浅谈贝叶斯定理

引言

贝叶斯定理用于确定事件的条件概率。它以一位英国统计学家的名字命名,托马斯·贝叶斯他在1763年发现了这个公式。贝叶斯定理是数学中一个非常重要的定理,它为一种独特的统计推断方法奠定了基础。贝氏推论它用于根据可能与事件相关的条件的先验知识,找出事件的概率。

概述

例如,如果我们想找出随机抽取的白色弹珠来自第一个袋子的概率,假设已经抽取了一个白色弹珠,并且有三个袋子,每个袋子里都有一些白色和黑色的弹珠,然后我们可以使用贝叶斯定理。
我们将探讨了贝叶斯定理,包括它的陈述,证明,推导,定理的公式,以及它的应用。

什么是贝叶斯定理

当事件B已经发生时,贝叶斯定理(也称为贝叶斯规则贝叶斯定律)用于确定事件A的条件概率。
贝叶斯定理的一般陈述是给定另一事件B的发生,事件A的条件概率等于给定A的B的事件与A的概率除以事件B的概率的乘积。即 P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B)=\frac{P(B|A)P(A)}{P(B)} P(AB)=P(B)P(BA)P(A)
说明:

  • P ( A ) P(A) P(A) P ( B ) P(B) P(B):事件A和B的概率, P ( B ) P(B) P(B)永远不会等于零。
  • P ( A ∣ B ) P(A|B) P(AB):当事件B发生时,事件A发生的概率
  • P ( B ∣ A ) P(B|A) P(BA):是当A发生时事件B的概率

贝叶斯定理陈述

n n n个事件集合的贝叶斯定理被定义为,

E 1 , E 2 , … , E n E_1,E_2,\dots,E_n E1,E2,,En是与样本空间S相关联的一组事件,其中所有事件 E 1 , E 2 , … , E n E_1,E_2,\dots,E_n E1,E2,,En具有非零发生概率。所有事件 E 1 , E 2 , … , E n E_1,E_2,\dots,E_n E1,E2,,En形成样本空间S
的分区。设A是空间S中的一个事件,我们必须找出它的概率,那么根据贝叶斯定理,
P ( E i ∣ A ) = P ( E i ) P ( A ∣ E i ) ∑ P ( E k ) P ( A ∣ E k ) P(E_i|A)=\frac{P(E_i)P(A|E_i)}{\sum P(E_k) P(A|E_k)} P(EiA)=P(Ek)P(AEk)P(Ei)P(AEi)

其中, k = 1 , 2 , 3 , … , n k=1,2,3,\dots,n k=1,2,3,,n

贝叶斯定理公式

对于任意两个事件A和B,则贝叶斯定理的公式为:(下面给出的图像给出了贝叶斯定理公式): P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B)=\frac{P(B|A)P(A)}{P(B)} P(AB)=P(B)P(BA)P(A)
说明:

  • P ( A ) P(A) P(A) P ( B ) P(B) P(B):事件A和B的概率, P ( B ) P(B) P(B)永远不会等于零。
  • P ( A ∣ B ) P(A|B) P(AB):当事件B发生时,事件A发生的概率
  • P ( B ∣ A ) P(B|A) P(BA):是当A发生时事件B的概率

贝叶斯定理有关术语

在详细学习了贝叶斯定理之后,让我们了解一些与我们在公式和推导中涉及的概念相关的重要术语。

  • 假设
    • 样本空间中发生的事件 E 1 , E 2 , … , E n E_1,E_2,\dots,E_n E1,E2,,En被称为假设。
  • 先验概率
    • 先验概率是在考虑任何新数据之前事件发生的初始概率。 P ( E i ) P(E_i) P(Ei)是假设E的先验概率我.
  • 后验概率
    • 后验概率是在考虑新信息之后事件的更新概率。概率 P ( E i ∣ A ) P(E_i|A) P(EiA)被认为是假设E的后验概率我.

条件概率

  • 基于另一事件B的发生的事件A的概率称为条件概率.
  • 它被表示为 P ( A ∣ B ) P(A|B) P(AB)并且表示当事件B已经发生时A的概率。

联合概率

  • 当测量两个以上事件同时发生的概率时,将其标记为联合概率。对于两个事件A和B,用联合概率表示为, P ( A ∩ B ) P(A\cap B) P(AB)

随机变量

  • 可能值由随机试验确定的实值变量称为随机变量。找到这些变量的概率就是实验概率。

贝叶斯定理应用

  • 贝叶斯推理在医学、科学、哲学、工程、体育、法律等领域都有重要的应用,而贝叶斯推理是由贝叶斯定理直接导出的。
  • 示例:贝叶斯定理通过考虑一个人患病的可能性以及测试的总体准确性来定义医学测试的准确性。

