Professional Documents
Culture Documents
Advanced Probility
Advanced Probility
Advanced Probility
進階概率: 條件概率和貝葉斯定理
學習單位 學習重點 時間
解應用題,其中 C 和 D 為獨立事件
進階概率 (修訂)
必修部分的續概率
3 4
獨立事件 獨立事件
有些事件的發生與否,並不影響另
兩個事件 A 和 B 稱為獨立 (independent),若
一些事件的發生,反之亦然。
5 6
思考題 1
例子: 是否放回? 同時投擲三枚均勻硬幣,設事件 A 為「所有硬幣出現
相同面」,事件 B 為「至多出現一個正面」。A、B
P( A1紅 A2紅) 是否相互獨立?
3 2
P(A1紅) = ?
5 4 思考題 2
P(A2紅) = ?
同時投擲四枚均勻硬幣,設事件 C 為「所有硬幣出現
相同面」,事件 D 為「至多出現一個正面」。C、D
是否相互獨立?
P(A1紅) P(A2紅 |A1紅)
探索與研究:n 固定,p 可變…
Stenger, 1980, Abstracts AMS
7 8
C1 C2 C3
C1 C2 C3 解:
H H H
H H T
H H H 2 1 H T H
P A
8 4 T H H
H H T T H T
4 1
H T H P B T T H
8 2 H T T
T H H T T T
1
P A B
T H T 8
事件 A =所有硬幣出現相同面
T T H P A B P A P B
事件 B =至多出現一個正面
H T T
T T T
9 10
投擲一粒勻稱的六面骰子
3. 必修部分中概率的運算
• X 表示出現偶數的事件
(必修部分:不包括貝葉斯定理)
X = {2, 4, 6}
Y = {3, 4, 5, 6}
Z = {2, 3, 5}
11 12
X ,Y PY
2
3
PY
1
3
Y Y
X ,Y 2
3
4
6
2
3
4
6
1
5 1 5 1 P X P X Y
1
P X Y 1
6
2 3
Y Y
X
2
3
4
6
2
3
4
6
2
3
4
6
X ,Y 2 4
3 6
2 4
3 6 PX 1
P X Y 1
3
P X Y 1
6
5 1 5 1 5 1
5 1 5 1 2
2 4 2 4 2 4
2 4 2 4 2 4
X 3 6
5 1
3 6
5 1
3 6
5 1
X = {2, 4, 6}
X 3 6 3 6 3 6
5 1 5 1 5 1 Y = {3, 4, 5, 6}
2 4 2 4 2 4
X 3 6
5 1
3 6
5 1
3 6
5 1
Z = {2, 3, 5}
13 14
Z Z
X ,Y P Y
2
3
PY
1
3 X ,Z 2 4 2 4
3 6 3 6
5 1 5 1
1
PX 1 1 2 4 2 4 2 4
PX Y P X Y
2 3 6 X 3 6 3 6 3 6
5 1 5 1 5 1
P X
1
2
P X Y 1
3
P X Y 1
6
X
2
3
4
6
2
3
4
6
2
3
4
6
5 1 5 1 5 1
15 16
X ,Z PZ
1
2
PZ
1
2
X ,Z P Z
1
2
PZ
1
2
1
P X 1 1
P X Z P X Z
6 3
2
Z Z
X ,Z 1
PX
2 4 2 4 1 1
3 6 3 6 PX Z P X Z
5 1 5 1 PX 1
2
P X Z
1
3
P X Z
1
6
2 6 3
2 4 2 4 2 4
X 3 6 3 6 3 6 X = {2, 4, 6}
5 1 5 1 5 1
P X
1
2
P X Z 1
3
P X Z 1
6
Y = {3, 4, 5, 6}
2 4 2 4 2 4
X 3 6
5 1
3 6
5 1
3 6
5 1
Z = {2, 3, 5} 17 18
Y ,Z P Z
1
2
PZ
1
2
Z Z
Y ,Z 2
3
4
6
2
3
4
6
P Y
2
P Y Z
1
PY Z 1
5 1 5 1 3 3 3
Z Z
2 4 2 4 2 4
Y ,Z 2 4 2 4
PY
1
PY Z 1
PY Z 1
Y 3
5
6
1
3
5
6
1
3
5
6
1
3 6
5 1
3 6
5 1 3
6 6
2 4 2 4 2 4 X = {2, 4, 6}
2 4 2 4 2 4 Y 3 6
5 1
3 6
5 1
3 6
5 1
Y 3
5
6
1
3
5
6
1
3
5
6
1 Y = {3, 4, 5, 6}
2 4 2 4 2 4
Y 3 6
5 1
3 6
5 1
3 6
5 1 Z = {2, 3, 5}
19 20
條件概率
Y ,Z P Z
1
2
PZ
1
2 計算 P X Y ,與 P X , PY 和 P X Y 有何關係? 你有甚麼發現?
X 表示出現偶數的事件 X = {2, 4, 6}
2
P Y 1 1
P Y Z PY Z
3 3
3 Y 表示出現點數大過 2 的事件 Y = {3, 4, 5, 6}
2 1
PX Y
4 2 P X Y PY P X Y ?
