所以概率為0.2*0.4+0.1*0.8=0.16
（1）零件是第壹臺生產的概率為2/3，是第二臺生產的概率為1/3
所以不合格的概率為0.03*2/3+0.06*1/3=0.04，合格的概率為0.96
（2）如果不合格，第二臺加工的概率為0.06/（0.06+0.03）=0.667
貝葉斯公式的題目線上等設拿出白球為事件A，盒子裏原來的球是黑球為事件B。
剩下為黑球的概率其實就是：
P(B|A) = P(A|B)*P(B)/P(A)
而P(A) = P(A|B)*P(B)+P(A|^B)*P(^B)
其中P(B) = P(^B) = 1/2，因為原來的球不是黑的就是白的，概率相等
P(A|B)指的是盒子裏原來的球是黑球的情況下，拿出白球的概率，為1/2
而P(A|^B)指的是盒子裏原來的球是白球的情況下，拿出的是白球的概率，顯然為1
所以P(B|A) = 0.5*0.5/(0.5*0.5+1*0.5) = 1/3
所以P(^B|A) = 1 - P(B|A) = 2/3
貝葉斯公式的應用寫作話題:
貝葉斯預測模型在礦物含量預測中的應用
貝葉斯預測模型在氣溫變化預測中的應用
貝葉斯學習原理及其在預測未來地震危險中的應用
基於稀疏貝葉斯分類器的汽車車型識別
訊號估計中的貝葉斯方法及應用
貝葉斯神經網路在生物序列分析中的應用
基於貝葉斯網路的海上目標識別
貝葉斯原理在發動機標定中的應用
貝葉斯法在繼電器可靠性評估中的應用
相關書籍:
Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》
Springer 《貝葉斯決策》
黃曉榕 《經濟資訊價格評估以及貝葉斯方法的應用》
張麗 , 閆善文 , 劉亞東 《全概率公式與貝葉斯公式的應用及推廣》
周麗琴 《貝葉斯均衡的應用》
王輝 , 張劍飛 , 王雙成 《基於預測能力的貝葉斯網路結構學習》
張旭東 , 陳鋒 , 高雋 , 方廷健 《稀疏貝葉斯及其在時間序列預測中的應用》
鄒林全 《貝葉斯方法在會計決策中的應用》
周麗華 《市場預測中的貝葉斯公式應用》
夏敏軼 , 張焱 《貝葉斯公式在風險決策中的應用》
臧玉衛 , 王萍 , 吳育華 《貝葉斯網路在股指期貨風險預警中的應用》
黨佳瑞 , 胡杉杉 , 藍伯雄 《基於貝葉斯決策方法的證券歷史資料有效性分析》
肖玉山 , 王海東 《無偏預測理論在經驗貝葉斯分析中的應用》
嚴惠雲 , 師義民 《Linex損失下股票投資的貝葉斯預測》
蔔祥誌 , 王紹綿 , 陳文斌 , 余貽鑫 , 嶽順民 《貝葉斯拍賣定價方法在配電市場定價中的應用》
劉嘉焜 , 範貽昌 , 劉波 《分整模型在商品價格預測中的應用》
《Bayes方法在經營決策中的應用》
《決策有用性的資訊觀》
《統計預測和決策課件》
《貝葉斯經濟時間序列預測模型及其應用研究》
《貝葉斯統計推斷》
《決策分析理論與實務》
貝葉斯公式的壹些問題。P(A | B) 是B發生的條件下A發生的概率
P(AB)是A、B同時發生的概率P(AB)=P(A|B)P(B)
在盜賊入侵時狗叫的概率：盜賊的入侵使得狗叫，B是因，A是果，所以是P(A|B)，當然狗叫也有其他原因B1、B2，……，即BUB1UB2U……=S(S為總空間，即P(S)=1)，此時狗叫的概率為P(A)=P(A|BUB1UB2U……)，B只是壹個原因
在盜賊入侵的同時狗叫了的概率：盜賊入侵的時候，狗恰好叫了，可能是因為入侵引起了，也可能只是隨便亂叫了，概率為P(AB)
應用中，壹般因果導致出某件事的概率都為條件概率，同時發生的概率則為聯合概率
貝葉斯公式的壹個小運用這位同學首先說明壹下，Bayes公式是有適用條件的。
比如設有A,B,C，3個事件，但是妳不確定他們的關系
是不是相互獨立的就不能確定求他們都發生的概率的
演算法。Bayes公式只適用於A,B,C是壹個完備事件組的
情況.
