先验概率、后验概率和似然函数的区别和联系

本文深入浅出地解析了概率论中的三个核心概念——先验概率、条件概率和后验概率,阐述了它们之间的联系与区别,并通过实例帮助理解。同时,文章详细解释了贝叶斯公式及其应用,为读者提供了全面的概率论知识框架。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、先验概率

先验概率,既是知因寻果,根据以往经验和分析得到的概率。可以将其看作“统计概率”。假设早晨你开车去上班,风和日丽,根据你平时上班的经历,路上堵车的概率很小。这个就是先验概率。

2、条件概率

比如在你临出门之前,新闻突然播报在你必经的那个十字路口发生了车祸,根据这一新得到的信息,你推测路上堵车的概率很大,你需要赶紧出发or更换路线,这就是条件概率。即基于新的信息,修正原来的先验概率后所获得的更接近实际情况的概率。

3. 后验概率

后验概率,既是知果寻因,是指依据得到"结果"信息计算出的最有可能是那种事件发生。可以将其看作“条件概率”。假设可能引起我们出门堵车的可能因素有两个(就是假设而已,别当真):车辆太多和交通事故。某一天,我们想往常一样出了门,然后遇到了堵车,那么我们想算一下堵车时由 交通事故 引起的概率有多大,那这个就叫做后验概率 (也是条件概率,但是通常习惯这么说)。也就是P(交通事故|堵车)。这是有果求因。

4. 联系与区别

从原因到结果的论证称为“先验的”,而从结果到原因的论证称为“后验的”。先验概率就是通常说的概率,后验概率是一种条件概率,但条件概率不一定是后验概率。后验概率可以根据通过贝叶斯公式,用先验概率和似然函数计算出来。
后验概率: p ( θ ∣ X ) p(\theta|X) p(θX)
先验概率: p ( θ ) p(\theta) p(θ)
似然函数: p ( X ∣ θ ) p(X|\theta) p(Xθ)
贝叶斯公式: p ( θ ∣ X ) = p ( X ∣ θ ) p ( θ ) p ( X ) p(\theta|X)=\frac{p(X|\theta)p(\theta)}{p(X)} p(θX)=p(X)p(Xθ)p(θ)

由于 p ( θ ∣ X ) p(\theta|X) p(θX)是与 θ \theta θ无关的常量,因此有 p ( θ ∣ X ) p(\theta|X) p(θX)正比于 p ( X ∣ θ ) p ( θ ) p(X|\theta)p(\theta) p(Xθ)p(θ) 。所以后验概率正比于先验与似然的乘积。似然函数 p ( X ∣ θ ) p(X|\theta) p(Xθ)是参数 θ \theta θ的似然。

或者换一种说法,上面的贝叶斯公式对应于 p o s t e r i o r = l i k e h o o d ∗ p r i o r e v i d e n c e posterior=\frac{likehood*prior}{evidence} posterior=evidencelikehoodprior

  • posterior:通过样本x得到参数 θ \theta θ的概率,也就是后验概率;
  • linkhood:通过参数 θ \theta θ得到样本X 的概率,似然函数,通常就是我们的数据集的表现;
  • piror:参数 θ \theta θ的先验概率,一般是根据人的先验知识来得出的。比如人们倾向于认为破硬币实验会符合先验分布:beta分布。当我们选择beta分布的参数
    α = β = 0.5 \alpha=\beta=0.5 α=β=0.5
    时,代表人们认为抛硬币得到正反面的概率都是0.5.
  • evidence: p ( X ) = ∫ p ( X ∣ θ ) p ( θ ) d θ p(X) = \int p(X|\theta)p(\theta)d\theta p(X)=p(Xθ)p(θ)dθ
    上式代表样本X发生的概率,是各种 θ \theta θ条件下发生的概率的积分(如果是离散就是求和)。

参考文献

[1] 先验概率、后验概率、似然估计,似然函数、贝叶斯公式
[2] 极大似然估计、最大后验估计和贝叶斯估计

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