Теорема Байеса. Условная вероятность. Независимость событий Как найти условную вероятность события

Все теоремы и формулы теории вероятностей и математической статистики выводятся из аксиом теории вероятностей. В этой главе дается определение условной вероятности, доказываются наиболее часто используемые теоремы и формулы, основанные на условных вероятностях. Вводится понятие независимости событий, которое затем используется в схеме последовательных независимых испытаний, а также дается описание марковской схемы с зависимыми испытаниями.

УСЛОВНЫЕ ВЕРОЯТНОСТИ

В § 1.1 формула условной вероятности была выведена для классической схемы. В общем случае эта формула служит определением условной вероятности события А при условии, что произошло событие В , Р(В) > 0.

Определение 2.1. Условная вероятность события А при условии В

Определение 2.2. Событие А не зависит от события В, если

Независимость событий взаимна, т.е. если событие А не зависит от В, то и событие В не зависит от А. В самом деле, используя определения 2.1 и 2.2, при Р(А) > 0 имеем:

Из определения 2.1 вытекает следующая формула умножения вероятностей:

Для независимых событий вероятность произведения событий равна произведению их вероятностей:

Определение 2.3. События А, А 2 ,..., А„ образуют полную группу событий, если они попарно несовместны и вместе образуют достоверное событие, т.е.

Имеет место следующая теорема полной вероятности.

Теорема 2.1. Если события А и ..., А„, Р(А) > 0 образуют полную группу событий, то вероятность события В может быть представлена как сумма произведений безусловных вероятностей событий полной группы на условные вероятности события В:

События полной группы А„ ..., А„ попарно несовместны, поэтому попарно несовместны и их произведения (пересечения) с событием В, т.е. события В П А/, В П Л, при i Ф j несовместны. Так как событие В можно представить в виде

то, применив к этому разложению события В аксиому сложения вероятностей, имеем:

Используя формулу умножения вероятностей (2.1.1) для каждого слагаемого, окончательно получаем:

Требование, состоящее в том, что события Л, образуют полную группу событий, может быть заменено более слабым: события попар-

но не пересекаются, Bcz^A r Кроме того, на основе аксиомы счет-

ной аддитивности теорему полной вероятности можно распространить и на счетное множество попарно непересекающихся событий А,-,

Р(А,)> 0, tfcQ/l, :

Из формулы полной вероятности (2.1.3) легко получить формулу Байеса: для события В с Р(В) > 0 и для системы попарно несовмест-

пых событий А„ Р(Л,) > 0,BczJ А,.,

В самом деле, применив формулы условной вероятности и умножения вероятностей, имеем:

теперь, заменив вероятность события В по формуле полной вероятности, получаем формулу (2.1.5).

Вероятности Р(А,) событий И, называют априорными вероятностями, т.е. вероятностями событий до выполнения опыта, а условные вероятности этих событий Р(А,!В) - апостериорными, т.е. уточненными в результате опыта, исходом которого послужило появление события В.

Пример 2.1. Расчет по формула и полной вероятности и Байеса

На предприятии изготовляются изделия определенного вида на трех поточных линиях. На первой линии производится 20% изделий от всего объема их производства, на второй - 30%, на третьей - 50%. Каждая из линий характеризуется соответственно следующими процентами годности изделий: 95, 98 и 97%. Требуется определить вероятность того, что наугад взятое изделие, выпущенное предприятием, окажется бракованным, а также вероятности того, что это бракованное изделие сделано на первой, второй и третьей линиях.

Решение. Обозначим через А„ Л 2 , А } события, состоящие в том, что наугад взятое изделие произведено соответственно на первой, второй и третьей линиях. Согласно условиям задачи Р(А ,) = 0,2; Р(А 2) = 0,3; Р(А }) = 0,5, и эти события образуют полную группу событий, поскольку они попарно несовместны, т.е. Р(А ,) + Р(Л 2) + Р(Л 3) = 1.

