1.1 条件概率
条件概率指在A事件发生的情况下,B事件发生的概率。“A事件发生的情况下”,代表A为样本空间,“B事件发生的概率”,代表 A ∩ B A\cap B A∩B为事件。
因此 P ( B ∣ A ) = P ( A ∩ B ) P ( A ) P(B|A)=\frac{P(A\cap B)}{P(A)} P(B∣A)=P(A)P(A∩B)
做一下公式变形 P ( A ∩ B ) = P ( B ∣ A ) P ( A ) P(A\cap B)=P(B|A)P(A) P(A∩B)=P(B∣A)P(A)
1.2 全概率
可见 P ( D ) = P ( D ∩ A ) + P ( D ∩ B ) + P ( D ∩ C ) P(D)=P(D\cap A) + P(D\cap B) + P(D\cap C) P(D)=P(D∩A)+P(D∩B)+P(D∩C)
由条件概率的公式也可以写成:
P ( D ) = P ( D ∣ A ) P ( A ) + P ( D ∣ B ) P ( B ) + P ( D ∣ C ) P ( A C ) P(D)=P(D|A)P(A) + P(D|B)P(B) + P(D|C)P(AC) P(D)=P(D∣A)P(A)+P(D∣B)P(B)+P(D∣C)P(AC)
P(D)就是事件D在全部样本空间S(由A,B,C构成)下发生的概率,称为全概率。
这个式子就是全概率公式。
1.3 贝叶斯定理
先发生A再发生D的事件:
计算事件在样本空间下的概率P(D|A)
那么,已知M发生在D中,则M发生在A中的概率为:
P ( A ∣ D ) = P ( A ∩ D ) P ( D ) = P ( A ) P ( D ∣ A ) P ( D ∣ A ) P ( A ) + P ( D ∣ B ) P ( B ) + P ( D ∣ C ) P ( A C ) P(A|D)=\frac{P(A\cap D)}{P(D)} =\frac{P(A) P(D|A)}{P(D|A)P(A) + P(D|B)P(B) + P(D|C)P(AC)} P(A∣D)=P(D)P(A∩D)=P(D∣A)P(A)+P(D∣B)P(B)+P(D∣C)P(AC)P(A)P(D∣A)
这就是贝叶斯公式
1.3 贝叶斯公式的理解
把上面式子等号右侧拆成两部分来看,则贝叶斯公式的形式为:
P ( A ∣ D ) P(A|D) P(A