Полная вероятность и формула Байеса
![Реферат: Полная вероятность и формула Байеса](https://gugn.ru/work/7309665/cover.png)
Итак, если студент — отличник, то с вероятностью единица он получает отличную или хорошую оценку, а вероятность, что именно такой студент будет выбран равна 4/25. Если студент успевает хорошо, то с вероятностью 9/10 он получает хорошую или отличную оценку, а вероятность, что он будет выбран наугад составляет 13/25. Наконец, выбираемый с вероятностью 8/25 слабый студент получает хорошую оценку… Читать ещё >
Полная вероятность и формула Байеса (реферат, курсовая, диплом, контрольная)
Прежде, чем привести формальный вывод формулы полной вероятности, рассмотрим две задачи, ставшие почти «классическими» .
Слепой старец без поводыря вышел из пункта, А в пункт В (рис.7). Какова вероятность того, что он достигнет конечного пункта? Так как предполагается, что старец случайным образом выходит на ту или иную дорогу, то вероятность попасть в каждый из промежуточных пунктов С, Д, Е одинакова и равна 1/3. Однако из этих пунктов он попадет в конечный пункт В уже с разными вероятностями. Для пункта С эта вероятность — 1/3, т.к. из него ведут три дороги, для Д — вероятность равна ½, для Е — 1. Таким образом, общая вероятность для слепого старца попасть из пункта, А в пункт В (именно эта вероятность и есть полная вероятность) равна.
=.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_1.png)
Другая задача. В группе студентов-старшекурсников 4 отличника, 13 хорошо успевающих и 8 слабых студентов. Результаты предшествующих экзаменационных сессий показали, что отличники на экзаменах получают только отличные оценки (потому они и отличники); «хорошисты», как правило, в девяти случаях из десяти получают отличные или хорошие оценки; наконец, слабые студенты в одном случае из пяти получают хорошие оценки, а в оставшихся четырех с равной вероятностью получают удовлетворительные и неудовлетворительные оценки.
Для сдачи экзамена наугад выбирается один студент. Найти вероятность события А, что студент получит хорошую или отличную оценку.
Итак, если студент — отличник, то с вероятностью единица он получает отличную или хорошую оценку, а вероятность, что именно такой студент будет выбран равна 4/25. Если студент успевает хорошо, то с вероятностью 9/10 он получает хорошую или отличную оценку, а вероятность, что он будет выбран наугад составляет 13/25. Наконец, выбираемый с вероятностью 8/25 слабый студент получает хорошую оценку с вероятностью 1/5. Так как выбор экзаменующегося студента осуществляется случайно и независимо, то.
p (A)=.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_2.png)
Теперь после получения интуитивно понятных результатов, формальным образом введем понятие полной вероятности.
Пусть мы имеем полную группу попарно несовместных событий. Это означает, что.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_3.png)
.
Если теперь событие, А реализуется вместе с одним из событий, то.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_4.png)
. (21).
Это и есть формула полной вероятности, используемая при решении широкого круга задач.
Те же условия, что и для формулы полной вероятности, были использованы для формулирования так называемой теоремы гипотез или формулы Байеса. (Сразу отметим, что сам Томас Байес — английский математик XVIII века — формулу эту не выводил. Она названа так в знак признания его работ по теории вероятностей.).
Итак, до проведения экспериментов или наблюдений есть какие-то гипотезы, выражаемые численно в виде вероятностей некоторых событий. После проведения экспериментов, как правило, приходится проводить переоценку первоначальных гипотез и для этого необходимо иметь соответствующую формулу, чтобы указанную процедуру проводить строго однозначно.
Пусть попарно несовместные события образуют полную группу событий, т. е.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_5.png)
Рассмотрим некоторое событие, А в том же пространстве элементарных событий, что и .
Определение. Вероятность осуществления события (гипотезы), вычисленная безотносительно к событию А, называется априорной вероятностью.
Определение. Условная вероятность выполнения события (гипотезы), вычисленная в предположении, что событие, А осуществилось, называется апостериорной вероятностью.
Так как события попарно несовместны и образуют полную группу, то.
.
Используя результат теоремы об умножении вероятностей (формула 17), имеем.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_6.png)
. (22).
Вычислим теперь условную вероятность события, если известно, что событие, А реализовалось. По формуле условной вероятности (13) имеем.
![(23).](/img/s/9/79/1796179_7.png)
(23).
Это и есть формула Байеса, которую иногда называют формулой переоценки гипотез в тех случаях, когда события рассматривают как гипотезы.
Рассмотрим два примера использования этой формулы.
Пусть при сдаче экзамена положительная оценка ставится с вероятностью 0,95, если студент подготовлен достаточно хорошо, и с вероятностью 0,05, если он не подготовлен. Другими словами, событие заключается в том, что студент подготовлен к экзамену удовлетворительно, — «подготовлен неудовлетворительно», A — «положительная оценка», т. е. и = 0,05. Таким образом, в 5% случаев неподготовленный студент будет получать положительную отметку и в 5% случаев подготовленный студент будет получать неудовлетворительную оценку. Пусть теперь имеется поток, в котором доля студентов хорошо подготовленных составляет 0,8, и соответственно, доля неподготовленных — 0,2. Возникает вопрос, как на основании априорной информации определить вероятность того, что получивший хорошую оценку студент действительно был хорошо подготовлен.
