Bộ môn này trang bị cho sinh viên chúngta một số vấn đề cơ sở của biến ngẫu nhiên để từ đó chúng ta có thể tiếp cận vào việcnghiên cứu lý thuyết vận dụng vào nghiên cứu phương pháp thu t
Trang 1TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI
KHOA KHOA HỌC CƠ BẢN
──────── * ────────
BÀI TẬP NHÓM
HỌC PHẦN: LÝ THUYẾT XÁC SUẤT
TÊN CHỦ ĐỀ: Công thức xác suất đầy đủ và
Bayes
Sinh viên thực hiện : Nguyễn Thị Ánh Hồng
Ngô Thị Huệ Đinh Nguyễn Lan Hương
Trịnh Liên Hương Trịnh Thị Lan Hương Đàm Thị Hường
Kiều Quang Huy Đặng Thị Huyền Phan Thảo Huyền
Đỗ Thị Lam Phan Hoàng Vũ
Tên lớp học phần: 20231BS6012011 Giảng viên: Giáp Văn Huynh
Trang 2MỤC LỤC
A LỜI MỞ ĐẦU 3
B LÝ THUYẾT VÀ VÍ DỤ 4
1 Công thức xác suất đầy đủ - Công thức xác suất Bayes 4
1.1 Công thức xác suất đầy đủ 4
1.2 Công thức xác suất Bayes 4
2 Ví dụ minh họa: 4
2.1 Bài 1 4
2.2 Bài 2 6
2.3 Bài 3 7
2.4 Bài 4 8
2.5 Bài 5 9
C LỜI KẾT 11
D TÀI LIỆU THAM KHẢO 11
Trang 3A LỜI MỞ ĐẦU
Môn học “Lí thuyết xác suất” là môn học có lịch sử phát triển lâu đời, và là bộ môn học nghiên cứu các hiện tượng ngẫu nhiên Bộ môn này trang bị cho sinh viên chúng
ta một số vấn đề cơ sở của biến ngẫu nhiên để từ đó chúng ta có thể tiếp cận vào việc nghiên cứu lý thuyết vận dụng vào nghiên cứu phương pháp thu thập xử lý thông tin
và làm bài tập, nhằm đưa ra những kết luận cần thiết Công thức xác suất Bayes là một công cụ quan trọng trong lĩnh vực xác suất và thống kê, có rất nhiều ứng dụng thực tế Chuẩn đoán bệnh: Công thức xác suất Bayes được sử dụng trong lĩnh vực y tế để đưa
ra chuẩn đoán bệnh dựa trên các triệu chứng và kết quả xét nghiệm Bằng cách tính toán xác suất điều kiện, các bác sĩ có thể đánh giá xác suất mắc bệnh dựa trên các thông tin khách quan và chủ quan
Phân loại email rác: Công thức Bayes cũng được sử dụng trong các hệ thống lọc email
để phân loại email là rác (spam) hoặc không phải rác (non-spam) Các mô hình Bayes dựa trên việc tính toán xác suất điều kiện của các từ hoặc thuộc tính trong email để dự đoán xem một email mới có phải là rác hay không
Trích xuất thông tin: Trong lĩnh vực xử lý ngôn ngữ tự nhiên, công thức Bayes có thể được sử dụng để trích xuất thông tin từ văn bản
Nhận dạng khuôn mặt: Trong các hệ thống nhận dạng khuôn mặt, công thức Bayes có thể được sử dụng để tính toán xác suất rằng một hình ảnh mới chứa khuôn mặt của một người cụ thể Các thông tin như hình dạng khuôn mặt, màu da, đặc điểm hình học
và các đặc trưng khác có thể được sử dụng để tính toán xác suất này
Tối ưu hóa quảng cáo trực tuyến: Công thức Bayes cũng có thể được áp dụng trong lĩnh vực quảng cáo trực tuyến để tối ưu hóa hiệu quả chiến dịch quảng cáo Dựa trên lịch sử tương tác của người dùng và các thuộc tính quảng cáo, xác suất Bayes có thể được sử dụng để dự đoán xác suất người dùng sẽ nhấp vào một quảng cáo cụ thể và điều chỉnh chiến dịch quảng cáo để tăng tỷ lệ chuyển đổi
Bài tiểu luận này được thực hiện bởi nhóm 3, trong suốt quá trình hoàn thiện có thể xảy ra sai sót, mong thầy và các bạn bỏ qua và góp ý
Xin chân thành cảm ơn!