Обозначим через В событие, состоящее в том, что наугад взятое изделие оказалось бракованным. Согласно условиям задачи P(B/A t) = = 0,05; Р(В/А 2) = 0,02; Р(В/А 3) = 0,03.

т.е. вероятность того, что наугад взятое изделие окажется бракованным, равна 3,1%.

Априорные вероятности того, что наугад взятое изделие изготовлено на первой, второй или третьей линии, равны соответственно 0,2; 0,3 и 0,5.

Допустим, что в результате опыта наугад взятое изделие оказалось бракованным; определим теперь апостериорные вероятности того, что это изделие изготовлено на первой, второй или третьей линиях. По формуле Байеса имеем:

Таким образом, вероятности того, что наугад взятое и оказавшееся бракованным изделие изготовлено на первой, второй или третьей линии, равны соответственно 0,322; 0,194; 0,484.

Формула умножения вероятностей (2.1.1) может быть распространена на случай произвольного конечного числа событий:

Определение 2.4. События А ь А 2 , ..., А„ независимы в совокупности, если для любого их подмножества

Если это условие выполнено только для к = 2, то события попарно независимы.

Из независимости событий в совокупности вытекает попарная независимость, а из попарной независимости не следует независимость в совокупности.

Условной вероятностью события A при выполнении события B называется отношение Здесь предполагается, что .

В качестве разумного обоснования этого определения отметим, что при наступлении события B оно начинает играть роль достоверного события, поэтому надо потребовать, чтобы . Роль события A играет AB, поэтому должна быть пропорциональна . (Из определения следует, что коэффициент пропорциональности равен .)

Теперь введем понятие независимости событий.

Это означает: оттого что произошло событие B , вероятность события A не изменилась.

С учетом определения условной вероятности, это определение сведется к соотношению . Здесь уже нет необходимости требовать выполнения условия . Таким образом, приходим к окончательному определению.

События A и B называются независимыми, если P (AB ) = P (A )P (B ).

Последнее соотношение обычно и принимают за определение независимости двух событий.

Несколько событий называются независимыми в совокупности, если подобные соотношения выполняются для любого подмножества рассматриваемых событий. Так, например, три события A, B и C называются независимыми в совокупности, если выполняются следующие четыре соотношения:

Приведем ряд задач на условную вероятность и независимость событий и их решения.

Задача 21. Из полной колоды из 36 карт вытаскивают одну карту. Событие A – карта красная, B – карта туз. Будут ли они независимы?

Решение. Проведя вычисления согласно классическому определению вероятности, получим, что . Это означает, что события A и B независимы.

Задача 22 . Решить ту же задачу для колоды, из которой удалена пиковая дама.

Решение . . Независимости нет.

Задача 23. Двое поочередно бросают монету. Выигрывает тот, у которого первым выпадет герб. Найти вероятности выигрыша для обоих игроков.

Решение. Можно считать, что элементарные события – это конечные последовательности вида (0, 0, 1,…, 0, 1). Для последовательности длины соответствующее элементарное событие имеет вероятность Игрок, начинающий бросать монету первым, выигрывает, если реализуется элементарное событие , состоящее из нечетного числа нулей и единиц. Поэтому вероятность его выигрыша равна

Выигрыш второго игрока соответствует четному числу нулей и единиц. Он равен

Из решения следует, что игра заканчивается за конечное время с вероятностью 1 (так как ).

Задача 24. Для того чтобы разрушить мост, нужно попадание не менее 2 бомб. Сбросили 3 бомбы. Вероятности попадания бомб равны соответственно 0, 1; 0, 3; 0, 4. Найти вероятность разрушения моста.

