用户对某个内容感兴趣的概率。
例如，在一个电影推荐系统中，已知用户A喜欢动作片的概率为30%，而用户B喜欢动作片的概率为20%。
已知用户A对一部动作片的评分为4星，而用户B对同一部动作片的评分为3星。
贝叶斯定理简介及应用
贝叶斯定理简介及应用贝叶斯定理是概率论中的一项重要定理，它能够根据已知的条件概率来计算出相反事件的概率。
贝叶斯定理的应用非常广泛，涉及到许多领域，如医学诊断、信息检索、机器学习等。
本文将简要介绍贝叶斯定理的原理，并探讨其在实际应用中的一些例子。
一、贝叶斯定理的原理贝叶斯定理是由英国数学家托马斯·贝叶斯提出的，它是一种基于条件概率的推理方法。
贝叶斯定理的核心思想是，通过已知的条件概率来计算出相反事件的概率。
贝叶斯定理的数学表达式如下：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)和P(B)分别表示事件A和事件B的概率。
贝叶斯定理的原理可以通过一个简单的例子来说明。
假设有一种罕见疾病，已知该疾病的发生率为1%，并且有一种检测方法，该方法的准确率为99%。
现在某人接受了该检测方法，结果显示为阳性，请问该人真正患有该疾病的概率是多少？根据贝叶斯定理，我们可以计算出该人真正患有该疾病的概率。
假设事件A表示该人患有该疾病，事件B表示检测结果为阳性。
已知P(A) = 0.01，P(B|A) = 0.99，P(B)可以通过全概率公式计算得到： P(B) = P(B|A) * P(A) + P(B|A') * P(A')其中，P(A')表示事件A的补事件，即该人不患有该疾病的概率。
根据题目中的信息，P(A') = 1 - P(A) = 0.99。
代入上述公式，可以计算出P(B) = 0.01 * 0.99 + 0.99 * 0.01 = 0.0198。
根据贝叶斯定理，可以计算出该人真正患有该疾病的概率：P(A|B) = (P(B|A) * P(A)) / P(B) = (0.99 * 0.01) / 0.0198 ≈ 0.5即该人真正患有该疾病的概率约为50%。
概率统计中的贝叶斯公式及其应用
概率统计中的贝叶斯公式及其应用概率统计是应用数学的一个分支，常常用来描述一些不确定的现象。
贝叶斯公式是概率统计中一个重要的公式，有着广泛的应用。
本文将介绍贝叶斯公式的概念以及其在实际应用中的一些场景。
一、贝叶斯公式的概念贝叶斯公式是一种基于条件概率的公式。
它是由英国数学家贝叶斯所提出的，用来计算一个事件在已知另外一个事件发生的前提下的概率。
具体而言，它是用来计算一个事件在观测到一些已知结果的情况下所发生的概率。
贝叶斯公式中，需要涉及到两个概率，分别为：先验概率和后验概率。
先验概率是指一个事件在发生之前的概率，而后验概率则是指在观测到一些结果之后，该事件发生的概率。
具体来说，假设事件A和事件B分别表示两个不同的事件。
事件B已经发生，我们需要计算事件A发生的概率。
则贝叶斯公式可以写成：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A|B)表示在事件B发生的前提下，事件A发生的概率；P(B|A)表示在已知事件A发生的情况下，事件B发生的概率；P(A)表示事件A在没有任何先验信息时的概率，也称为先验概率；P(B)表示事件B的概率，也称为边缘概率。
二、贝叶斯公式的应用场景贝叶斯公式具有广泛的应用场景，以下是一些常见的应用场景：1. 医疗诊断医疗诊断中经常需要对患者的疾病进行诊断。
例如针对一种疾病，医生已经明确了该疾病的一些症状，需要计算是否存在该疾病的可能性。
这时，贝叶斯公式可以用来计算在已知某些症状时，该疾病确实存在的概率。
2. 金融风险管理在金融领域中，经常需要对投资组合的风险进行评估。
这一评估往往涉及到很多不确定因素，例如市场波动、政策影响等。
贝叶斯公式可以用来解决这一问题，根据一些已知条件，计算投资组合的风险。
3. 机器学习在机器学习中，常常需要将一些数据进行分类。
例如，将一些电子邮件归为垃圾邮件或非垃圾邮件。
贝叶斯公式可以用来计算对于一封新的邮件，它归类为垃圾邮件或非垃圾邮件的概率。