Trang 4B LÝ THUYẾT VÀ VÍ DỤ
1 Công thức xác suất đầy đủ - Công thức xác suất Bayes:
1.1 Công thứ xác suất đầy đủ:
Giả sử là A i một nhóm biến cố đầy đủ (ⅈ=1,2 , … n) trong một phép thử, A là một biến
cố thỏa mãn, A xảy ra chỉ khi ít nhất 1 trong các biến cố xảy ra Khi đã biết P(A i) và
P(A / A i) thì:
Ta có công thức xác suất đầy đủ như sau:
i=1
n
1.2 Công thức xác suất Bayes:
Cùng với giả thiết của công thức xác suất đầy đủ và thêm giả thiết là phép thử đã được thực hiện – nghĩa là biến cố A đã xảy ra, khi đó:
P(A i / A)=P(A i)× P ( A / A i)
P ( A) =
P(A i)× P ( A / A i)
∑
i=1
n
P(A i)× P(A ∕ A i)
Chú ý: Nhận dạng bài toán xác suất đầy đủ phép thử (hành động) diễn ra qua 2 giai
đoạn: biến cố cần tính xác suất ở giai đoạn 2, các kết quả ở giai đoạn 1 là nhóm đầy đủ cần tìm
2 Ví dụ minh họa:
Bài 1: Có hai hộp đựng bi Hộp 1 có 3 viên bi đỏ và 7 viên bi trắng Hộp 2 có 4 viên bi
đỏ và 6 viên bi trắng Từ mỗi hộp lấy ngẫu nhiên ra 1 viên bi Sau đó từ hai viên bi thu được ta lấy ngẫu nhiên ra 1 viên bi a, Tìm xác suất để viên bi lấy ra sau cùng là viên
bi màu trắng b, Lấy được viên bi màu trắng tính xác suiất để viên bi đó nằm ở hộp 2
Giải
a) Gọi A là biến cố để viên bi lấy được cuối cùng là viên bi màu trắng
A1là biến cố lấy được 1 viên bi màu đỏ ở hộp 1 và 1 biên bi đỏ ở hộp 2
A2là biến cố lấy được 1 viên bi màu đỏ ở hộp 1 và 1 biên bi trắng ở hộp 2
Trang 5A3là biến cố lấy được 1 viên bi màu trắng ở hộp 1 và 1 biên bi đỏ ở hộp 2.
A4là biến cố lấy được 1 viên bi màu trắng ở hộp 1 và 1 biên bi trắng ở hộp 2 Với A1, A2, A3, A4 là hệ biến cố đầy đủ và A chỉ xảy ra khi hoặc A1 xảy ra hoặc A2 xảy
ra hoặc A3 xảy ra hoặc A4 xảy ra
1
C101 ⋅
C41
25 =0,12
1
C101 ⋅
C61
50 =0,18
1
C101 .
C41
25 =0,28
1
C101 .
C61
50 =0,42
1
2 =0,5
1
1
2 =1
Áp dụng công thức xác suất đầy đủ ta có:
¿0,12 ×0 +0,5× 0,18+0,28 ×0,5+0,42× 1=0,65
Vậy xác suất để viên bi cuối cùng là viên bi màu trắng là 0,65
b) Áp dụng công thức Bayes:
P(A i / A)=P(A i)× P ( A / A i)
Ta có:
0,18 × 0,5
0,65 = 9
P(A4/ A)=P(A4)× P ( A / A4)
0,42× 1
0,65 =42
Trang 6Vậy xác suất lấy được viên bi màu trắng cuối cùng là từ hộp thứ 2 là:
65 +42
65 =51
Bài 2: Cho 30 hộp đựng bút bi: trong đó 15 hộp loại I, trong mỗi hộp loại I đựng 9 bút
bi xanh, 10 bút bi đỏ; 10 hộp loại II, trong mỗi hộp loại II đựng 13 bút bi xanh, 15 bút
bi đỏ; 5 hộp loại III, trong mỗi hộp loại III có 6 bút bi xanh, 12 bút bi đỏ Lấy ngẫu nhiên ra một hộp rồi từ đó lấy ra 2 cái bút
a) Tìm xác suất để lấy được 1 bút bi xanh, 1 bút bi đỏ
b) Biết lấy được 1 bút bi xanh, 1 bút bi đỏ Tìm xác suất để lấy ra 2 cái bút đó là của 1 hộp loại II
Giải
Gọi A i là biến cố “lấy được hộp loại i” ¿
⇒ A1, A2, A3là biến cố đầy đủ
a) Gọi A là biến cố lấy được một bút bi xanh và một bút bi đỏ
1
2 P(A / A1)=C9
1
⋅C101
19
1
3 P(A / A2)=C15
1
⋅ C131
126
1
6
Áp dụng công thức xác suất đầy đủ ta có:
Vậy xác suất để lấy ra được 1 bút bi xanh và 1 bút bi đỏ là 0,5135
b) Gọi là biến cố để lấy được 2 bút bi lấy ra được đó của hộp loại 2:
Áp dụng công thức xác suất Bayes:
Trang 7Vậy xác suất để lấy được 1 chiếc bút bi xanh và 1 chiếc bút bi đỏ là từ hộp loại 2 là 0,3349
Bài 3: Tan giờ học buổi chiều một học sinh có 50% về nhà ngay, nhưng do giờ cao
điểm nên có 30% ngày bị tắc đường nên bị về nhà muộn (từ 30 phút trở lên) còn 30%
số ngày học sinh đó là cà quán ăn vặt lề đường, những ngày này xác suất về nhà muộn
là 80% Còn lại những ngày khác học đó đi chơi với bạn bè có xác suất về muộn là 90%
