Keywords
- Bayes Rule(贝叶斯公式)
- Total Probability Theorem(全概率公式)
- Prior Probability(先验概率)
- Posterior Probability(后验概率)
举个例子
如图,这是一个简单两步式的模型。
现在我们需要完成事件
B,那么可以有n种不同的路
A1,A2,A3,...,An选择:
如果我们选择
A1这条路,那么:
- 第一步:选择
A1的概率就是
P(A1)
- 第二步:就是在
A1发生的条件下事件B发生的概率
P(B∣A1)
由此,我们就可以求出,由第一条路径
A1完成事件
B的概率为
P(A1)⋅P(B∣A1)
类似的,第二条,第三条,…,第n条路径完成事件
B的概率也是一样做法。
所以我们就可以得到完成事件B的概率,即所有路径的概率相加:
P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+...+P(An)P(B∣An)=i=1∑nP(Ai)P(B∣Ai)
而这个公式就是我们的全概率公式!
P(B)、P(Ai)(i=1,2,...,n)是一个先验概率。
现在,如果我们已经完成了事件B,我们想知道是通过路径
Ai完成事件B的概率,即:
P(Ai∣B)=P(B)P(Ai)P(B∣Ai)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+...+P(An)P(B∣An)P(Ai)P(B∣Ai)
而这个公式就是我们的贝叶斯公式!
P(Ai∣B)是一个后验概率。
“如果我们把事件
B看作’结果’,把诸事件
B1,B2,...看作导致这个结果的可能的’原因’,则可以形象地把全概率公式看作成为’由原因推结果’;而贝叶斯公式恰好相反,其作用于’由结果推原因’:现在有一个’结果
B’已发生,在众多可能的’原因’中,到底是哪一个导致了这结果。”
Prior & Posterior Probability(先验概率&后验概率)
先验概率
先验概率是指根据以往经验和分析得到的概率,通俗来讲就算是根据统计和规律得出的概率。
事件发生前的预判概率。可以是基于历史数据的统计,可以由背景常识得出,也可以是人的主观观点给出。
一般都是单独事件概率,如
P(x),
P(y)
后验概率
后验概率是指在得到“结果”的信息后重新修正的概率。
通俗来讲就是事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小。
先验概率和后验概率的关系
- 先验概率的计算比较简单,没有使用贝叶斯公式;而后验概率的计算,要使用贝叶斯公式。
- 后验概率的计算要以先验概率为基础。后验概率可以通过贝叶斯公式,用先验概率和似然函数计算出来
全概率公式
若事件
A1,A2,...,构成一个完备事件组并且都有正概率,则对任何一个事件B,有
P(B)=i∑P(Ai)P(B∣Ai)
证:
A1,A2,...两两互斥,故
A1B,A2B,...两两互斥
且
B=BΩ=B(∑iP(Ai))=∑iP(Ai)B
由加法法则$P(B) =\sum_{i}P(A_iB) $
再由乘法法则
P(AiB)=P(Ai)P(B∣Ai)
故
P(B)=∑iP(Ai)P(B∣Ai)
贝叶斯公式
若事件
A1,A2,...,构成一个完备事件组并且都有正概率,则对任何一个概率不为0的事件B,有
P(Ai∣B)=∑iP(Ai)P(B∣Ai)P(Ai)P(B∣Ai)
证:
P(Ai∣B)=P(B)P(AiB)=∑iP(Ai)P(B∣Ai)P(Ai)P(B∣Ai)
结论
全概率:各原因下条件概率已知
→求事件发生的概率
贝叶斯:求是某种原因造成的概率
←事件已发生
“概率论只不过是把常识用数学公式表达了出来”——拉普拉斯
文章就到这里,还请大家帮忙勘误!
(如果文章对您有帮助,希望得到您的点赞或评论!谢谢~)