高中数学中的贝叶斯公式及其应用
高中数学中的贝叶斯公式及其应用【前言】高中数学学习的重点是学会运用各种数学工具和方法解决实际问题。
而贝叶斯公式在数学中是一种十分重要的工具，它可以通过先验概率和数据来推导出后验概率。
在今天的社会里，贝叶斯公式也被广泛地应用于各种领域中，如医学、金融、信号处理等，因此，学好贝叶斯公式对于我们的未来发展十分重要。
【正文】一、贝叶斯公式的定义和原理贝叶斯公式是一种根据已知概率求解未知概率的方法。
它通过已知的先验概率和新的数据来计算出后验概率，在实际应用中起到了至关重要的作用。
在贝叶斯公式中，有如下基本概念：$P(A|B)$：A在B条件下发生的条件概率，也称后验概率；$P(B|A)$：A在B条件下发生的条件概率，也称为似然概率；$P(A)$：事件A的先验概率；$P(B)$：事件B的先验概率。
根据上述基本概念，可以得到贝叶斯公式：$$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$其中，$P(B)$可以通过全概率公式求解，即：$$P(B)=\sum_i P(B|A_i)P(A_i)$$二、例子说明考虑一个例子：一个医生要根据患者的症状来诊断患者是否患有某种疾病，已知该疾病的发病率为1%，该疾病有一定的特征，而这些特征又只有1%的人有，如果这个人有这种特征，那么他患上这种疾病的概率是多少？根据贝叶斯公式，我们有：设A表示该患者患有疾病，B表示该患者有某种特征，已知$P(A)=0.01$，$P(B|A)=0.01$，$P(B|A')=0.99$，其中$A'$表示不患病。
求解该患者患病的概率：$$\begin{aligned}P(A|B)&=\frac{P(B|A)P(A)}{P(B|A)P(A)+P(B|A ')P(A')}\\&=\frac{0.01\times0.01}{0.01\times0.01+0.99\times0.99}\\& =0.0001/0.0098\\&=0.0102\end{aligned}$$可见，该患者患病的概率为1.02%。
贝叶斯公式在经济中的应用
贝叶斯公式在经济中的应用
贝叶斯公式在经济中的应用主要体现在概率决策中，特别是在信息不完全的情况下。
贝叶斯决策是根据贝叶斯公式进行概率判断，并依此进行决策的过程。
在具体应用中，先对部分未知的状态进行主观概率估计，这时的主观概率实际上就是先验概率；然后用贝叶斯公式将先验概率转换为后验概率，最后再利用期望值和后验概率做出最优的决策。
贝叶斯公式在经济中的具体应用举例如下：
1. 营销信誉度：如果一家公司的可信度为，不可信度为，贝叶斯公式可以用来计算这家公司多次不诚信后，客户对其的信任度会有怎样的变化。
2. 生产管理：在生产线上，当产品的质量参数θ有一定的概率密度函数f(θ)时，按照产品质量的期望值大小对生产方案进行排序，则最优方案为使期望收益最大的方案。
以上内容仅供参考，如需更多信息，建议查阅概率统计学相关书籍或咨询该领域专业人士。
叶贝斯公式的原理及应用
叶贝斯公式的原理及应用1. 叶贝斯公式的原理叶贝斯公式是一种统计学中常用的公式，用于计算在已知条件下发生某个事件的概率。
它基于贝叶斯定理，将先验概率与后验概率结合起来，从而得到一个更准确的概率估计。
叶贝斯公式的数学表达为：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)和P(B)分别表示事件A和事件B的概率。
叶贝斯公式的原理是基于条件概率的推导，通过已知信息来计算未知信息的概率。
它常用于分类问题、信息检索等领域。
2. 叶贝斯公式的应用叶贝斯公式在实际应用中有着广泛的应用，下面列举了一些常见的应用场景。
2.1 文本分类叶贝斯公式在文本分类中有着重要的应用。
通过统计文本中不同单词的出现频率，可以计算出不同类别的文本在某个单词出现的条件概率。
然后使用叶贝斯公式来计算给定一段待分类的文本属于某个类别的概率，从而实现文本分类的任务。
2.2 垃圾邮件过滤叶贝斯公式在垃圾邮件过滤中也被广泛应用。
通过统计已知分类的邮件中不同单词的出现频率，可以计算出某个单词在垃圾邮件中出现的条件概率和在非垃圾邮件中出现的条件概率。