P(Ai| B)={P(Ai)P(B| Ai)}/{∑P(Ai)P(B| Ai)},
i=1,2,3……，n 此式被稱為貝葉斯公式
如果妳說的問題滿足它的條件，那麽它詳細地說明了
多個條件下的概率求法，就是有幾個條件，i就為幾
希望對妳能有幫助。
thomas bayes怎麽研究出貝葉斯公式的貝葉斯定理由英國數學家貝葉斯 ( Thomas Bayes 1702-1763 ) 發展，用來描述兩個條件概率之間的關系，比如 P(A|B) 和 P(B|A)。按照乘法法則：P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)，可以立刻匯出。如上公式也可變形為：P(B|A)=P(A|B)*P(B)/P(A)。
關於貝葉斯公式的壹道題，請幫忙解壹下P(?C)=0.995 P(?A|C)=0.05 P(A|?C)=0.05
P(C|A)=P(C)P(A|C)/[P(C)P(A|C)+P(?C)P(A|?C)] =0.0871
剛好最近在學概率 希望能幫助到妳
不知為什麽非的符號都變成問號了
貝葉斯 概率論的題目在過去很長的時間裏，頻率統計論壹直是概率理論研究中的主流思想。然而，隨著貝葉斯理論的發展，人們發現在很多實際應用中，貝葉斯理論更具普適性，並且能得到更好的結果。統計物理學也不例外，傳統的研究方法主要基於頻率統計論，而貝葉斯理論能讓我們從資料中發掘出更多的資訊。
怎麽簡單理解貝葉斯公式貝葉斯定理是關於隨機事件A和B的條件概率（或邊緣概率）的壹則定理。
其中P(A|B)是在B發生的情況下A發生的可能性。
人們根據不確定性資訊作出推理和決策需要對各種結論的概率作出估計，這類推理稱為概率推理。概率推理
既是概率學和邏輯學的研究物件，也是心理學的研究物件，但研究的角度是不同的。概率學和邏輯學研究的是客觀概率推算的公式或規則；而心理學研究人們主觀概率估計的認知加工過程規律。貝葉斯推理的問題是條件概率推理問題，這壹領域的探討對揭示人們對概率資訊的認知加工過程與規律、指導人們進行有效的學習和判斷決策都具有十分重要的理論意義和實踐意義。
貝葉斯定理也稱貝葉斯推理，早在18世紀，英國學者貝葉斯(1702～1763)曾提出計算條件概率的公式用來解決如下壹類問題：假設H[1],H[2]…,H[n]互斥且構成壹個完全事件，已知它們的概率P(H[i]),i=1,2,…,n,現觀察到某事件A與H[,1],H[,2]…,H[,n]相伴隨機出現，且已知條件概率P(A/H[,i])，求P(H[,i]/A)。
貝葉斯公式（發表於1763年）為： P(H[i]|A)=P(H[i])*P(A│H[i])/{P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}
這就是著名的“貝葉斯定理”，壹些文獻中把P(H[1])、P(H[2])稱為基礎概率，P(A│H[1])為擊中率，P(A│H[2])為誤報率[1][
貝葉斯定理由英國數學家貝葉斯 ( Thomas Bayes 1702-1761 ) 發展，用來描述兩個條件概率之間的關系，比如 P(A|B) 和 P(B|A)。按照乘法法則，可以立刻匯出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可變形為：P(B|A) = P(A|B)*P(B) / P(A)。
例如：壹座別墅在過去的 20 年裏壹***發生過 2 次被盜，別墅的主人有壹條狗，狗平均每周晚上叫 3 次，在盜賊入侵時狗叫的概率被估計為 0.9，問題是：在狗叫的時候發生入侵的概率是多少？
我們假設 A 事件為狗在晚上叫，B 為盜賊入侵，則以天為單位統計，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出結果：P(B|A) = 0.9*(2/7300) / (3/7) = 0.00058。