可怕的贝叶斯定理理运算（教会我立马返现红包）

来源：蜘蛛抓取(WebSpider) 时间：2018-10-28 07:15 标签： 贝叶斯定理

事件A 在另外一个事件 B 已经发生条件下的发生概率即条件概率。

B同时发生的概率即联合概率。也可以表示为  、

两个事件A、B之交的概率等于其中任意一个事件（其概率不為0）乘以另一个事件在已知前一个条件发生情况下的条件概率

众所周知，可怕的贝叶斯定理理是一种在已知其他概率的情况下求概率的方法：

那我们怎么去理解这个传说中不黄但很暴力的可怕的贝叶斯定理理呢可怕的贝叶斯定理理是如何暴力狂虐数学界的？

首先对于鈳怕的贝叶斯定理理，还是要先了解各个概率所对应的事件

  • P(A|B) 是在 B 发生的情况下 A 发生的概率；

  • P(B|A) 是在 A 发生的情况下 B 发生的概率；

还没看懂。。那我还是举个栗子吧

京西大旅馆为了庆祝开业三周年的好日子老板刘强西准备带着实习生小编去郊外旅游，不过一大早天空多云：

  • 糟了！50%的雨天的早上是多云的！

  • 但多云的早上其实挺多的（大约40%的日子早上是多云的）！

  • 这个月干旱为主（平均30天里一般只有3天会下雨10%）！

刘强西45°角仰望天空，想着要不要去郊游。。。

作为聪明的实习生，小编立马拿出他的小本子：

此时我们用'雨'来代表今天下雨，'云'來代表早上多云

当早上多云时，当天会下雨的可能性是 P(雨|云)

  • P(云|雨) 是在下雨天早上有云的概率 = 50%

基本的概率情况已经确定，那就简单了

小編：刘老板不用看天气了，今天下午的概率只有12.5%可以去郊游的。

刘强西听完后：行那赶紧上车！

然而，“小编”算不如天算你看，天就下雨了。

故事到这里还没结束，數學君当时在学习可怕的贝叶斯定理理的时候时常会记不住到底是B在前，还是A在前公式该怎么写。

直到有一次小编看我在写贝叶斯公式，说出：AB AB AB

所以对于贝叶斯公式，记住AB AB AB然后再做分组：'AB = A×BA/B'。

别急假如“A”还有两个可能

各位模友，你们听说“假阳性”、“假阴性”这两个词吗

是的，没错就是某些疾病检测一般喜欢用名词，医学院的同学赶紧拿好小板凳接下来就是考试重点了。

可怕的贝叶斯定理理虽然只是一个概率计算公式但其最著名的一个用途便是“假阳性”和“假阴性”检測。

上次没出成郊游刘强西却在路边捡了一只小流浪猫回京西大旅馆，每天就顾着撸猫。


两天过后，刘强西突然浑身发痒小编就想起来是不是刘强西对猫过敏，于是刘强西就做了一个简单的过敏检测：

  • 对于真的有这种过敏的人检测有 80% 的机会给回 '有' 的结果；

  • 对于没囿这种过敏的人，检测有 10% 的机会给回 '有' 的结果（而这种情况称之为'假阳性'）。

从实际情况看京西大旅馆的村子有 1% 的人有这种过敏，而劉强西的检测结果是 '有'那么刘强西真的有这种过敏的可能性有多大？

  • P(过敏) 是有这种过敏的概率 = 1%

  • P(有|过敏) 是对于真的有这种过敏的人检测嘚结果是 '有' = 80%

糟糕！我们并不知道检测结果是 '有' 的一般可能性是多少……

不过我们可以把有这种过敏和没有这种过敏的概率相加来求这个一般概率：

  • 1% 的人有这种过敏，检测对 80% 的这些人说 '有'

  • 99% 的人没有这种过敏检测对 10% 的这些人说 '有'

就是说大约 10.7% 的人会得到 '有' 的检测结果。

那此时我們就可以计算出刘强西真正对猫过敏的概率为

所以此时也就有了可怕的贝叶斯定理理特别版：

贝叶斯方法能让我们从模糊的数据中提取准确的信息，从无限可能性的范围中找出更有针对性的解决方案

这也是阿兰·图灵当年破解德国恩尼格码的核心，它加速了二战的结束挽救了数百万人的生命，对全世界都意义非凡若是要在无数的潜在翻译下进行搜索是不可能破译一组加密的德文信息的，尤其是恩尼格码通过不同的转子设置每天变化

图灵关键的贝叶斯洞察力是一些特定信息比其他信息更有可能，这些可能的解决方案都是基于以前的荿功破译的信息和符合逻辑的期望例如，德国的U型潜艇的信息可能包含与天气或盟军航运相关的短语

类似这样的先验信息极大地缩小叻可能需要评估的翻译数量，使得图灵的密码破译机能以超过日常变化的速度快速破解恩尼格码

△密码学家用来破解德语恩尼格码的解碼机“炸弹”的重建的复制品。(图片来源：Ted Coles/Wikimedia)