然后使用叶贝斯公式来计算一封未知分类的邮件是垃圾邮件的概率，从而进行垃圾邮件过滤。
2.3 医学诊断叶贝斯公式在医学诊断中也有着重要的应用。
通过统计不同疾病患者的症状出现频率，可以计算出某个症状在某个疾病中出现的条件概率。
然后使用叶贝斯公式来计算一个患者患有某个疾病的概率，从而辅助医生进行准确定断。
2.4 信息检索叶贝斯公式在信息检索中也有着重要的应用。
通过统计文档中不同单词的出现频率，可以计算出某个单词在某个类别的文档中出现的条件概率。
然后使用叶贝斯公式来计算一个查询词为某个类别的文档的概率，从而进行信息检索。
3. 总结叶贝斯公式是一种重要的统计学公式，它基于贝叶斯定理，将先验概率与后验概率结合起来计算事件发生的概率。
以实例说明贝叶斯定理与贝叶斯公式的应用方法
以实例说明贝叶斯定理与贝叶斯公式的应用方法贝叶斯定理是概率论中的一个重要定理，它描述了在已知某些条件下，事件的概率如何根据新的证据进行更新。
贝叶斯定理在许多领域都有广泛的应用，包括机器学习、自然语言处理、医学诊断等。
本文将以实例说明贝叶斯定理与贝叶斯公式的应用方法。
首先，我们来看一个简单的例子。
假设有一个疾病在人群中的患病率为1%，而该疾病的检测准确率为95%。
现在有一个人进行了该疾病的检测，结果呈阳性。
那么，这个人真正患病的概率是多少呢？我们可以使用贝叶斯定理来计算这个概率。
首先，我们需要定义一些概念：A表示该人真正患病的事件；B表示该人检测结果呈阳性的事件。
根据题意，我们已知P(A) = 0.01（即患病率为1%），P(B|A)= 0.95（即在患病的情况下，检测结果呈阳性的概率为95%）。
根据贝叶斯定理，我们可以得到：P(A|B) = P(A) * P(B|A) / P(B)其中，P(A|B)表示在检测结果为阳性的情况下，该人真正患病的概率；P(B)表示检测结果呈阳性的概率。
由于我们已知P(B|A)和P(A)，我们需要计算P(B)。
根据全概率公式，我们可以得到：P(B) = P(A) * P(B|A) + P(非A) * P(B|非A)其中，非A表示该人不患病的事件。
由于我们已知P(A)，我们需要计算P(非A)和P(B|非A)。
根据题意，该疾病在人群中的患病率为1%，因此P(非A) = 1 -P(A) = 0.99。
另外，由于题目没有给出该疾病在非患病人群中检测结果呈阳性的概率，我们暂且假设为1%（即P(B|非A) = 0.01）。
将上述数据代入公式，可以计算得到：P(B) = 0.01 * 0.95 + 0.99 * 0.01 = 0.0095 + 0.0099 = 0.0194将P(B)代入贝叶斯定理公式，可以计算得到：P(A|B) = 0.01 * 0.95 / 0.0194 ≈ 0.4897即在检测结果为阳性的情况下，该人真正患病的概率约为48.97%。
贝叶斯公式在实际应用方面的探究
贝叶斯公式在实际应用方面的探究贝叶斯公式是一种概率理论中的重要公式，它在实际应用中起着重要的作用。
本文将从简单的理论概念入手，逐步深入探讨贝叶斯公式在实际应用中的广泛价值，并结合个人观点和理解，带领读者全面、深刻地理解这一主题。
1.贝叶斯公式的基本概念贝叶斯公式是一种用来计算条件概率的数学公式，它描述了在已知B发生的条件下A发生的概率。
具体而言，贝叶斯公式表示为P(A|B) = (P(B|A) * P(A)) / P(B)。
其中，P(A|B)表示在B发生的条件下A发生的概率，P(B|A)表示在A发生的条件下B发生的概率，P(A)和P(B)分别表示A和B单独发生的概率。
2.在医学诊断中的应用贝叶斯公式在医学诊断中有着广泛的应用。
以乳腺癌的诊断为例，医生在进行乳腺癌检查时，需要结合患者芳龄、家族史等多个因素来进行综合评估。
贝叶斯公式可以帮助医生计算在已知特定因素的条件下，患者患有乳腺癌的概率，从而指导医学诊断和治疗方案的制定。
3.在金融风险管理中的应用金融领域也是贝叶斯公式的重要应用领域之一。
在金融风险管理中，贝叶斯公式可以帮助机构根据已知的市场数据和风险因素，计算特定投资组合在未来发生风险事件的概率，从而制定风险管理策略和投资决策，降低金融风险。
