概率统计Python计算：贝叶斯公式

根据完备事件组$A_1,A_2,\dots ,A_n$的先验概率序列$P(A_1),P(A_2),\dots ,P(A_n)$，对事件$B$的似然度序列$P(B|A_1)，P(B|A_2)，\dots ，P(B|A_n)$，计算第$i$个因素$A_i$的后验概率$P(A_i|B)$，利用贝叶斯公式
$$P(A_i|B)=\frac{P(A_i)P(B|A_i)}{{\sum }_{i=1}^{n}P(A_i)P(B|A_i)}$$
可以先算得中间序列$P(A_1)P(B|A_1),P(A_2)P(B|A_2),\dots ,P(A_n)P(B|A_n)$，贝叶斯公式中的分母就是该序列的和（即全概率公式的计算结果），分子是该序列中的第$i$个元素。两者之商就是$P(A_i|B)$，即$A_i$的后验概率。实现这一算法的Python函数定义如下：

def bayes(prioProb, liklihood, i):  #计算第i个因素Ai相对B的后验概率
    temp=prioProb*liklihood         #因素先验概率与对B的似然率按元素相乘
    total=temp.sum()                #B的先验概率
    return temp[i-1]/total          #Ai相对于B的后验概率

第1~4行定义函数bayes。该函数有3个参数，prioProb和likelihood与计算全概率公式的函数totalProb（定义见博文《全概率公式》）的同名参数一样，表示完备事件组$A_1,A_2,\cdots ,A_n$中各事件的先验概率序列$P(A_1),P(A_2),\cdots ,P(A_n)$和对事件$B$的似然率序列$P(B|A_1),P(B|A_2),\cdots ,P(B|A_n)$。参数i表示所要计算的是第$i$个事件$A_i$相对于$B$的后验概率$P(A_i|B)$。第2行按元素将prioProb和likelihood相乘，得到序列$P(A_1)P(B|A_1),P(A_2)P(B|A_2),\cdots ,P(A_n)P(B|A_n)$，存于temp。第3行调用temp的求和函数sum按全概率公式计算$B$的先验概率$P(B)$，存于total。由于numpy的array类数组元素下标是从0开始起算的，故$P(A_i)P(B|A_i)$存储为temp[i-1]，第4行将其与total之商，即$P(A_i|B)=P(A_i)P(B|A_i)/P(B)$作为返回值返回。
例1 根据临床记录，某种诊断癌症的试验具有如下的效果：若以$A$表示事件“试验反应为阳性”，以$C$表示事件“被诊断者患有癌症”，则有$P(A|C)=19/20$，$P(\bar{A}|\overline{C})=19/20$。今对自然人群进行普查，设被试验的人患有癌症的概率$P(C)=1/200$，试求$P(C|A)$。
解：在本例中，一个人试验反应是阳性（事件$A$）无非是因为此人本身患有癌症（事件$C$，此时为确诊），或没有患癌症（$\overline{C}$，此时为误诊）。因此，完备事件组$C$和$\bar{C}$可视为是促成事件$A$发生的因素。 根据题设，$P(C)=1/200$，则$P(\overline{C})=199/200$。由$P(A|C)=P(\overline{A}|\overline{C})=19/20$，可得$P(A|\overline{C})=1-P(A|C)=1/20$。
$$P(A)=P(C)P(A|C)+P(\overline{C})P(A|\overline{C})=\frac{1}{200}\cdot \frac{19}{20}+\frac{199}{200}\cdot \frac{1}{20}=\frac{109}{2000}.$$
由于所求$P(C|A)$为后验概率，故运用贝叶斯公式计算
$$P(C|A)=\frac{P(C)P(A|C)}{P(C)P(A|C)+P(\overline{C})P(A|\overline{C})}=\frac{19}{218}.$$
下列代码验算此结果。

import numpy as np                  #导入numpy
from sympy import Rational as R     #导入Rational
prioProb=np.array([R(1,200),R(199,200)])
likelihood=np.array([R(19,20), R(1, 20)])
p=bayes(prioProb,likelihood, 1)
print('P(C|A)=%s'%p)

运行程序，输出

P(C|A)=19/218

写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。
返回《导引》