Решение. Пусть события A, B, C состоят в попадании 1-й, 2-й, 3-й бомбы соответственно. Тогда разрушение моста происходит только при реализации события В силу того что слагаемые в этой формуле попарно несовместны, а сомножители в слагаемых независимы, искомая вероятность равна

0,1∙0,3∙0,4 + 0,1∙0,3∙0,6 + 0,1∙0,7∙0,4 + 0,9∙0,3∙0,4 = 0,166.

Задача 25. К одному и тому же причалу должны пришвартоваться два грузовых судна. Известно, что каждое из них может с равной вероятностью подойти в любой момент фиксированных суток и должно разгружаться 8 ч. Найти вероятность того, что судну, пришедшему вторым, не придется дожидаться, пока закончит разгрузку первое судно.

Решение. Будем время измерять в сутках и долях суток. Тогдаэлементарные события – это пары чисел , заполняющие единичный квадрат, где x – время прихода первого судна, y – время прихода второго судна. Все точки квадрата равновероятны. Это означает, что вероятность любого события (т. е. множества из единичного квадрата) равна площади области, соответствующей этому событию. Событие A состоит из точек единичного квадрата, для которых выполняется неравенство . Это неравенство соответствует тому, что судно, пришедшее первым, успеет разгрузиться к моменту прихода второго судна. Множество этих точек образует два прямоугольных равнобедренных треугольника со стороной 2/3. Суммарная площадь этих треугольников равна 4/9. Таким образом, .

Задача 26. На экзамене по теории вероятностей было 34билета. Студент дважды извлекает по одному билету из предложенных билетов (не возвращая их). Студент подготовился лишь по 30-ти билетам? Какова вероятность того, что он сдаст экзамен, выбрав в первый раз «неудачный » билет?

Решение. Случайный выбор состоит в том, что два раза подряд извлекают по одному билету, причем вытянутый в первый раз билет назад не возвращается. Пусть событие В состоит в том, что первым вынут «неудачный» билет, а событие А состоит в том, что вторым вынут «удачный » билет. Очевидно, что события А и В зависимы, так как извлеченный в первый раз билет не возвращается в число всех билетов. Требуется найти вероятность события АВ .

По формуле условной вероятности ; ; , поэтому .

4. Условная вероятность. Теорема умножения вероятностей.

Во многих задачах приходится находить вероятность совмещения событий А и В , если известны вероятности событий А и В .

Рассмотрим следующий пример. Пусть брошены две монеты. Найдем вероятность появления двух гербов. Мы имеем 4 равновероятных попарно несовместных исхода, образующих полную группу:

Пусть теперь нам стало известно, что на первой монете выпал герб. Как изменится после этого вероятность того, что герб появится на обеих монетах? Так как на первой монете выпал герб, то теперь полная группа состоит из двух равновероятных несовместных исходов:

Новую вероятность события А , в предположении, что произошло событие B , будем обозначать P B (А) .

Таким образом, Р(A)=1/4; P B (А)=1/2

Теорема умножения. Вероятность совмещения событий А и В равна произведению вероятности одного из них на условную вероятность другого, вычисленную в предположении, что первое событие осуществилось, т. е.

Доказательство. Докажем справедливость соотношения (4), опираясь на классическое определение вероятности. Пусть возможные исходы Е 1 , Е 2 , ..., Е N данного опыта образуют полную группу равновероятных попарно несовместных событий, из которых событию A благоприятствуют M исходов, и пусть из этих M исходов L исходов благоприятствуют событию B . Очевидно, что совмещению событий A и B благоприятствуют L из N возможных результатов испытания. Это дает ; ;
Таким образом,
Поменяв местами A и B , аналогично получим
Теорема умножения легко обобщается на любое, конечное число событий. Так, например, в случае трех событий A 1 , A 2 , A 3 имеем *
В общем случае

Из соотношения (6) вытекает, что из двух равенств (8) одно является следствием другого.

Пусть, например, событие A - появление герба при однократном бросании монеты, а событие B - появление карты бубновой масти при вынимании карты из колоды. Очевидно, что события A и B независимы.