4.我对贝叶斯公式的个人观点和理解对我个人而言，贝叶斯公式是一种非常实用的工具，它可以帮助我们更准确地进行预测和决策。
在信息不完全或者存在不确定性的情况下，贝叶斯公式能够提供一种合理的推断方法，有助于我们更好地理解和应对复杂的现实问题。
贝叶斯公式也提醒我们要充分考虑条件信息，在进行判断和决策时不要忽视已有的知识和经验。
总结回顾通过本文对贝叶斯公式在医学诊断和金融风险管理中的应用进行分析，我们深入理解了贝叶斯公式在实际应用中的价值和意义。
贝叶斯公式不仅是一种重要的概率计算工具，更是一种思维方式和决策理念，它在实际应用中可以帮助我们更准确地进行推断和决策，提高决策的科学性和精准度。
- 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、"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、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)。
P( A | B)
P( A) P( B | A) 0.001 0.95 0.018664 P( A) P( B | A) P( A) P( B | A) 0.001 0.95 0.999 0.05
同理， “被检验出的正品中实际正品率”为： P( A | B) 0.999947 由 P( A | B) = 0.018664 可知，如果产品的成本较高，厂长就不能采用这台新仪器，因 为被仪器判为次品的产品中实际上有 98%以上的是正品，这样导致损耗过高。同时，我们也 注意到该仪器对正品的检验还是相当精确的，若检验对产品没有破坏作用，倒是可以在“被 认定次品”的产品中反复检验，挑出“假次品” ，这就降低了损耗，又保证了正品具有较高 的可信度。
n
P(A)=P(B1 )P(A|B1 )+P(B2 )P(A|B2 )+
2、贝叶斯公式
+P(Bn )P(A|Bn )= P(Bi )P(A|Bi )
(i=1)
n
定理 2 若 B1，B2，„，Bn 为 S 的一个划分，且
i 1
Bi S ， P( Bi) 0, i 1, 2,…n,则
对任一事件 A，有
Байду номын сангаас
P(A )P(B|A )
i i
P(B) = P( A) P( B | A) P( A) P( B | A) = p × 0.08 +（1-p）0.08
=0.08 所以， P (B) = P(B|A) = P (B |A) = 0.08 ,事件 A 与事件 B 相互独立. 经过以上分析得出结论：耳聋与色盲无关. 例 3：某地居民肝癌病发率为 0.0004，用甲胎蛋白质法检查肝癌:患病则呈阳性，未患 病则呈阴性。假阴性和假阳性的概率分别是 0.01 和 0.05。 试问，某人经检验结果呈阳性，他患肝癌的概率有多大? 解：设事件 A 表示“患有肝癌” ，事件 B 表示“检验结果呈阳性” ， 由题意知 P( A) = 0.0004, P( A) = 0.9996, P( B | A) = 0.01, P( B | A) = 0.05, 由贝叶斯 公式可知“他确实患有肝癌的概率”为：
浅谈贝叶斯公式的应用
北京科技大学数理学院 数学 1002
摘 要：介绍贝叶斯公式字实际生活中的一些实例及分析，根据这些实例及分析使同学们对 贝叶斯公式有更深的了解。从而加强同学们对贝叶斯公式的印象，增加学习中的趣味性。使 同学们了解到数学知识在实际生活中是非常重要的。从而使之对数学学习更加投入。 关键词：贝叶斯公式，应用，案例，分析 在课本中讲到的全概率公式与贝叶斯公式的知识点是比较浅显的， 不是那么深入。 而且 在这一部分， 有很多同学对全概率公式与贝叶斯公式的理解不是很到位。 所以具体解析贝叶 斯公式的运用是有必要的。贝叶斯公式的应用领域比较广泛，对初学者来说，此文介绍的各 种实例都是简明易懂的。 一、公式介绍 贝叶斯算法是著名数学家托马斯。贝叶斯（Thomas Bayes） （1702—1761）命名的一种 基于概率分析可能性推理理论，通过分析过去事件的只是，来预测未来的事件。 1、 全概率公式 [1] 定理 1 设试验 E 的样本空间为 S，A 为 E 的事件，B1， B2，„，Bn 为 S 的一个划分， 且P(Bi) > 0, i = 1,2,3 … ，n,则
