【数理统计】贝叶斯公式
要推导出贝叶斯公式,需要用到条件概率和全概率公式。
全概率公式
首先给出样本空间的概念,设
Ω
\Omega
Ω 为随机试验
E
E
E的样本空间,
A
1
,
A
2
,
.
.
.
,
A
n
A_1,A_2,...,A_n
A1,A2,...,An为随机事件,每个事件相互独立,即
A
i
A
j
=
∅
,
i
≠
j
A_iA_j=\empty,i\neq j
AiAj=∅,i=j,且
∪
i
=
1
n
A
i
=
Ω
\cup_{i=1}^nA_i=\Omega
∪i=1nAi=Ω。
对任一随机事件
B
B
B有:
P
(
B
)
=
∑
i
=
1
∞
P
(
A
i
)
P
(
B
∣
A
i
)
P(B)=\sum_{i=1}^\infty P(A_i)P(B|A_i)
P(B)=i=1∑∞P(Ai)P(B∣Ai)称为全概率公式。
条件概率
P ( A B ) = P ( B ∣ A ) P ( A ) ⇒ P ( B ∣ A ) = P ( A B ) P ( A ) P(AB)=P(B|A)P(A) \Rightarrow P(B|A)=\frac{P(AB)}{P(A)} P(AB)=P(B∣A)P(A)⇒P(B∣A)=P(A)P(AB)
贝叶斯公式
贝叶斯公式解决的是因果之间的“逆问题”,即假如知道各原因(事件 A i A_i Ai)发生的概率,现在观测到了一个结果(事件B),如何反推出导致事件B发生的各原因的概率,即求 P ( A i ∣ B ) P(A_i|B) P(Ai∣B),已知的是 P ( A i ) , P ( B ∣ A i ) P(A_i),P(B|A_i) P(Ai),P(B∣Ai)。
由条件概率和全概率公式,我们可以推出贝叶斯公式:
P
(
A
i
∣
B
)
=
P
(
A
i
B
)
P
(
B
)
=
P
(
B
∣
A
i
)
P
(
A
i
)
∑
i
=
1
∞
P
(
A
i
)
P
(
B
∣
A
i
)
P(A_i|B)=\frac{P(A_iB)}{P(B)}=\frac{P(B|A_i)P(A_i)}{\sum_{i=1}^\infty P(A_i)P(B|A_i)}
P(Ai∣B)=P(B)P(AiB)=∑i=1∞P(Ai)P(B∣Ai)P(B∣Ai)P(Ai)
通常, P ( A i ) P(A_i) P(Ai)称为先验概率, P ( A i ∣ B ) P(A_i|B) P(Ai∣B)称为后验概率,而 P ( B ∣ A i ) P(B|A_i) P(B∣Ai)则是通过试验数据得到。后验概率是我们要得到的结果,因为后验概率有助于我们分析事件发生的原因。