В случае независимости событий A к B формула (4) примет более простой вид:

* Событие A 1 A 2 A 3 можно представить как совмещение двух событий: события C=A 1 A 2 и события A 3 .

Нередко в жизни мы сталкиваемся с тем, что нужно оценить шансы наступления какого-либо события. Стоит ли покупать лотерейный билет или нет, каков будет пол третьего ребенка в семье, будет ли завтра ясная погода или снова пойдет дождь - таких примеров можно привести бесчисленное множество. В самом простом случае следует разделить число благоприятных исходов на общее число событий. Если в лотерее 10 билетов выигрышных, а всего их 50, то шансы получить приз равны 10/50 = 0,2, то есть 20 против 100. А как поступать в том случае, если есть несколько событий, и они тесно связаны между собой? В этом случае нас будет интересовать уже не простая, а условная вероятность. Что это за величина и как ее можно посчитать - об этом как раз и будет рассказано в нашей статье.

Понятие

Условная вероятность - это шансы наступления определенного события при условии, что другое связанное с ним событие уже произошло. Рассмотрим простой пример с бросанием монетки. Если жеребьевки еще не было, то шансы выпадения орла или решки будут одинаковыми. Но если раз пять подряд монетка ложилась гербом вверх, то согласитесь ожидать 6-го, 7-го, а тем более 10-го повторения такого исхода будет нелогично. С каждым повторным разом выпадения орла, шансы появления решки растут и рано или поздно она-таки выпадет.

Формула условной вероятности

Давайте теперь разберемся с тем, как эта величина рассчитывается. Обозначим первое событие через В, а второе через А. Если шансы наступления В отличны от нуля, то тогда будет справедливым следующее равенство:

Р (А|В) = Р (АВ) / Р (В), где:

• Р (А|В) - условная вероятность итога А;
• Р (АВ) - вероятность совместного появления событий А и В;
• Р (В) - вероятность события В.

Слегка преобразовав данное соотношение получим Р (АВ) = Р(А|В) * Р (В). А если применить то можно вывести формулу произведения и использовать ее при произвольном числе событий:

Р (А 1 , А 2 , А 3 ,…А п) = Р (А 1 |А 2 …А п)*Р(А 2 |А 3 …А п) * Р (А 3 |А 4 …А п)… Р (А п-1 |А п) * Р (А п).

Практика

Чтобы было легче разобраться с тем, как рассчитывается условная рассмотрим парочку примеров. Предположим имеется ваза, в которой находятся 8 шоколадных конфет и 7 мятных. По размерам они одинаковы и наугад последовательно вытаскиваются две из них. Какие будут шансы того, что обе из них окажутся шоколадными? Введем обозначения. Пусть итог А означает, что первая конфета шоколадная, итог В - вторая конфета шоколадная. Тогда получится следующее:

Р (А) = Р (В) = 8 / 15,

Р (А|В) = Р (В|А) = 7 / 14 = 1/2,

Р (АВ) = 8 /15 х 1/2 = 4/15 ≈ 0,27

Рассмотрим еще один случай. Предположим, есть двухдетная семья и нам известно, что, по крайней мере, один ребенок является девочкой.

Какова условная вероятность того, что мальчиков у этих родителей пока нет? Как и в предыдущем случае, начнем с обозначений. Пусть Р (В) - вероятность того, что в семье есть хотя бы одна девочка, Р (А|В) - вероятность того, что второй ребенок тоже девочка, Р (АВ) - шансы того, что в семье две девочки. Теперь произведем расчёты. Всего может быть 4 разных комбинаций пола детей и при этом лишь в одном случае (когда в семье два мальчика), девочки среди детей не будет. Поэтому вероятность Р (В) = 3/4, а Р (АВ) = 1/4. Тогда следуя нашей формуле получим:

Р (А|В) = 1/4: 3/4 = 1/3.

