通俗易懂贝叶斯公式

大白话AI | 图像生成模型DDPM | 扩散模型 | 生成模型 | 概率扩散去噪生成模型_哔哩哔哩_bilibili

1 题目

如下情景：小明坐公家车回家概率是20%，坐地铁的概率是80%，在公交车站旁抓到娃娃的概率是80%，而在地铁里面抓到的概率是30%，请问小明抓到娃娃的情况下坐地铁和公交回家的概率各是多少。

2 解析题目

定义坐公交事件、坐地铁事件和抓到娃娃事件分别为X, Y，W。则抓到娃娃的前提下，坐公交和地铁的概率分别是多少，即是求P(X|W）和P(Y|W)?

如下画一个边长为1的正方形，它的面积表示小明回家的所有可能即100%，其中坐公交回家的概率P(X)=0.2，坐地铁的概率P(Y)=0.8，小明坐公交的前提下抓到娃娃的概率P(W|X)=0.8; 坐地铁的前提下抓到娃娃的概率P(W|Y)=0.3。

条件概率 P(W∣X)：

这是给定事件 X 已经发生的情况下，事件 W 发生的概率，即黄色矩形高度0.8。

P(W∣X) 告诉我们小明在已经选择了公交的前提下，有多大的可能性会抓到娃娃。

联合概率 P(W∣X)⋅P(X)或 P(W∩X)：

联合概率是两个事件同时发生的概率：即事件 X 发生，并且在此基础上事件 W 也发生了，即黄色区域面积0.8*0.2。

在此例子中，这是指小明既选择了公交车又抓到了娃娃的概率。这个值不仅考虑了小明选择公交后抓到娃娃的可能性P(W∣X），还考虑了小明选择坐公交车这一行为本身的概率P(X)。因此，它是两个概率的乘积。

抓到娃娃的概率P(W)：

P(W)是黄色和青色的面积之和。 抓到娃娃的概率等于：

指小明既选择了公交车又抓到了娃娃的概率P(W∣X)⋅P(X)；

加上小明既选择了地铁又抓到了娃娃的概率P(W∣Y)⋅P(Y)。

P(W) = P(W∣X)⋅P(X) + P(W∣Y)⋅P(Y)

3 求P(X|W)和P(Y|W)

其中抓到娃娃的概率是P(W)，即图中黄色加青色面积之和，而小明既选择了公交车又抓到了娃娃的联合概率P(W∣X)⋅P(X)，即黄色区域面积。两个面积的比值就是P(X|W)，也叫做贝叶斯公式，如下所示。

4 贝叶斯公式

A和B是两个随机事件，P(A)和P(B)分别表示这两个随机事件发生的概率。

P(B|A)表示A发生的情况下B事件发生的概率；P(A|B)表示B发生的情况下A事件发生的概率；

在刚才的例子中，假设P(A)表示小明坐公交的概率，P(B)表示抓到娃娃的概率。

（1）先验概率：在观察到事件B之前，假设事件A成立的概率，所以P(A)称为“先验概率”；

（2）后验概率：P(A|B)同样表示小明坐公交的概率，但是是在抓到娃娃事件发生后，坐公交的概率，所以称为“后验概率”；

（3）证据：P(A|B)称为后验概率，是因为发生了事件B，所以事件B也称为“证据”；

（4）似然：P(B|A)表示在坐公交事件A发生的前提下，抓到娃娃事件B“似乎”很有可能发生，所以称为“似然”。似然不是指概率，而是指一种相对度量，用于比较不同假设对同一组观测数据的解释能力。当我们改变假设A时，我们可以计算不同的P(B∣A)值，以确定哪一个假设最能解释我们观察到的数据B。因此，似然函数可以看作是关于假设坐公交事件A的函数，其中观测B抓到娃娃事件是固定的、确定的。