贝叶斯定理解析

最新推荐文章于 2024-08-26 22:59:20 发布

end

最新推荐文章于 2024-08-26 22:59:20 发布

阅读量2.7k

点赞数 3

分类专栏：统计

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/endlu/article/details/73920399

版权

本文介绍了条件概率和全概率的概念，通过韦恩图进行直观展示。接着，详细讲解了贝叶斯定理及其在疾病检测中的应用，指出在医院给出阳性检测结果时，实际患病概率远低于99%。通过计算，说明即使两次检测结果为阳性，患病概率也仅提升到约0.01%，强调了复检的重要性。

摘要由CSDN通过智能技术生成

贝叶斯定理是统计学中非常重要的一个定理，以贝叶斯定理为基础的统计学派在统计学世界里占据着重要的地位，和概率学派从事件的随机性出发不同，贝叶斯统计学更多地是从观察者的角度出发，事件的随机性不过是观察者掌握信息不完备所造成的，观察者所掌握的信息多寡将影响观察者对于事件的认知。

条件概率和全概率

在介绍贝叶斯定理之前，先简单地介绍一下条件概率，描述的是事件 A 在另一个事件 B 已经发生条件下的概率，记作 P(A|B) ， A 和 B 可能是相互独立的两个事件，也可能不是：

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

$P(A\cap B)$ 表示 A，B 事件同时发生的概率，如果 A 和 B 是相互独立的两个事件，那么：

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

上面的推导过程反过来证明了如果 A 和 B 是相互独立的事件，那么事件 A 发生的概率与 B 无关。

稍微做一下改变：

$P(A\cap B)=P(A|B)\times P(B)$

考虑到先验条件 B 的多种可能性，这里引入全概率公式：

最低0.47元/天解锁文章

关注

3
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。