Интерпретировать результат можно так: если бы нам не было б известно о поле одного из детей, то шансы двух девочек были бы 25 против 100. Но поскольку мы знаем, что один ребенок девочка, вероятность того, что в семье мальчиков нет, возрастает до одной третьей.

Фактически формулы (1) и (2) это краткая запись условной вероятности на основе таблицы сопряженности признаков. Вернемся к примеру, рассмотренному (рис. 1). Предположим, что нам стало известно, будто некая семья собирается купить широкоэкранный телевизор. Какова вероятность того, что эта семья действительно купит такой телевизор?

Рис. 1. Поведение покупателей широкоэкранных телевизоров

В данном случае нам необходимо вычислить условную вероятность Р (покупка совершена | покупка планировалась). Поскольку нам известно, что семья планирует покупку, выборочное пространство состоит не из всех 1000 семей, а только из тех, которые планируют покупку широкоэкранного телевизора. Из 250 таких семей 200 действительно купили этот телевизор. Следовательно, вероятность того, что семья действительно купит широкоэкранный телевизор, если она это запланировала, можно вычислить по следующей формуле:

Р (покупка совершена | покупка планировалась) = количество семей, планировавших и купивших широкоэкранный телевизор / количество семей, планировавших купить широкоэкранный телевизор = 200 / 250 = 0,8

Этот же результат дает формула (2):

где событие А заключается в том, что семья планирует покупку широкоформатного телевизора, а событие В - в том, что она его действительно купит. Подставляя в формулу реальные данные, получаем:

Дерево решений

На рис. 1 семьи разделены на четыре категории: планировавшие покупку широкоэкранного телевизора и не планировавшие, а также купившие такой телевизор и не купившие. Аналогичную классификацию можно выполнить с помощью дерева решений (рис. 2). Дерево, изображенное на рис. 2, имеет две ветви, соответствующие семьям, которые планировали приобрести широкоэкранный телевизор, и семьям, которые не делали этого. Каждая из этих ветвей разделяется на две дополнительные ветви, соответствующие семьям, купившим и не купившим широкоэкранный телевизор. Вероятности, записанные на концах двух основных ветвей, являются безусловными вероятностями событий А и А’ . Вероятности, записанные на концах четырех дополнительных ветвей, являются условными вероятностями каждой комбинации событий А и В . Условные вероятности вычисляются путем деления совместной вероятности событий на соответствующую безусловную вероятность каждого из них.

Рис. 2. Дерево решений

Например, чтобы вычислить вероятность того, что семья купит широкоэкранный телевизор, если она запланировала сделать это, следует определить вероятность события покупка запланирована и совершена , а затем поделить его на вероятность события покупка запланирована . Перемещаясь по дереву решения, изображенному на рис. 2, получаем следующий (аналогичный предыдущему) ответ:

Статистическая независимость

В примере с покупкой широкоэкранного телевизора вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор при условии, что она планировала это сделать, равна 200/250 = 0,8. Напомним, что безусловная вероятность того, что случайно выбранная семья приобрела широкоэкранный телевизор, равна 300/1000 = 0,3. Отсюда следует очень важный вывод. Априорная информация о том, что семья планировала покупку, влияет на вероятность самой покупки. Иначе говоря, эти два события зависят друг от друга. В противоположность этому примеру, существуют статистически независимые события, вероятности которых не зависят друг от друга. Статистическая независимость выражается тождеством: Р(А|В) = Р(А) , где Р(А|В) - вероятность события А при условии, что произошло событие В , Р(А) - безусловная вероятность события А.

Обратите внимание на то, что события А и В Р(А|В) = Р(А) . Если в таблице сопряженности признаков, имеющей размер 2×2, это условие выполняется хотя бы для одной комбинации событий А и В , оно будет справедливым и для любой другой комбинации. В нашем примере события покупка запланирована и покупка совершена не являются статистически независимыми, поскольку информация об одном событии влияет на вероятность другого.

