贝叶斯定理基础

贝叶斯公式理解
1、定义中的规范性
（1）由于A英文顺序在B之前，所以，意味着A事件发生在B事件之前。
（2）所谓的A1、A2、A3、-------构成的完备事件组，则意味着到目标B的所有的n条路径，如图所示

2、解释说明
需要注意的是先有A再有B
Step1：对应于A1所发生的概率为P(A1)，同理：P(A2)、P(A3)------P(An)
Step2：完成A1的条件下完成B，走到B的可能性就为P(B/A1)
Step3：而先走到A1顺着A1的路径走到B的概率就是P(A1)P(B/A1)
Step4：实现B的所有可能集合就是从A1、A2、A3、-------An全部走到B
P(B)=P(A1)P(B/A1)+P(A2)P(B/A2)+P(A3)P(B/A3)±------+P(An)P(B/An)
第二步：P(B)又叫全概率公式：表示所有路径可能的相加
第一步：就叫贝叶斯公式
3、贝叶斯概率（已知B求A的过程：后验规律）
根据上图，贝叶斯概率实际是已知到结果P(B)，也就是顺着某条路径Ai实现的可能性或者概率。以第一条路径为例，也就是已知B求顺着A1的可能性：p(A1/B)


故已知到B但是顺着第k条路径的概率：（贝叶斯公式）

也就是选择k路径得到正确的概率，准确度，可靠性是多少。
4、举例
（1）发报台分别以概率0.6和0.4发出信号“。”和“-”，由于通讯系统受到干扰，当发送信号为“。”时，接收端分别以概率0.8和0.2收到“。”和“-”;同样，发出“-”分别是以概率0.9和0.1收到“-”和“。”。如果接收到“。”，求它接收准确的概率。
解：理解接收准确的概率意思是接收“。”是因为发送“。”正确的概率。
假设到“。”为B，实现它的可能是发送端可能发送“。”记为：A1，也可以发送“-”实现，记为A2

故接收到准确性为


（2）两个一摸一样的碗，1号碗里30个巧克力和10个水果糖，2号碗里20个巧克力和20个水果糖。然后把碗盖住，随机选择一个碗，从里面取出一个巧克力，问这颗巧克力来自一号碗的概率是多少。
解：Step1:取一号碗还是2号碗，他们的概率等概率：0.5
目标是取出所有巧克力B,P(B)
Step2：从一号碗中拿出巧克力和2号碗拿出的巧克力
第一个碗的巧克力概率是3/4=0.75,第二个碗的巧克力概率是0.5

Step3：确认是一号碗出来的巧克力!

（3）每一个医学检测，都存在假阳性率和假阴性率。假阳性就是没病，但是检测的结果是有病，那么假阴性就是有病，但是检测结果显示正常啦。现在有种病的发病率是0.001，有一种试剂可以检测患者是否得病，准确率是0.99，他的误报率是5％，就是说被测者没有患病的情况下，他有5%的可能呈现阳性。现在有一个患者检测结果是阳性，请问，他确实得病的可能性有多大？
解：结果是阳性也就是B
出现B来自于A1:得病：0.001；A2没得病：0.99
得病报阳性：P（B/A1）=0.99，没得病报阳性：P(B/A2)=0.05
分析阳性是得病也就是P(A1/B)

5、分析步骤
Step1:分析你要得到的B是什么；
Step2:分析B来自的路径有哪些，概率是多少；
Step3:分每个路径下得到B的概率是多少，也就是计算条件概率；
Step4:计算全概率P（B）；
Step5:贝叶斯计算；

6、程序

"""
本程序是理解贝叶斯公式的初步计算
初步路径定义为:A1，A2---An
完备事件：P（A1）+P(A2）+----=1
终点目标是B
故已知到B但是顺着第k条路径的概率：（贝叶斯公式）
选择k路径得到正确的概率，准确度，可靠性是多少
"""
P_A1=0.001#完备事件组A1发生的概率
P_A2=0.99
def conditional_p(p_B_A1,p_B_A2):
    #p_B_A1是A1路径下得到B的条件概率
    #p_B_A2是A2路径下得到B的条件概率
    Path_A1_B=P_A1*p_B_A1#顺着A1得到B1的全概率
    Path_A2_B=P_A2*p_B_A2
    probability=Path_A1_B/(Path_A1_B+Path_A2_B)
    return  probability
print("准确率为",conditional_p(0.99,0.55))