a Tính xác suất để trong một ngày nào đó học sinh không về muộn
b Hôm nay học sinh đó về muộn Tính xác suất để để học sinh đó la cà quán đồ ăn vặt
Giải:
a) Gọi A là biến cố học sinh đó đi học về muộn
A là biến cố học sinh đó đi học không về muộn
A1 là biến cố học sinh đó về nhà ngay
A2 là biến cố học sinh đó la cà quán ăn vặt lề đường
A3 là biến cố học sinh đó đi chơi với bạn bè
⇒ A1, A2, A3là biến cố đầy đủ
Ta có:
Theo công thức xác suất đầy đủ:
= 0,5 ×0,3 +0,3× 0,8+0,2 ×0,9=0,57
P(A)=1−0,57=0,43
Vậy xác suất để trong 1 ngày nào đó học sinh không về muộn là 0,43
Trang 8b) Theo công thức Bayes, xác suất để học sinh đó về muộn do la cà quán đồ ăn vặt là:
P ( A2/ A)= P(A2)× P ( A / A2)
0,3 ×0,8
0,52 =0,42
Bài 4: Tỷ lệ người dân nghiện các chất kích thích rượu, bia, thuốc lá là 60%, biết rằng
tỷ lệ người mắc các bệnh về tim mạch trong số người nghiện đó là 80%, còn tỷ lệ người bị các bệnh về tim mạch trong số người không nghiện đó là 20%
a Chọn ngẫu nhiên một người biết rằng người đó bị bệnh tim mạch Tìm xác suất để người đó nghiện các chất kích thích
b Nếu người đó không bị bệnh, tìm xác suất để người đó nghiện các chất kích thích
Giải
Gọi A là biến cố “người được chọn ra nghiện chất kích thích”
A1 là biến cố “người được chọn ra không nghiện chất kích thích”
A2 là biến cố “người được chọn ra bị mắc các bệnh tim mạch”
⇒ A1, A2 là hệ biến cố đầy đủ và A xảy ra khi hoặc A1 xảy ra hoặc A2 xảy ra
Theo công thức xác suất đầy đủ thì:
a) Xác suất chọn được người bị bệnh tim mạch do nghiện chất kích thích là:
Áp dụng công thức xác suất Bayes:
0,6 ×0,8
0,56 =0,86
b) Gọi A là biến cố “người được chọn ra không bị mắc các bệnh về tim mạch”
⇒ P(A)=1−P(A)=1−0,56=0,44
Xác suất để chọn ra người nghiện các chất kích thích biết rằng người đó không mắc các bệnh về tim mạch là:
Trang 9Áp dụng công thức xác suất Bayes:
0,6×(1−0,8)
0,44 =0,27
Bài 5: Một loại linh kiện do 3 nhà máy số I, số II, số III cùng sản xuất Tỷ lệ phế phẩm
của các nhà máy lần lượt là: I; 0,02; II: 0,05 và III: 0,03 Trong 1 lô linh kiện để lẫn lộn 90 sản phẩm của nhà máy số I, 100 của nhà máy số II và 130 của nhà máy số III a) Một khách hàng lấy ngẫu nhiên 1 linh kiện từ lô hàng đó Tính XS để được linh kiện tốt
b) Biết khách hàng lấy được một linh kiện loại tốt từ lô hàng đó Tính XS để được linh kiện đó thuộc nhà máy số II
Giải
a) Gọi A i là biến cố “lấy được hộp loại i” ¿
⇒ A1, A2, A3là biến cố đầy đủ
Gọi A là biến cố khách hàng lấy được 1 linh kiện tốt
Áp dụng công thức xác suất đầy đủ, ta có:
¿ C90
1
C3201 ×(1 −0,02)+C100
1
C3201 ×(1 −0,05)+C130
1
C3201 ×(1 −0,03)=3093
Vậy xác suất để linh kiện được lấy ra là linh kiện tốt là 0,966
b) Biết khách hàng lấy được một linh kiện loại tốt từ lô hàng đó XS để được linh kiện đó thuộc nhà máy số II là:
Áp dụng công thức xác suất Bayes:
P(A2A)=P(A1)× P(A A2)
C1001
C3201 ×(1−0,05)
3093≈ 0,3071
Trang 10C LỜI KẾT
Qua quá trình thực hành và nghiên cứu đề tài, nhóm chúng tôi đã nhận thấy nhiều lợi ích mà bộ môn “Lý thuyết xác suất - Thống kê toán” mang lại cho sinh viên chúng tôi không những trong thời điểm hiện tại mà còn sau này khi giải quyết những vấn đề trong cuộc sống Với quỹ thời gian giới hạn và quy mô thông tin nhỏ nhóm chúng tôi
có thể vẫn chưa thể hoàn thành tiểu luận một cách hoàn chỉnh nhất, vì vậy mong thầy
Trang 11và các bạn thông cảm! Nhóm chúng tôi mong nhận được sự nhận xét và đánh giá của thầy cho cuốn tiểu luận của chúng tôi hoàn chỉnh hơn
D TÀI LIỆU THAM KHẢO
1