贝叶斯公式和全概率公式（自用）

1.贝叶斯公式和全概率公式

贝叶斯公式和全概率公式是概率论和统计学中的基本工具，它们在数据分析、机器学习、决策理论等许多领域都有广泛的应用。

全概率公式

全概率公式是一个计算复合事件概率的方法，尤其适用于情况可以分解为若干个互斥事件的时候。

设 ( B1, B2, ..., Bn ) 是样本空间的一个划分，即这些事件互斥且并集为全集（即 ( B1 cup B2 cup ... cup Bn = S )，并且 对于所有的  i 不等于 j(，Bi cap Bj = 空集 。那么，对于任意事件 A 的概率可以表示为：

P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) + ... + P(A|Bn)P(Bn) 

其中 P(A|Bi) 是在事件  Bi  发生的条件下，事件 A 发生的条件概率。

贝叶斯公式

贝叶斯公式是一种在已知某些条件下事件概率的情况下，计算在另一条件下事件概率的方法。它是条件概率的一个应用，允许我们通过已知的概率来更新我们对事件概率的估计。

贝叶斯公式可以表达为：

这里 \P(Bi|A) 是在事件 A  发生的条件下，事件  Bi  发生的条件概率， P(A|Bi) 是在事件  Bi  发生的条件下事件  A  发生的概率(P(Bi)  是 Bi  的边缘概率，而  P(A)  是事件  A  的边缘概率，它可以通过全概率公式计算得出。

为了完全了解这两个公式，你需要知道以下概念：

1. 条件概率：事件  A 在另一个事件 B  已经发生条件下发生的概率，记作  P(A|B) 。
2. 边缘概率：不考虑其他事件发生的条件，事件本身发生的概率。
3. 互斥和独立：互斥事件是指不能同时发生的事件，而独立事件是指一个事件的发生不影响另一个事件发生的概率。
4. 先验概率和后验概率：在贝叶斯公式中， P(Bi) 被视为先验概率，即在考虑证据 A之前事件  Bi 发生的概率；P(Bi|A) 是后验概率，即考虑了证据  A 后事件  Bi  发生的概率。

你会发现在下面的式子中需要用到上面全概率公式算出的P（A），通过这两个例子，你可以看到全概率公式如何用来计算总概率，而贝叶斯公式如何用来更新我们对于一个事件概率的知识，在给定一些新信息（证据）之后。

将所有已知概率代入上述方程，你就可以计算出 P(D∣A)。这将给你一个直观的了解，即在测试结果呈阳性的情况下，实际患病的概率是多少。这个概率通常会低于直觉所想，因为它考虑了假阳性的影响。