Рассмотрим пример, в котором показано, как проверить статистическую независимость двух событий. Спросим у 300 семей, купивших широкоформатный телевизор, довольны ли они своей покупкой (рис. 3). Определите, связаны ли между собой степень удовлетворенности покупкой и тип телевизора.

Рис. 3. Данные, характеризующие степень удовлетворенности покупателей широкоэкранных телевизоров

Судя по этим данным,

В то же время,

Р (покупатель удовлетворен) = 240 / 300 = 0,80

Следовательно, вероятность того, что покупатель удовлетворен покупкой, и того, что семья купила HDTV-телевизор, равны между собой, и эти события являются статистически независимыми, поскольку никак не связаны между собой.

Правило умножения вероятностей

Формула для вычисления условной вероятности позволяет определить вероятность совместного события А и В . Разрешив формулу (1)

относительно совместной вероятности Р(А и В) , получаем общее, правило умножения вероятностей. Вероятность события А и В равна вероятности события А при условии, что наступило событие В В :

(3) Р(А и В) = Р(А|В) * Р(В)

Рассмотрим в качестве примера 80 семей, купивших широкоэкранный HDTV-телевизор (рис. 3). В таблице указано, что 64 семьи удовлетворены покупкой и 16 - нет. Предположим, что среди них случайным образом выбираются две семьи. Определите вероятность, что оба покупателя окажутся довольными. Используя формулу (3), получаем:

Р(А и В) = Р(А|В) * Р(В)

где событие А заключается в том, что вторая семья удовлетворена своей покупкой, а событие В - в том, что первая семья удовлетворена своей покупкой. Вероятность того, что первая семья удовлетворена своей покупкой, равна 64/80. Однако вероятность того, что вторая семья также удовлетворена своей покупкой, зависит от ответа первой семьи. Если первая семья после опроса не возвращается в выборку (выбор без возвращения), количество респондентов снижается до 79. Если первая семья оказалась удовлетворенной своей покупкой, вероятность того, что вторая семья также будет довольна, равна 63/79, поскольку в выборке осталось только 63 семьи, удовлетворенные своим приобретением. Таким образом, подставляя в формулу (3) конкретные данные, получим следующий ответ:

Р(А и В) = (63/79)(64/80) = 0,638.

Следовательно, вероятность того, что обе семьи довольны своими покупками, равна 63,8%.

Предположим, что после опроса первая семья возвращается в выборку. Определите вероятность того, что обе семьи окажутся довольными своей покупкой. В этом случае вероятности того, что обе семьи удовлетворены своей покупкой одинаковы, и равны 64/80. Следовательно, Р(А и В) = (64/80)(64/80) = 0,64. Таким образом, вероятность того, что обе семьи довольны своими покупками, равна 64,0%. Этот пример показывает, что выбор второй семьи не зависит от выбора первой. Таким образом, заменяя в формуле (3) условную вероятность Р(А|В) вероятностью Р(А) , мы получаем формулу умножения вероятностей независимых событий.

Правило умножения вероятностей независимых событий. Если события А и В являются статистически независимыми, вероятность события А и В равна вероятности события А , умноженной на вероятность события В .

(4) Р(А и В) = Р(А)Р(В)

Если это правило выполняется для событий А и В , значит, они являются статистически независимыми. Таким образом, существуют два способа определить статистическую независимость двух событий:

1. События А и В являются статистически независимыми друг от друга тогда и только тогда, когда Р(А|В) = Р(А) .
2. События А и B являются статистически независимыми друг от друга тогда и только тогда, когда Р(А и В) = Р(А)Р(В) .

Если в таблице сопряженности признаков, имеющей размер 2×2, одно из этих условий выполняется хотя бы для одной комбинации событий А и B , оно будет справедливым и для любой другой комбинации.