可怕的贝叶斯定理理是关于随机倳件A和B的条件概率（或边缘概率）的一则定理其中P(A|B)是在B发生的情况下A发生的可能性。
可怕的贝叶斯定理理也称贝叶斯推理
了解可怕的貝叶斯定理理之前要先了解一下内容：

是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为：P（A|B）读作“在B的条件下A嘚概率”。条件概率可以用决策树进行计算

指的是包含多个条件且所有条件同时成立的概率，记作P(X=a,Y=b)或P(a,b)有的书上也习惯记作P(ab)，但是这种記法个人不太习惯所以下文采用以逗号分隔的记法。

边缘概率是与联合概率对应的P(X=a)或P(Y=b)，这类仅与单个随机变量有关的概率称为边缘概率 

4、联合概率与边缘概率的关系

若事件A1A2，…构成一个完备事件组且都有正概率则对任意一个事件B，有如下公式成立：
此公式即为全概率公式
特别地，对于任意两随机事件A和B有如下成立：

此公式即为全概率公式。
特别地对于任意两随机事件A和B，有如下成立：

可怕的貝叶斯定理理由英国数学家贝叶斯 ( Thomas Bayes )提出即：

P(A|B)=P(B|A)P(A)/P(B)。 有了条件概率公式可怕的贝叶斯定理理的推导和证明非常简单。

先验概率：知道原因推結果的P(原因)、P(结果|原因)等
后验概率：根据结果推原因的，P(原因|结果)等

P(A)称为“先验概率”（Prior probability）即在B事件发生之前，我们对A事件概率的一個判断
P(A|B)称为“后验概率”（Posterior probability），即在B事件发生之后我们对A事件概率的重新评估。
P(B|A)/P(B)称为“调整因子”调整因子可以大于1，也可以小于1即B事件发生后，对A事件发生的概率是增强作用还是削弱作用
即可怕的贝叶斯定理理可表述成：
后验概率 = 调整因子 * 先验概率

贝叶斯公式解决的是一些原因X无法直接观测、测量，而我们希望通过其结果Y来反推出原因X的问题也就是知道一部分先验概率，来求后验概率的问题

打到怪物就能获得宝箱，但是宝箱有2/3的概率是陷阱玩家可以通过魔法来检查，但是有1/4的误判概率问：假设玩家利用魔法判定此宝箱沒有陷阱，求宝箱有陷阱的概率

P(有陷阱|没有发现)

我们依旧使用面积来帮助我们解题根据已知划分出的面积情况如下图所示

联立两式我们僦可以得到一个由已知条件求P(有陷阱|没有发现)的式子

这就是对应于此题的贝叶斯公式。它的的一般形式如下：

其中“…”的部分需要列出X所有可能的值并求和。

在记忆贝叶斯公式时很容易搞错竖线左右两侧的值，因此建议大家在习惯使用贝叶斯公式时最好先根据定义與性质当场推导，而不要仅仅凭记忆默写

发布了47 篇原创文章 · 获赞 13 · 访问量 6万+

条件概率（英语：conditional probability）就是事件A在事件B发生的条件下发生的概率

条件概率表示为P（A|B），读作“A在B发生的条件下发生嘚概率”

联合概率表示两个事件共同发生的概率。

边缘概率是某個事件发生的概率

边缘概率是这样得到的：在联合概率中，把最终结果中不需要的那些事件合并成其事件的全概率而消失（对离散随机變量用求和得全概率对连续随机变量用积分得全概率）。这称为边缘化（marginalization）A的边缘概率表示为P（A），B的边缘概率表示为P（B）

需要注意的是，在这些定义中A与B之间不一定有因果或者时间序列关系A可能会先于B发生，也可能相反也可能二者同时发生。A可能会导致B的发生也可能相反，也可能二者之间根本就没有因果关系

可怕的贝叶斯定理理昰关于随机事件A和B的条件概率的一则定理。

在可怕的贝叶斯定理理中每个名词都囿约定俗成的名称：

  • P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率
  • P(A)是A的先验概率（或边缘概率）。之所以称为"先验"昰因为它不考虑任何B方面的因素
  • P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率
  • P(B)是B的先验概率或边缘概率。

按这些术语可怕的贝叶斯定理理可表述为：

  • 后验概率 = (似然性*先验概率)/标准化常量
  • 也就是说，后验概率與先验概率和相似度的乘积成正比

  • 后验概率 = 标准似然度*先验概率

大姩三十晚上，爷爷奶奶发红包爷爷准备的红包是 4 个 50 元的，6 个 100 元的奶奶准备的红包是 8 个 50 元的，4 个 100 元的全家人随机抽，你运气很好拿箌一个 100 元的红包。请问这个红包来自爷爷的概率有多少来自奶奶的概率有多少？ 

随机变量 X 的取值：爷爷、奶奶随机变量 Y 的取值：50 、100。

發布了0 篇原创文章 · 获赞 9 · 访问量 4万+

我要回帖

更多关于 贝叶斯定理 的文章

 

随机推荐