По формуле Байеса имеем.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_8.png)
Таким образом, если пользоваться априорными условными вероятностями, то можно ожидать, что неправильная оценка знаний на экзамене будет почти исключена: в длинной серии экзаменов не более двух человек из ста, будучи плохо подготовленными, смогут получить хорошую оценку.
Условия следующей задачи имеют отношения к проблеме медицинской диагностики, хотя точно такой же подход может быть использован для решения аналогичных диагностических задач в любой области науки и техники.
Итак, предполагается, что диагностический тест ракового заболевания дает положительную реакцию с вероятностью 0,95, если у обследуемого действительно есть рак, и с вероятностью 0,05, если у обследуемого этого заболевания нет. Запишем это более формально: событие — «обследуемый болен раком», событие — «обследуемый не болен раком», A — «положительная реакция», Следовательно, при использовании этого теста не более 5% действительно больных будут отнесены к здоровым и не более 5% здоровых ошибочно будут причислены к больным. Пусть теперь с использованием этого теста обследуется группа, в которой каждый индивидуум имеет вероятность быть больным равную 0,001, т. е. и = 0,999. Зададимся вопросом, какова вероятность того, что индивидуум из этой группы, имеющий положительную реакцию на тест, в действительности болен раком?
Используя формулу Байеса, имеем.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_9.png)
Таким образом, из обследуемых в этой группе и имеющих положительную реакцию на тест меньше 2% в действительности больны раком.
В заключение этой главы рассмотрим пример, связанный с вероятностными расчетами для ситуации, которая могла бы возникнуть реально.
Попытки использовать вероятностные методы для моделирования ситуаций, возникающих на практике, наталкиваются на специфические трудности. Во-первых, ни одна реальная задача не связана с таким математическим понятием как множество элементарных событий, которое определяет результат решения. Поэтому прежде, чем приступить к решению задачи вероятностными методами, необходимо сформулировать ее в соответствующих понятиях. Собственно к этому и сводится построение математической модели реальной ситуации. Существует много способов построения моделей, и их адекватность может быть проверена или эмпирическим путем или, что бывает значительно чаще, базироваться на интуитивном представлении о соответствии модели реальному механизму изучаемого явления. При этом следует отдавать себе отчет в том, что полученное решение соответствует использованной нами модели, но совсем не обязательно будет соответствовать реальной ситуации, для которой эта модель построена. И только в том случае, если формальные или интуитивные представления, положенные в основу модели адекватны исследуемому процессу или явлению, следует ожидать удовлетворительного совпадения «выходов» модели и «выходов» реальной системы.
Вторая трудность при решении практически важных задач состоит в том, что реальные проблемы чрезвычайно сложны и попытки их адекватного отражения в математической модели приводят зачастую к непреодолимым математическим сложностям, так что приходится пересматривать модель, жертвуя ее адекватности ради возможности получить решение за приемлемое время и с приемлемыми затратами сил и средств.
Эти соображения следует иметь в виду, оценивая приводимые в этом и других разделах задачи, имеющие отношение к реальности.
Пусть мы проверяем новый измерительный комплекс для проведения физико-химического анализа проб почв, состоящий из двух узлов: измерительного (первого) и регистрирующего (второго). Вероятности безотказной работы за время t (надежность работы) известны из паспортных данных фирмы-изготовителя и равны соответственно Узлы отказывают независимо друг от друга. По истечении времени t выяснилось, что прибор неисправен. Возможны три предположения (гипотезы):
={неисправен только первый узел};
={неисправен только второй узел};
={неисправны оба узла}.
Вообще-то, до начала испытаний существовала еще одна гипотеза ={исправны оба узла}, но так как прибор все-таки отказал, то эта гипотеза исключается.
Для локализации неисправности прибор тестируется с помощью трех независимых тестов: в результате чего оказывается, что первые два теста дали положительный результат, а третий — отрицательный, т. е. реализовалось событие B={+±}, где плюсом обозначены положительные результаты тестов, а минусом — отрицательный результат. Известны также условные вероятности положительного результата тестов при гипотезах. Эти вероятности обозначаются как, где i — номер теста, j-номер гипотезы. Имеем:
.
Необходимо определить наиболее вероятное из возможных состояний прибора.
Прежде всего, необходимо оценить априорные вероятности каждой из трех гипотез, используя известные вероятности безотказной работы каждого из узлов. Обозначая через вероятность неисправности i-го узла, имеем:
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_10.png)
Эти значения получены с учетом условия, что узлы прибора отказывают независимо друг от друга.
Так как, в конечном счете, прибор отказал, то будем считать, что реализовалось некоторое событие.
.
вероятность которого.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_11.png)
Тогда в соответствии с формулой Байеса.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_12.png)
апостериорные вероятности гипотез будут равны соответственно.
На следующем этапе для учета результатов тестирования эти вероятности могут использоваться уже как априорные, и с их использованием необходимо вычислить условные вероятности события B при тех же гипотезах. Имеем.
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_13.png)
И в этом случае при расчетах использовано условие о том, что результаты тестирования независимы.
Вторично применяя формулу Байеса получим:
![Полная вероятность и формула Байеса.](/img/s/9/79/1796179_14.png)
Из этих результатов следует, что наиболее вероятное состояние прибора соответствует второй гипотезе — «отказал только второй узел». В этом случае целесообразно начинать ремонтные работы именно со второго узла, так как вероятность выхода из строя именно этого узла более чем в два раза превышает вероятность выхода из строя первого.