PY
1
3
PY Z 1
6
PY Z 1
6
X = {2, 4, 6} P X Z P X PZ X ?
Y = {3, 4, 5, 6} PY Z PZ P Y Z ?
Z = {2, 3, 5}
21 22
獨立事件 獨立事件
X 表示出現偶數的事件 X = {2, 4, 6}
X = {2, 4, 6} X ,Y P Y
2
3
PY 1
3
PX Y 2 3 6
4 2
「獨立事件」的定義: P X Y PY P X
事件 X 和 Y 是否相互獨立? 何謂「獨立事件」?
PX Y P X
「獨立事件」的定義: P X Y PY P X
PX Y P X
23 24
真實統計數字 http://www.bycensus2016.gov.hk/tc/bc‐index.html
25 26
27 28
聯表引入獨立事件
在某地方隨機抽取樣本,樣本大小為 350,檢測
色盲與性別的關係,結果如下:
樣本一 :
男性 女性 總數
色盲 10 25 35
沒有色盲 90 225 315
總數 100 250 350
29 30
聯表引入獨立事件
聯表引入獨立事件
樣本一 : 樣本二 :
在某地方隨機抽取兩個樣本,樣本大小為 350,
男性 女性 總數 男性 女性 總數
檢測色盲與性別的關係,結果如下: 色盲 10 25 35 色盲 5 1 6
沒有色盲 90 225 315 沒有色盲 95 249 344
樣本二 : 總數 100 250 350 總數 100 250 350
男性 女性 總數 從兩個樣本分別計算以下概率:
色盲 5 1 6
P男性 P女性 P色盲
沒有色盲 95 249 344
P 色盲 男性 P色盲 女性 P 男性 色盲
總數 100 250 350
P色盲 男性 P色盲 女性 P女性 色盲
31 32
樣本一 : 男性 女性 總數
色盲 10 25 35
沒有色盲 90 225 315
問題
總數
P色盲 男性 P色盲 ?
100 250 350
10 2
P 男性 色盲
25 1
P 色盲 女性
10 1
P 色盲 男性
100 10 250 10 35 7
P色盲 女性 P色盲 P女性 ?
P色盲 男性
10
1
P色盲 女性
25
1
P女性 色盲
25 5
P男性 色盲 P男性 ?
350 35 350 14 35 7
P女性 色盲 P女性 ? P男性 色盲 P色盲 男性 ?
33
P女性 色盲 P色盲 女性 ? 34
樣本二 : 男性 女性 總數
色盲 5 1 6 問題
沒有色盲 95 249 344
總數 100 250 350
P色盲 男性 P色盲 ?
1 5
P 色盲 男性
5
1 P 色盲 女性 P男性 色盲
P色盲 女性 P色盲 P女性 ?
100 20 250 6
P色盲 男性
5
1
P色盲 女性
1
P女性 色盲
1 P男性 色盲 P男性 ?
350 70 350 6
P女性 色盲 P女性 ?
P男性 色盲 P色盲 男性 ?
35
P女性 色盲 P色盲 女性 ? 36
一般情況
先備知識: 條件概率
P 色盲 男性 P男性
P 男性 色盲
P色盲
37 38
39 40
Bayes Theorem (貝葉斯定理) 設 H1表示一號碗,H2表示二號碗
P H1 0.5 先驗概率
設 E 表示水果糖
P H1 E ? 後驗概率
41 42
P ( E ) P E H1 P ( H1 ) P E H 2 P ( H 2 )
設 H1表示一號碗,H2表示二號碗
P ( E ) 0.75 0.5 0.5 0.5
P H1 0.5 先驗概率
P ( E ) 0.625
設 E 表示水果糖
P H1 E ? 後驗概率
0.75
P H1 E 0.5
0.625
0.6
30
P E H1 0.75
30 10 43 44
P色盲 男性 P男性
P男性 色盲 全概率公式 ( Theorem of total probability)
P色盲
B1 和 B2 為樣本空間內的有限劃分
P色盲 男性 P男性
P男性 色盲
P色盲
45 46
Bayes Theorem (貝葉斯定理) Bayes Theorem (貝葉斯定理)
P A P A Bi PBi
n
A A
i 1
B A B A B
P A Bi PBi
PBi A B A B AB
PA Bi PBi
n
i 1
A A 合計
B P A B
P A B P B
P男性 色盲
P色盲 男性 P男性
P色盲
B
P A B P A B PB
P A P A 1
47 48
Bayes Theorem (貝葉斯定理)
P A P B A
貝葉斯推斷 過濾垃圾郵件
PA B
面積模型
P A PB A P A P B A
如果來自 A 箱的概率 (為垃圾郵件的概率)
PBA
P A B 大於預先的設定值,電腦就自動判斷它是
P A B
P B A
垃圾電子郵件。
PB A P A B
P A B
PBA
PA B
P(A)
P A
49
p. 50
訓練 訓練
正常郵件 垃圾郵件
4000封 4000封
51 52
貝葉斯過濾器的使用過程
設 S 表示垃圾郵件 (spam),
H表示正常郵件 (healthy)
W表示“sex”這個詞
53 54