贝叶斯先验概率和后验概率

最新推荐文章于 2024-07-01 23:43:04 发布

jzdl

最新推荐文章于 2024-07-01 23:43:04 发布

阅读量1.7k

点赞数 1

分类专栏：计算机专业数学文章标签：概率论算法

本文链接：https://blog.csdn.net/zhuhuigege/article/details/104594430

版权

计算机专业数学专栏收录该内容

5 篇文章 0 订阅

订阅专栏

前言：

贝叶斯公式究竟是什么意思，在现实中的含义是什么，什么是先验概率，什么是后验概率？

问题：

如下图所示：在一个群体中，有20个人。感冒5人，流感6人，脑膜炎4人，脑瘫3人，正常2人。

以B为例，解释一下。B表示感冒，感冒人数是5人，其中2人头疼。

现在问题是：当一个人头疼，判断这个人是感冒的概率？

解答：

1：（ABCDEF都表示事件），A表示头疼，B是感冒，C表示流感，D表示脑膜炎，E表示脑瘫，F是正常

2：因此，我们的问题就是求解 ,由贝叶斯定理我们知道：

$P(B|A) = \tfrac{P(A,B)}{P(A)} = \tfrac{P(A|B)*P(B)}{P(A)}$

其中：表示在事件A发生的情况下，事件B发生的概率。

3：一个人头疼肯定是由上述5中情况导致的，因此由全概率公式，我们知道：

$\tiny P(A) = \sum_{i=1}^{n}P(A|M_{i})*P(A)$ 即：

$\tiny P(A)=P(A|B)*P(B)+P(A|C)*P(C)+P(A|D)*P(D)+P(A|E)*P(E)+P(A|F)*P(F)$

4：从上面的图可以统计出来 $\tiny P(A|B)$ ， $\tiny P(A|C)$ ， $\tiny P(A|D)$ ， $\tiny P(A|E)$ ， $\tiny P(A|F)$

以 $\tiny P(A|B)$ 为例，它表示在感冒时头疼的概率，共5人感冒，2人头疼，则 $\tiny P(A|B)=\frac{2}{5}$

$\tiny P(A|C)=\frac{4}{6}$ ， $\tiny P(A|D)=\frac{3}{4}$ ， $\tiny P(A|E)=\frac{1}{3}$ ， $\tiny P(A|F)=\frac{0}{2}$

$\tiny P(B)=\frac{5}{20}$ ， $\tiny P(C)=\frac{6}{20}$ ， $\tiny P(D)=\frac{4}{20}$ ， $\tiny P(E)=\frac{3}{20}$ ， $\tiny P(F)=\frac{2}{20}$

则 $P(A) = \frac{2}{5}*\frac{5}{20}+\frac{4}{6}*\frac{6}{20}+\frac{3}{4}*\frac{4}{20}+\frac{1}{3}*\frac{3}{20}+\frac{0}{2}*\frac{2}{20}=\frac{1}{2}$

其中，P(A)还有一个算法，就是用（总的头疼人数）除以（总的人数），同样也是0.5

5： $P(B|A) = \tfrac{P(A,B)}{P(A)} = \tfrac{P(A|B)*P(B)}{P(A)}=\frac{\frac{2}{5}*\frac{5}{20}}{\frac{1}{2}}=\frac{1}{5}$ ，因此我们知道当一个人头疼的时候，这个人感冒的概率是0.2

同样的方式计算 $P(C|A) = \frac{2}{5}$ ， $P(D|A) = \frac{3}{10}$ ， $P(E|A) = \frac{1}{10}$ ，

所以，当一个人头疼时，他感冒的概率是0.2，流感的概率是0.4，脑膜炎的概率是0.3，脑瘫的概率是0.1，正常的概率是 0，就是说只有这个人头疼，他就不可能是正常人，一定是患病的，这很好解释，因为正常人不会头疼。

总结：

通过这个例子可以发现，当我们要解答“一个人头疼，那么他感冒的概率是多少，即P（B|A）”这个问题的时候，可以转换成求解：

1：整个人群中头疼的概率P(A)；

2：这个人群中“如果一个人感冒，那么他头疼的概率P(A|B)”

3：这个人群中感冒的人的概率P(B)。

这个场景可以出现在医院，有一个人头疼，就问医生，他可能是感冒的可能性是多少。医生当然是根据他的医学知识来判断，可能感冒了，可能发烧了。但是如果一个普通人想解决这个问题，他就会收集上述3个方面的数据，我们发现，这3个数据都是很好统计的，这样就可以把一个专业性的问题变成一个统计性的问题。也就是将后验概率，变成先验概率。

后验概率就是说：在A发生的情况下，B发生的概率，先验概率就是一个统计的问题，这个人群中，20个人有5个感冒，就知道，感冒的概率是0.25。

当然有人会说你相当于把求解P(B|A)转成了求解P(A|B)，但是这个形式好像还是后验概率的形式，我的理解是，针对上述问题来说，P(A|B)好求，但是P(B|A)很难求。不信你试试看，P(A|B)就是在感冒的人群中，头疼的人的概率。我们只需要统计感冒人数和感冒人数中头疼的人数，很简单。