先验概率和后验概率

先验概率（Prior Probability）

定义
先验概率是指在没有考虑额外证据或观测数据之前，对事件或假设的初步估计。它基于已有的知识、经验或统计数据得出。

数学表示
若 C 表示某一事件或类别，先验概率用 P(C) 表示。

特点

• 它是事前概率，不依赖于观测数据。
• 反映的是对事件可能性的初始认识。
• 先验概率通常基于历史数据或主观判断。

举例

• 如果一家公司有 70% 的员工为男性，30% 为女性，则在没有其他信息的情况下，某随机选取的员工为男性的先验概率为 0.7。

---

后验概率（Posterior Probability）

定义
后验概率是指在给定额外证据或观测数据后，对事件或假设可能性的更新估计。它通过贝叶斯定理计算得到，将先验知识与观测数据结合。

数学表示
若 C 表示事件或类别，X 表示观测数据，则后验概率为 P(C∣X) 。

贝叶斯定理的公式为：

特点

• 它是事后概率，反映了考虑额外证据后的修正认识。
• 后验概率综合了先验概率和观测数据的作用。
• 是基于统计推断的重要工具，用于更新对事件的相信程度。

举例

• 如果上述公司中 80% 的男性员工戴眼镜，而你观察到某员工戴了眼镜，这就是额外证据。此时，可以用贝叶斯定理重新计算这个员工为男性的后验概率。

---

先验概率与后验概率的关系

1. 起点和修正：

   • 先验概率是初始估计。
   • 后验概率通过观测数据对先验概率进行更新。

2. 贝叶斯定理的核心思想：
   后验概率 P(C∣X) 是先验概率 P(C) 和似然 P(X∣C) 的组合。

3. 示意图：

   先验概率+证据→后验概率

---

简单应用场景

问题：
一台机器有 10% 的概率发生故障（先验概率），但如果传感器检测到异常信号，机器发生故障的可能性变为 90%（后验概率）。

分析：

• 初始认为机器发生故障的可能性为 10%（先验）。
• 传感器的异常信号是新证据。
• 更新后的 90% 概率（后验）说明新证据显著提高了对故障的相信程度。