关于概率的一些事(对于贝叶斯公式的一些初级理解）

关于概率的一些事(对于贝叶斯公式的一些初级理解）

条件概率公式：
P(A|B)=P(AB)/P(B)- - -$1$
当A,B事件相互独立时，有P(AB)=P(A)*P(B)

P(B|A)=P(AB)/P(A)- - -$2$

联立$1$,$2$式，可得
P(A|B)=P(A)*P(B|A)/P(B)- - -$3$
$3$式也叫贝叶斯公式。
其中P(A)也叫先验概率(Prior probability)，即在不知道B事件发生前，对A事件的一个主观评估的概率；
P(A|B)也叫后验概率(Posterior probability)，即在发生B事件后，对A事件概率的重新评估；
P(B|A)/P(B)也叫可能性函数(Likelyhood)，可以认为是对P(A)得一个调整因子，如果可能性函数的值>1，则"先验概率"被增强。

有
P(A)=P(A|B₁)*P(B₁)+P(A|B₂)*P(B₂)+…+P(A|B_n)*P(B_n)- - -$4$
$4$式也叫全概率公式。可以这样理解：如果B₁,B₂…B_n事件构成全部的样本空间，那么事件A的概率等于事件B₁,B₂,…,B_n的概率分别乘上A对B₁,B₂,…,B_n的条件概率之和。画个图就明白了。
P(A∩B₁)=P(AB₁)=P(A|B₁)*P(B₁)
P(A∩B₂)=P(AB₂)=P(A|B₂)*P(B₂)
.
.
P(A∩B_n)=P(AB_n)=P(A|B_n)*P(B_n)

P(A)=P(A∩E)=P(A∩B₁)+P(A∩B₂)+…+P(A∩B_n)=P(A|B₁)*P(B₁)+P(A|B₂)*P(B₂)+…+P(A|B_n)*P(B_n) 其中E为全集

这样就可以用全概率公式去计算贝叶斯公式里的P(B)。
P(A|B)
=P(A)*P(B|A)/P(B)
=P(A)*P(B|A)/(P(B|A₁)*P(A₁)+P(B|A₂)*P(A₂)+…+P(B|A_n)*P(A_n))