这是贝叶斯概率的典型应用场景，核心是已知观测结果，反向推断该结果源于不同前置因素的概率。处理这类问题时，首先明确先验概率，也就是各前置因素的初始发生概率，类似本题中各厂家的供货占比；再确定似然概率，即每个前置因素引发观测结果的概率，本题里是各厂的次品率，可由1减去合格率得出。后续可借助全概率公式算出观测结果的总发生概率，再通过贝叶斯公式，将先验概率与似然概率结合，计算出每个前置因素对应的后验概率，也就是已知结果时该前置因素成立的概率，对比后验概率的大小就能找到概率最高的因素。贝叶斯概率的应用场景十分广泛，除了工业质量溯源，还可用于医疗领域中依据症状推断病因概率、金融风控中结合风险事件反推对应风险因素概率等，其本质是依托先验信息，结合观测到的结果，动态更新对事件成因的概率判断。