条件概率与贝叶斯定理的区别

条件概率和贝叶斯定理之间的区别可以通过下表来理解。

贝叶斯定理条件概率
贝叶斯定理是利用条件概率的定义推导出来的。用于求逆概率。条件概率是当事件B已经发生时,事件A发生的概率。
公式: P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A\mid B)=\frac{P(B\mid A)P(A)}{P(B)} P(AB)=P(B)P(BA)P(A)公式: P ( A ∣ B ) = P ( A ∩ B ) P ( B ) P(A\mid B)=\frac{P(A\cap B)}{P(B)} P(AB)=P(B)P(AB)

全概率定理

  • E 1 , E 2 , … , E n E_1,E_2,\dots,E_n E1,E2,,En是与随机实验相关的互斥和穷举事件,设 E E E是与某个 E i E_i Ei一起发生的事件。那就证明: P ( E ) = ∑ i = 1 n P ( E / E i ) ⋅ P ( E i ) P(E)=\sum_{i=1}^n P(E/E_i) \cdot P(E_i) P(E)=i=1nP(E/Ei)P(Ei)
  • 证明过程如下:
    • 假设 S S S为样本空间,然后 S = E 1 ∪ E 2 ∪ E 3 ∪ ⋯ ∪ E n S=E_1\cup E_2\cup E_3 \cup \dots \cup E_n S=E1E2E3En,并且 E i ∩ E j = ∅ ( i ≠ j ) E_i \cap E_j = \emptyset (i \neq j) EiEj=(i=j)
      { E = E ∩ S = E ∩ ( E 1 ∪ E 2 ∪ E 3 ∪ ⋯ ∪ E n ) = ( E ∩ E 1 ) ∪ ( E ∩ E 2 ) ∪ ( E ∩ E 3 ) ∪ ⋯ ∪ ( E ∩ E n ) P ( E ) = P ( E ∩ E 1 ) ∪ ( E ∩ E 2 ) ∪ ( E ∩ E 3 ) ∪ ⋯ ∪ ( E ∩ E n ) 注:两两不交,即两个集合中的任意两个元素都不相交。 = P ( E / E 1 ) ⋅ P ( E 1 ) + P ( E / E 2 ) ⋅ P ( E 2 ) + P ( E / E 3 ) ⋅ P ( E 3 ) + ⋯ + P ( E / E n ) ⋅ P ( E n ) = ∑ i = 1 n P ( E / E i ) ⋅ P ( E i ) 注:乘法定理 \begin{cases}\begin{aligned} E &= E \cap S \\ &= E\cap (E_1\cup E_2\cup E_3 \cup \dots \cup E_n)\\ &=(E\cap E_1) \cup (E\cap E_2) \cup (E\cap E_3) \cup \dots \cup (E\cap E_n)\\\\ P(E) &= P{(E\cap E_1) \cup (E\cap E_2) \cup (E\cap E_3) \cup \dots \cup (E\cap E_n)} \quad注:两两不交,即两个集合中的任意两个元素都不相交。 \\ &=P(E/E_1)\cdot P(E_1)+P(E/E_2)\cdot P(E_2)+P(E/E_3)\cdot P(E_3)+\dots+P(E/E_n)\cdot P(E_n)\\ &= \sum_{i=1}^n P(E/E_i)\cdot P(E_i) \quad注:乘法定理 \end{aligned}\end{cases} EP(E)=ES=E(E1E2E3En)=(EE1)(EE2)(EE3)(EEn)=P(EE1)(EE2)(EE3)(EEn)注:两两不交,即两个集合中的任意两个元素都不相交。=P(E/E1)P(E1)+P(E/E2)P(E2)+P(E/E3)P(E3)++P(E/En)P(En)=i=1nP(E/Ei)P(Ei)注:乘法定理

贝叶斯定理推导

贝叶斯定理的证明如下:根据条件概率公式, P ( E i ∣ A ) = P ( E i ∩ A ) P ( A ) P(E_i|A)=\frac{P(E_i\cap A)}{P(A)}\quad P(EiA)=P(A)P(EiA) (方程I)

然后,通过使用概率的乘法规则,我们得到: P ( E i ∩ A ) = P ( E i ) P ( A ∣ E i ) P(E_i \cap A)=P(E_i)P(A|E_i)\quad P(EiA)=P(Ei)P(AEi) (方程II)

根据全概率定理,得: P ( A ) = ∑ P ( E k ) P ( A ∣ E k ) P(A)=\sum P(E_k) P(A|E_k)\quad P(A)=P(Ek)P(AEk) (方程III)