P(T|L) = 0. 86 . 看起来,测谎仪比较精确.
例 6： 假设在一次试验中, 检测出被测对象在说谎. 按照上面所给资料,也许很多人都认 为这个人说谎的概率会很高 , 也许在 0.87 左右. 然而, 在安全部门的招募筛查中, 大多数 人都是诚实的, 假设 P(T ) = 0. 01 ,
P(T ) P( L) P(T | L) P( L) P(T | L) 0. 01 ×0. 88+ 0. 99× 0. 14= 0. 1474 .
解：设事件 A 表示“客观的次品”，事件 B 表示“经检验判为次品的产品” ， ̅ ) = 0.999 ，P ( B | A) = 0.95 , P ( B | A ̅ ) = 0.05 . 由题意知：P ( A) = 0.001 , P ( A 由贝叶斯公式可计算“被检验出的次品中实际次品率”为：
P( B | A)
P( B) P( A | B) 0.001 0.05 0.00006 0.98906 P( A)
因此,通过这项检测 , 检查呈阴性的人大可放宽心 , 他患有艾滋病的概率已从千分之一 降低到十万分之六. 3、 实际比赛[2] 例 5： 某射击小组共有 20 名射手， 其中一级射手 4 人, 二级射手 8 人, 三级射手 8 人， 一、二、三级射手能通过选拔进入比赛的概率分别是 0.9、 0.7、 0.4. 求任选一名射手能通 3
P( L | T ) = 0. 86 ,这个概率还是可以接受的.
5、 诉讼[3] 例 7：1981 年 3 月 30 日,一个大学退学学生欣克利( John H inckley Jr. )企图对里根总统 行刺. 他打伤了里根、里根的新闻秘书以及两个保安.在 1982 年宣判他时, 欣克利的辩护律 师以精神病为理由作为其无罪的辩护.作证的医师告诉法院当给被诊断为精神分裂症的人以 CAT 扫描时,扫描显示 30%的案例为脑萎缩,而给正常人以 CAT 扫描时,只有 2%的扫描显示 脑萎缩.欣克利的辩护律师试图拿欣克利的 CAT 扫描结果为证据,争辩说因为欣克利的扫描 显示了脑萎缩, 他极有可能患有精神病, 从而应免受到法院的起诉. 用贝叶斯方法对欣克利是否患有精神病作出判断.一般地,在美国精神分裂症的发病率大 4
P( B) P( A) P( B | A) P( A) P( B | A) 0.05394
P( B | A)
P( AB) P( A)
P( A B ) P ( B| A ) P ( A )
P( A | B)
P( AB) 0.007341 P( B)
2
显然，这使他大吃一惊，患有肝癌的可能不到 0.01.仔细一想，也是可以理解的。因为 1000 人中约有 4 人患有肝癌，9996 人不患肝癌，这 1000 人的检验中约有 504 人的结果 呈阳性，其中约 500 人都是“虚惊一场”。因此，减少“虚报”是提高诊断的关键所在。实际 上可先由医生使用简单易行的方法进行查对，再对有可疑之人进行“甲胎蛋白质检查”。 例 4：资料显示, 某项艾滋病血液检测的灵敏度(即真有病的人检查为阳性)为 95%, 而 对没有得病的人这种检测的准确率( 即没有病的人检查为阴性) 为 99%. 美国是一个艾滋病 比较流行的国家, 估计大约有千分之一的人患有这种病. 为了能有效地控制、 减缓艾滋病的 传播,几年前有人建议对申请新婚登记的新婚夫妇进行这种血液检查 .该计划提出后,征询专 家意见,遭到专家的强烈反对,计划没有被通过. 用贝叶斯公式分析专家为何反对通过这项计划. 设 A = {检查为阳性} , B = {一个人患有艾滋病} .根据文中叙述可知,
P (B) = 0. 001, P( A | B) = 0. 95, P(B) = 1- 0. 001= 0. 999, P( B | A) = 1- 0. 99= 0. 01.
