贝叶斯公式推导

本文介绍了贝叶斯定理的基础概念及其应用,通过详细解释条件概率和全概率公式,帮助读者理解贝叶斯定理如何描述两个条件概率之间的关系。

贝叶斯定理用来描述两个条件概率之间的关系,比如 P(A|B) 和 P(B|A)。按照乘法法则:P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B),可以立刻导出。如上公式也可变形为:P(B|A) = P(A|B)*P(B) / P(A)。










通常,事件A在事件B(发生)的条件下的概率,与事件B在事件A的条件下的概率是不一样的;然而,这两者是有确定的关系,贝叶


斯法则就是这种关系的陈述


全概率公式
由于后面要用到,所以除了条件概率以外,这里还要推导全概率公式。

假定样本空间S,是两个事件A与A'的和。






贝叶斯公式推导基于条件概率公式。条件概率公式为:$P(A|B)=\frac{P(AB)}{P(B)}$,其中$P(AB)$为$A$和$B$同时发生的概率,且$P(AB)=P(A|B)\times P(B)=P(B|A)\times P(A)$ [^1]。 从$P(AB)=P(B|A)\times P(A)$和$P(A|B)=\frac{P(AB)}{P(B)}$出发,将$P(AB)=P(B|A)\times P(A)$代入$P(A|B)=\frac{P(AB)}{P(B)}$中,就可以得到贝叶斯公式$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$。 在更一般的情况下,若事件$B_1,B_2,\cdots$构成一个完备事件组,即它们两两互不相容,且$\sum_{i = 1}^{\infty}B_i=\Omega$(样本空间),对于任意事件$A$,由全概率公式$P(A)=\sum_{i = 1}^{n}P(B_i)P(A|B_i)$ 。此时贝叶斯公式为$P(B_j|A)=\frac{P(A|B_j)P(B_j)}{\sum_{i = 1}^{n}P(B_i)P(A|B_i)}$ 。 关于贝叶斯公式的讲解:在贝叶斯公式中,$P(B_i)(i = 1,2,\cdots)$表示各种原因发生的可能性大小,称为先验概率,它是在试验结果$A$未出现之前对各“原因”$B_i$发生概率的认识;$P(B_i|A)(i = 1,2,\cdots)$则反映当试验产生了结果$A$之后,再对各种原因概率的新认识,称为后验概率 [^2]。 例如,在疾病诊断中,设$A$表示“检测结果为阳性”,$B$表示“患有该疾病”。$P(B)$就是人群中患该疾病的先验概率,$P(A|B)$是已知患有该疾病时检测为阳性的概率,$P(B|A)$则是在检测结果为阳性的情况下,真正患有该疾病的概率(后验概率)。 ### 代码示例 以下是一个简单的Python代码示例,用于计算贝叶斯公式: ```python def bayes_theorem(p_b, p_a_given_b, p_a): return (p_a_given_b * p_b) / p_a # 示例数据 p_b = 0.1 # 先验概率 P(B) p_a_given_b = 0.9 # 条件概率 P(A|B) p_a = 0.2 # 概率 P(A) result = bayes_theorem(p_b, p_a_given_b, p_a) print("P(B|A) =", result) ```
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