代入 P ( E i ∩ A ) P(E_i \cap A) P(EiA) P ( A ) P(A) P(A)从方程(II)和方程(III)在方程(I)中我们得到: P ( E i ∣ A ) = P ( E i ) P ( A ∣ E i ) ∑ P ( E k ) P ( A ∣ E k ) P(E_i|A)=\frac{P(E_i)P(A|E_i)}{\sum P(E_k) P(A|E_k)} P(EiA)=P(Ek)P(AEk)P(Ei)P(AEi)

贝叶斯定理也被称为“原因”的概率公式。 我们知道, E i E_i Ei是样本空间S的一个分区,在任何给定时间, E i E_i Ei只发生一个事件。因此,我们得出结论,贝叶斯定理公式给出了特定 E i E_i Ei的概率,假设事件A已经发生。

结论

  • 贝叶斯定理提供了一个强大的框架,用于根据新的证据或信息更新假设的概率。通过整合先验知识并用观测数据对其进行更新,贝叶斯定理可以在广泛的领域(包括统计、机器学习、医学和金融)中做出更准确、更明智的决策。其应用范围从医疗诊断和风险评估到垃圾邮件过滤和自然语言处理。
  • 理解和应用贝叶斯定理使我们能够做出更好的预测,估计不确定性,并从数据中得出有意义的见解,最终增强我们在复杂和不确定的情况下做出明智决策的能力。

贝叶斯定理常见问题

  1. 什么是贝叶斯定理?
    贝叶斯定理,顾名思义,是一个数学定理,用来找出一个事件的条件性概率。条件概率是事件在未来发生的概率。它是根据事件的先前结果计算的。

  2. 什么时候使用贝叶斯定理?
    贝叶斯定理具有广泛的应用,特别是在处理基于新数据的更新概率的领域。贝叶斯规则允许您计算后验(或更新)概率。它用于计算事件的条件概率。

  3. 理解贝叶斯定理的一些关键术语是什么?
    一些关键术语是先验概率、后验概率、可能性、边际概率。
    先验概率: P ( A ) P(A) P(A)
    后验概率: P ( A ∣ B ) P(A\mid B) P(AB)
    可能性: P ( B ∣ A ) P(B\mid A) P(BA)
    边际概率: P ( B ) P(B) P(B)

  4. 什么时候使用贝叶斯定理?
    贝叶斯定理适用于当事件的条件概率给定时,用它来求事件的逆概率。

  5. 贝叶斯定理与条件概率有何不同?
    贝叶斯定理用于根据事件的先前条件来定义事件的概率。然而,贝叶斯定理使用条件概率来寻找事件的反向概率。

  6. 贝叶斯定理的公式是什么?
    下面解释贝叶斯定理公式,即 P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( A ) P(A\mid B)=\frac{P(B|A)P(A)}{P(A)} P(AB)=P(A)P(BA)P(A)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/38866.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C++基础(三):C++入门(二)

上一篇博客我们正式进入C的学习,这一篇博客我们继续学习C入门的基础内容,一定要学好入门阶段的内容,这是后续学习C的基础,方便我们后续更加容易的理解C。 目录 一、内联函数 1.0 产生的原因 1.1 概念 1.2 特性 1.3 面试题 …

用随机森林算法进行的一次故障预测

本案例将带大家使用一份开源的S.M.A.R.T.数据集和机器学习中的随机森林算法,来训练一个硬盘故障预测模型,并测试效果。 实验目标 掌握使用机器学习方法训练模型的基本流程;掌握使用pandas做数据分析的基本方法;掌握使用scikit-l…

三大常用集合

1.Set集合 在Java中,Set是一种集合类型,它是一种不允许包含重复元素的集合,每个元素在Set中是唯一的。Set接口的常用实现类有HashSet、TreeSet和LinkedHashSet。以下是关于Set集合的一些重要特点和用法: 特点: 不允…

什么是mysql的回表操作

MySQL中的“回表”操作是指在执行查询时,由于索引结构的限制,数据库系统需要从非聚集索引(Secondary Index)中找到主键值,然后使用这些主键值回溯到聚集索引(Clustered Index)中获取完整的行数据…

珠江电缆,承载您梦想的每一度电

在现代社会,电力无处不在,它不仅是经济发展的动力,更是每个人生活中不可或缺的能量来源。而在这个电力驱动的世界里,有一家企业默默地承载着千家万户的梦想,它就是珠江电缆。 连接梦想的每一度电 珠江电缆成立于2001…

使用Java实现单元测试:JUnit教程

使用Java实现单元测试:JUnit教程 大家好,我是微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿! 在软件开发中,单元测试是保证代码质量和功能正确性的重要手段之一。JUnit是Java语言中最流行…

绝区零国际服下载 一键下载绝区零国际服教程

绝区零是一款米哈游倾情打造的全新都市幻想动作角色扮演游戏。在游戏中,我们将扮演一名绳匠,这是为出于各种原因需要进入危险空洞的人提供指引的专业人士。您将与独特的角色一起踏上冒险之旅,携手探索空洞,对战强大敌人&#xff0…