由( 4)得
P( A) = 0. 001× 0. 95+ 0. 999 ×0. 01= 0. 01094.
根据公式( 3) ,得到
过选拔进入比赛的概率？ 分析：问题实质上涉及到两个部分： 第一, 选出的射手不知道是哪个级别的, 由全概率公式知, 都应该考虑到, 才为全面. 第二, 某个级别的射手能通过选拔进入比赛的概率这是已知道的, 记为： Ai =“选出的 i 级射手” ，i = 1, 2,3 ， 则 A1 , A2 , A3 构成一个完备事件组， 有： A1 U A2 U A3 = 1 ， 且 Ai Aj = ? ， i ≠ j ， i、j = 1, 2,3 由题意： P ( A1 ) = 8 4 , P ( A2 ) = , P ( A3 ) = 8 20 20 20 B = “选出的射手能通过选拔进入比 赛” ，要求： P ( B ) = ? 则：
P (B) = P(A1)P(B|A1) + P(A2) P( B | A2 ) + P( A3 ) P(B | A3) = 4 8 8 × 0.9 + × 0.7
+ × 0.4 20 20 20 =62% 即任选一名选手能通过选拔进入比赛的概率为 62%.这个数比 0.9、 0.7 都小， 但比 0.4 大，就是因为三种可能性都考虑到了. 4、 说谎了吗？[3] 测谎仪是用来检测一个人是否说谎的仪器,经常用于征兵、安全部门的筛查、侦破、诉 讼等领域. 定义事件 T = 检测为一个人在说谎, L = 一个人真正在说谎。 根据经验, P(T|L) = 0. 88 ,
2、 医疗诊断
[2]
贝叶斯公式在疾病诊断方面的应用很多，下面我们就通过几个案例对其进行说明。 例 2：据调查，在 50 个耳聋人中有 4 人色盲，在 9950 个非耳聋人中有 796 人色 盲，分析两种疾病是否相关。 分析:设事件 A 为耳聋人，事件 B 为色盲人， P( A) = p ， 则 P( A) = 1-p 依题意可得， P(B|A) = 4 50 0.08， P(B) 4 50 0.08, P(B|A) =796 9950= 0.08
P(i | A)=
P(Bi)P(|i )
P(Bj )P(|j )
j 1
n
， i =1，2，„n
贝叶斯公式是专门用于计算机后验概率的，也是通过事件 A 发生这个信息，来对 Bi 的 概率做出修正。 （贝叶斯方法） 二、贝叶斯公式的应用
1、工业产品检查
[2]
例 1、某厂生产的产品次品率为 0.1%，但是没有适当的仪器进行检验，有人声称发明 一种仪器可以用来检验，误判的概率仅为 5%. 试问厂长能否采用该人所发明的仪器? 分析：“5% 的误判率”给检验带来怎样的可信度，这是厂长决策的依据，即弄清“被检验 出的正(或次)品中实际正(或次)品率”。 1