Безусловная вероятность элементарного события

(5) Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2) + … + P(A|B k)Р(B k)

где события B 1 , B 2 , … B k являются взаимоисключающими и исчерпывающими.

Проиллюстрируем применение этой формулы на примере рис.1. Используя формулу (5), получаем:

Р(А) = P(A|B 1)Р(B 1) + P(A|B 2)Р(B 2)

где Р(А) - вероятность того, что покупка планировалась, Р(В 1) - вероятность того, что покупка совершена, Р(В 2) - вероятность того, что покупка не совершена.

ТЕОРЕМА БАЙЕСА

Условная вероятность события учитывает информацию о том, что произошло некое другое событие. Этот подход можно использовать как для уточнения вероятности с учетом вновь поступившей информации, так и для вычисления вероятности, что наблюдаемый эффект является следствием некоей конкретной причины. Процедура уточнения этих вероятностей называется теоремой Байеса. Впервые она была разработана Томасом Байесом в 18 веке.

Предположим, что компания, упомянутая выше, исследует рынок сбыта новой модели телевизора. В прошлом 40% телевизоров, созданных компанией, пользовались успехом, а 60% моделей признания не получили. Прежде чем объявить о выпуске новой модели, специалисты по маркетингу тщательно исследуют рынок и фиксируют спрос. В прошлом успех 80% моделей, получивших признание, прогнозировался заранее, в то же время 30% благоприятных прогнозов оказались неверными. Для новой модели отдел маркетинга дал благоприятный прогноз. Какова вероятность того, что новая модель телевизора будет пользоваться спросом?

Теорему Байеса можно вывести из определений условной вероятности (1) и (2). Чтобы вычислить вероятность Р(В|А), возьмем формулу (2):

и подставим вместо Р(А и В) значение из формулы (3):

Р(А и В) = Р(А|В) * Р(В)

Подставляя вместо Р(А) формулу (5), получаем теорему Байеса:

где события B 1 , В 2 , … В k являются взаимоисключающими и исчерпывающими.

Введем следующие обозначения: событие S - телевизор пользуется спросом , событие S’ - телевизор не пользуется спросом , событие F - благоприятный прогноз , событие F’ - неблагоприятный прогноз . Допустим, что P(S) = 0,4, P(S’) = 0,6, P(F|S) = 0,8, P(F|S’) = 0,3. Применяя теорему Байеса получаем:

Вероятность спроса на новую модель телевизора при условии благоприятного прогноза равна 0,64. Таким образом, вероятность отсутствия спроса при условии благоприятного прогноза равна 1–0,64=0,36. Процесс вычислений представлен на рис. 4.

Рис. 4. (а) Вычисления по формуле Байеса для оценки вероятности спроса телевизоров; (б) Дерево решения при исследовании спроса на новую модель телевизора

Рассмотрим пример применения теоремы Байеса для медицинской диагностики. Вероятность того, что человек страдает от определенного заболевания, равна 0,03. Медицинский тест позволяет проверить, так ли это. Если человек действительно болен, вероятность точного диагноза (утверждающего, что человек болен, когда он действительно болен) равна 0,9. Если человек здоров, вероятность ложноположительного диагноза (утверждающего, что человек болен, когда он здоров) равна 0,02. Допустим, что медицинский тест дал положительный результат. Какова вероятность того, что человек действительно болен? Какова вероятность точного диагноза?

Введем следующие обозначения: событие D - человек болен , событие D’ - человек здоров , событие Т - диагноз положительный , событие Т’ - диагноз отрицательный . Из условия задачи следует, что Р(D) = 0,03, P(D’) = 0,97, Р(T|D) = 0,90, P(T|D’) = 0,02. Применяя формулу (6), получаем:

Вероятность того, что при положительном диагнозе человек действительно болен, равна 0,582 (см. также рис. 5). Обратите внимание на то, что знаменатель формулы Байеса равен вероятности положительного диагноза, т.е. 0,0464.