概率统计笔记：贝叶斯推断 Bayesian Inference

最新推荐文章于 2022-11-26 16:21:17 发布

UQI-LIUWJ

最新推荐文章于 2022-11-26 16:21:17 发布

阅读量960

点赞数

分类专栏：数学知识整理文章标签：概率论

本文链接：https://blog.csdn.net/qq_40206371/article/details/120967112

版权

数学知识整理专栏收录该内容

47 篇文章 24 订阅

订阅专栏

本文深入探讨了贝叶斯定理和全概率公式，解释了如何使用这些概念进行条件概率计算。贝叶斯推断通过结合先验概率和可能性函数来更新后验概率，从而更准确地估计事件的可能性。当可能性函数大于1时，先验概率增加；等于1时，保持不变；小于1则减少。这一方法在数据分析和统计推理中具有广泛应用。

摘要由CSDN通过智能技术生成

1 贝叶斯定理和全概率公式（复习）

贝叶斯定理（条件概率的计算公式）： $P(A|B)=\frac{P(B|A)P(A)}{P(B)}$

全概率公式：如果A和A'构成了样本空间的一个划分，那么事件B的概率为：

$P(B)=P(B|A)P(A)+P(B|A')P(A')$

全概率公式下条件概率的另一种写法： $P(A|B)=\frac{P(B|A)P(A)}{P(B|A)P(A)+P(B|A')P(A')}$

2 贝叶斯推断

        对条件概率公式进行变形，可以得到如下形式：

                         $P(A|B)=P(A)\frac{P(B|A)}{P(B)}$

P(A)——先验概率（prior probability）【事件B发生之前，事件A概率的一个判断】

P(A|B)——后验概率（posterior probability）【事件B发生后，对事件A概率的一个重新判断】

         $\frac{P(B|A)}{P(B)}$ ——可能性函数（likelihood）【似然，调整因子，使得估计概率更接近真实概率】

所以条件概率可以表示为：

后验概率=先验概率 × 调整因子

这就是贝叶斯推断的含义。我们先预估一个"先验概率"，然后加入实验结果，看这个实验到底是增强还是削弱了"先验概率"，由此得到更接近事实的"后验概率"。

如果"可能性函数" $\frac{P(B|A)}{P(B)}$ 大于1，意味着"先验概率"被增强，事件A的发生的可能性变大

如果"可能性函数" $\frac{P(B|A)}{P(B)}$ 等于1，意味着B事件无助于判断事件A的可能性

如果"可能性函数" $\frac{P(B|A)}{P(B)}$ 小于1，意味着"先验概率"被削弱，事件A的可能性变小

参考资料：浅谈贝叶斯推断 - 加拿大小哥哥 - 博客园 (cnblogs.com)

UQI-LIUWJ

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
打赏
0
评论
概率统计笔记：贝叶斯推断 Bayesian Inference

1 贝叶斯定理和全概率公式（复习）贝叶斯定理（条件概率的计算公式）：全概率公式：如果A和A'构成了样本空间的一个划分，那么事件B的概率为：全概率公式下条件概率的另一种写法：2 贝叶斯推断对条件概率公式进行变形，可以得到如下形式： P(A)——先验概率（prior probability）【事件B发生之前，事件A概率的一个判断】 P(A|B)——后验概率（...
复制链接

扫一扫