统计学——条件概率和贝叶斯概率

1. 条件概率

条件概率：一般记作$P(A|B)$，意思是当B事件发生时，A事件发生的概率。
计算公式：
$$P(A|B)=\frac{P(A\cap B)}{P(B)}$$

例子

	男性	女性	总计
升职	288	36	324
未升职	672	204	876
总计	960	240	1000

A1：男性； A2：女性
B1：升职； B2：未升职

计算各个概率：

• P(A1)=男性人数/总人数=960/1200=0.8
• P(A2)=女性人数/总人数=240/1200=0.2
• P(B1)=升职人数/总人数=324/1200=0.27
• P(B2)=未升职人数/总人数=876/1200=0.73
• P(B1∩A1)=男性升职人数/总人数=288/1200=0.24
• P(B​1∩A2)=女性升职人数/总人数=36/1200=0.03

计算男女性的升职概率：

男性升职的概率P(B1|A1) = $\frac{P(B1\cap A1)}{P(A1)}=\frac{0.24}{0.8}=0.3$

女性升职的概率P(B1|A2) = $\frac{P(B1\cap A2)}{P(A2)}=\frac{0.3}{0.2}=0.15$

2.全概率

全概率：当某一事件的概率难以求得时，可转化为在一系列条件下发生概率的和。
计算公式：
$$P(A)=\sum _{i=1}^{n}P(B_i\cap A)=\sum _{i=1}^{n}P(B_i)P(A|B_i)$$

3. 贝叶斯公式

贝叶斯公式：已经结果找原因。
由条件概率公式：
$$P(A\cap B)=P(A|B)P(B)=P(B|A)P(A)$$ 可推导出贝叶斯公式： $$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$由全概率公式可得：
$$P(A|B)=\frac{P(B|A)P(A)}{{\sum }_{i=1}^{n}P(A_i)P(B|A_i)}$$

案例1：

所有来吃饭的所有客人中，会有10%的人喝酒 —— P(B)，
所有客人中，会有20%的人驾车前来—— P(A)，
开车来的客人中，会有5%喝酒 —— P(B|A)。
那么请问，在这个饭店喝过酒的人里，仍然会开车的比例—— P(A|B)是多少?

解：$P(A|B)=\frac{P(B|A)P(A)}{P(B)}=\frac{0.05\times 0.2}{0.1}=0.1$

案例2：

某 AI 公司招聘工程师，来了8名应聘者，这8个人里，有5个人是985院校毕业的，另外3 人不是。面试官拿出一道算法题准备考察他们。根据以前的面试经验， 面试官知道:985毕业生做对这道题的概率是80%，非985毕业 生做对率只有30%。 现在，面试管从8个人里随手指了一个——小甲，让 TA 出 来做题。结果小甲做对了， 那么请问，小甲是985院校毕业的概率是多大?

解：
A1事件：985毕业；$P(A1)$ = 0.625
A2事件：不是985毕业；$P(A2)$=0.375
B事件：是否做对题；
985毕业的条件下做对题的概率：$P(B|A1)$= 0.8
不是985毕业的条件下做对题的概率：$P(B|A2)$ = 0.3
$$\begin{gathered} P(A1|B)=\frac{P(B|A1)P(A1)}{P(B)}=\frac{P(B|A1)P(A1)}{P(B|A1)P(A1)+P(B|A2)P(A2)} \\ =\frac{0.625\ast 0.8}{0.625\ast 0.8+0.375\ast 0.3}=0.816 \end{gathered}$$

案例3：

已知每10 万人中有1 人得艾滋病。现在有一种检查，如果被测者患病则一定能查出来。如果被测者没病，有1%的测试出错也显示阳性。现在一个人检查结果是阳性，问真正得病的概率是 多少？

解：
A1事件：得艾滋病的概率；$P(A1)=10^{-5}$
A2事件：没有得艾滋病的概率：$P(A2)=1-10^{-5}$
B事件：监测为阳性；
没病监测出阳性的概率：$P(B|A2)=0.01$
有病监测出阳性的概率：$P(B|A1)=1$
$$P(A1|B)=\frac{P(B|A1)P(A1)}{P(B)}=\frac{1\ast 10^{-5}}{10^{-5}+0.01\ast (1-10^{-5})}=\frac{1}{999.99+1}=0.001$$