UVa 11181 Probability|Given (DFS&贝叶斯公式)

本文解析了一个具体的概率计算问题,通过示例详细说明了如何计算在特定条件下某事件发生的概率,并提供了一段C++代码实现这一计算过程。

11181 - Probability|Given

Time limit: 3.000 seconds 

http://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&category=115&page=show_problem&problem=2122


思路:


拿样例一的“三选二”为例:

分母怎么求?P=买*买*不买+买*不买*买+不买*买*买=0.092,这是三个人中恰有两个人买东西的概率。

分子怎么求?P(1号买了)=买*买*不买+买*不买*买=0.038,所以在有2个人买了东西的情况下1号买了东西的概率是0.038/0.092≈0.413403

但这样有重复计算,所以我们不妨在枚举组合(计算分母)时顺带把对应的分子也算出来,详见代码。


完整代码:

/*0.076s*/

#include<cstdio>
#include<cstring>
const int N = 25;

int n;
double p[N], ans[N];

double dfs(int cnt, int r, double pi)
{
	if (cnt == n) return r ? 0.0 : pi;///r没选完就是0,选完就返回pi
	double sum = 0.0;
	if (r)
	{
		sum += dfs(cnt + 1, r - 1, pi * p[cnt]);///选这个人
		ans[cnt] += sum;///分子
	}
	sum += dfs(cnt + 1, r, pi * (1 - p[cnt]));///不选这个人
	return sum;
}

int main()
{
	int cas = 0, r, i;
	double P;
	while (scanf("%d%d", &n, &r), n)
	{
		for (i = 0; i < n; ++i) scanf("%lf", &p[i]);
		memset(ans, 0, sizeof(ans));
		printf("Case %d:\n", ++cas);
		P = dfs(0, r, 1.0);///分母
		for (i = 0; i < n; ++i)
			printf("%.6f\n", ans[i] / P);
	}
	return 0;
}

### 贝叶斯公式实际应用解析 贝叶斯公式是一种用于更新概率估计的强大工具,在医学诊断、机器学习等领域有广泛应用。以下是基于提供的引用内容以及扩展的知识,对几个典型问题的解答。 #### 1. 初始计算感染X病的概率为何不准确? 张某初始认为自己感染X病的概率是99%。然而,这种判断可能忽略了其他因素的影响,比如疾病的普遍发病率、检测手段的准确性等。仅凭主观猜测得出高概率并不科学[^3]。因此,需要通过更精确的数据来重新评估这一概率。 #### 2. 血液检查后的感染概率 假设血液测试呈阳性,我们需要利用贝叶斯公式重新估算张某感染的可能性。设事件A表示张某确实患病;B代表血液测试结果为阳性,则: \[ P(A|B) = \frac{P(B|A)\cdot P(A)}{P(B)} \] 其中, - \( P(A)=0.99 \) 是张某最初的疾病预估概率; - 假定血液测试对于真正患者的敏感度\( P(B|A)=0.95 \),即当一个人真的生病时,该测试呈现阳性的几率为95%; - 阳性率\( P(B) \) 可由全概率法则得到: \[ P(B) = P(B|A)\cdot P(A)+P(B|\neg A)\cdot (1-P(A))\] 代入具体数值并完成运算可获得新的后验概率【此处省略中间复杂推导】: 最终结果显示,经过血液筛查之后,张某的实际患病可能性有所调整。 ```python def bayesian_update(prior, sensitivity, specificity): """ 计算后验概率 参数: prior -- 先前概率 sensitivity -- 测试灵敏度(真阳性率) specificity -- 特异性(真阴性率) 返回值: posterior_probability -- 后验概率 """ prob_positive_given_healthy = 1 - specificity numerator = sensitivity * prior denominator = numerator + ((1-prior)*prob_positive_given_healthy) return numerator / denominator prior_prob = 0.99 sensitivity = 0.95 specificity = 0.97 posterior_after_blood_test = bayesian_update(prior_prob, sensitivity, specificity) print(f"Posterior probability after blood test: {posterior_after_blood_test:.4f}") ``` 运行上述代码可以验证理论计算的结果。 #### 3. 结合尿检后的进一步修正 继续引入另一个独立证据——尿样化验报告也为阳性的情况下再次运用贝叶斯方法进行迭代更新。此时以上述步骤所得的新概率作为当前先验条件重复执行相同操作即可获取更加接近真实情况下的结论。 #### 4. 家族史影响下综合考量 考虑到家族遗传背景使得张某患此症候群的基础风险降低至千分之一水平的前提下,同样遵循前述逻辑框架逐步演进直至达成最终判定标准为止。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值