【状态估计】线性高斯系统的状态估计——离散时间的递归滤波

前两篇文章介绍了离散时间的批量估计、离散时间的递归平滑,本文着重介绍离散时间的递归滤波。 前两篇位置:【状态估计】线性高斯系统的状态估计——离散时间的批量估计、【状态估计】线性高斯系统的状态估计——离散时间的递归平滑。 离散时间的递归滤波…

ollama将模型永远加载在显存里

问题解析 我们在使用ollma部署大语言模型的时候,如果部署的模型尺寸较大,往往在第一次加载的时候需要花费大量的时间加载模型;等加载完成后,如果长时间不调用模型,我们会发现模型已经被释放掉了,又要重新加载,导致体验感极差. 这是为什么呢?因为在没被调用时,ollama默认在显…

Steam夏促怎么注册 Steam夏促账号注册教程

随着夏日的炙热渐渐充斥着每一个角落,Steam平台也赶来添热闹,推出了一系列让人眼前一亮的夏季促销活动。如果你也是游戏爱好者,我们肯定不能错过这次的steam夏促。正直本次夏日促销有着很多的游戏迎来史低和新史低,有各种各样的游…

20240703在飞凌OK3588-C开发板上刷Rockchip原厂的Buildroot20220811

20240703在飞凌OK3588-C开发板上刷Rockchip原厂的Buildroot20220811 2024/7/3 18:25 详细的刷机LOG: [BEGIN] 2024/7/3 18:18:49 rootRK3588:/# DDR Version V1.07 20220412 LPDDR4X, 2112MHz channel[0] BW16 Col10 Bk8 CS0 Row16 CS1 Row16 CS2 Die BW16 Size204…

TP8/6 更改后台入口地址admin改为myadmin 隐藏真实后台网址

原来www.xxx.com/admin 改后www.xxx.com/myadmin config/app.php // 应用映射(自动多应用模式有效)app_map > [admintest>admin],

JavaScript 实用技巧(二)

JavaScript 实用技巧:提升你的编程效率 JavaScript 是一种广泛使用和极具表现力的编程语言。为了帮助你更高效地编写代码,本文将介绍一些实用的 JavaScript 技巧。掌握这些技巧将有助于提高你的编程速度和代码质量。 1. 交换变量的值 不需要使用临时变…

为何同一PDF文档用不同软件打印效果不同?

通过扫描仪生成的同一PDF文档,同样的设置,为什么别的电脑打出来是白底我的打出来有灰色格子背景?这种情况通常是由于PDF阅读软件的不同造成的差异。 ### 可能的原因和解决方法: 1. **PDF阅读软件的不同**: - **解决方…

Vue3轻松创建交互式仪表盘

本文由ScriptEcho平台提供技术支持 项目地址:传送门 基于 Plotly.js 的 Vue 仪表盘组件 应用场景介绍 仪表盘是一种交互式可视化工具,用于监控和分析关键指标。它广泛应用于各种行业,例如金融、医疗保健和制造业。 代码基本功能介绍 本…

FFmpeg 命令行 音视频格式转换

📚:FFmpeg 提供了丰富的命令行选项和功能,可以用来处理音视频文件、流媒体等,掌握命令行的使用,可以有效提高工作效率。 目录 一、视频转换和格式转换 🔵 将视频文件转换为另一种格式 🔵 指定…

12个惊艳的可视化大屏:解锁数据之美,洞见未来趋势

在数字化转型的浪潮中,可视化大屏以其独特的魅力和强大的功能,成为了企业展示数据、洞察趋势的重要窗口。我们将一同探索12个惊艳的可视化大屏案例,感受数据之美,洞见未来趋势。 可视化大屏,作为数据可视化的高级形态…

vue3绘制广东深圳地图使用echarts

<!-- 饼图 --> <template><el-card><template #header> 地级市分类图 </template><div :id"id" :class"className" :style"{ height, width }"></div></el-card> </template><script …

彻底学会Gradle插件版本和Gradle版本及对应关系

看完这篇&#xff0c;保你彻底学会Gradle插件版本和Gradle版本及对应关系&#xff0c;超详细超全的对应关系表 需要知道Gradle插件版本和Gradle版本的对应关系&#xff0c;其实就是需要知道Gradle插件版本对应所需的gradle最低版本&#xff0c;详细对应关系如下表格&#xff0…

Lua、AB包热更新总结

1.AB包热更新 &#xff08;1&#xff09;AB包是一种特定的压缩文件&#xff0c;可以放模型贴图音效等等 &#xff08;2&#xff09;Resources目录下打包时只读 无法修改&#xff1b;而AB包存储的位置是自定义的&#xff0c;能够动态更新&#xff0c;同时可以决定资源包初始的大…