先验概率与后验概率及贝叶斯公式

先验概率与后验概率

事情还没有发生,要求这件事情发生的可能性的大小,是先验概率.
事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小,是后验概率.

一、先验概率是指根据以往经验和分析得到的概率，如全概率公式，它往往作为“由因求果”问题中的“因”出现。后验概率是指在得到“结果”的信息后重新修正的概率，如贝叶斯公式中的，是“执果寻因”问题中的“因”。先验概率与后验概率有不可分割的联系，后验概率的计算要以先验概率为基础。

二、A prior probability is a marginal probability, interpreted as a description of what is known about a variable in the absence of some evidence. The posterior probability is then the conditional probability of the variable taking the evidence into account. The posterior probability is computed from the prior and the likelihood function via Bayes' theorem.

三、先验概率与后验概率通俗释义

事情有N种发生的可能，我们不能控制结果的发生，或者影响结果的机理是我们不知道或是太复杂超过我们的运算能力。新发一个物种，到底是猫,还是小老虎呢（朱道元的经典例子）？是由于我们的无知才不能确定判断。

先验概率 ( Prior probability)

先验概率是在缺乏某个事实的情况下描述一个变量；而后验概率是在考虑了一个事实之后的条件概率。先验概率通常是经验丰富的专家的纯主观的估计。比如在法国大选中女候选罗雅尔的支持率 p,在进行民意调查之前, 可以先验概率来表达这个不确定性。

后验概率 ( posterior probability)

Probability of outcomes of an experiment after it has been performed and a certain event has occured.

后验概率可以根据通过贝叶斯公式，用先验概率和似然函数计算出来。

四、一道经典概率题的终极解法——后验事实与先验概率的关系

经典题目：

有三个门，里面有一个里有汽车，如果选对了就可以得到这辆车，当应试者选定一个门之后，主持人打开了另外一个门，空的。问应试者要不要换一个选择。假设主持人知道车所在的那个门。

经典解法：

第一次选择正确的概率是1/3，因此汽车在另外两个门里的概率是2/3。主持人指出一个门，如果你开始选错了(2/3概率)，则剩下的那个门里100%有汽车；如果你第一次选对(1/3)了，剩下那个门里100%没汽车。
所以主持人提示之后，你不换的话正确概率是1/3*100%+2/3*0=1/3，你换的话正确概率是1/3*0+2/3*100%=2/3。

对于这个解法的诘问就在于，现在主持人已经打开一个空门了（而且主持人是有意打开这个门的），在这一“信息” 出现后，还能说当初选错的概率是2/3吗？这一后验事实不会改变我们对于先验概率的看法吗？答案是会的。更具体地说，主持人打开一扇门后，对当初选择错误的概率估计不一定等于2/3。

从头说起。假设我选了B门，假设主持人打开了C门，那么他在什么情况下会打开C门呢？
若A有车（先验概率P=1/3），那主持人100%打开C门（他显然不会打开B）；
若B有车（先验概率P=1/3），那此时主持人有A和C两个选择，假设他以K的概率打开C（一般K=1/2，但我们暂把它设成变量）；
若C有车（先验概率P=1/3），那主持人打开C的概率为0（只要他不傻。。。）

已知他打开了C，那根据贝叶斯公式——这里P（M|N）表示N事件发生时M事件发生的概率：

P（B有车|C打开）= P（C打开|B有车）* p（B有车）/ P（C打开）

P（C打开|B有车）* p（B有车）

= P（C打开|A有车）* p（A有车）+ P（C打开|B有车）* p（B有车）

K * 1/3

= 1 * 1/3 + K * 1/3

= -------

K + 1
该值何时等于1/3 呢（也就是经典解法里的假设）？只有 K=1/2 时。也就是一般情况下。但如果主持人有偏好，比方说他就是喜欢打开右边的门（假设C在右边），设K=3/4，那么B有车的概率就变成了 3/5，不再是1/3，后验事实改变了先验概率的估计！

但这并不改变正确的选择，我们仍然应该改选A门，解释如下：

P（A有车|C打开）= P（C打开|A有车）* p（A有车）/P（C打开）

P（C打开|A有车）* p（A有车）

= ------------------------------------------------------------

P（C打开|A有车）* p（A有车）+ P（C打开|B有车）* p（B有车）

= 1 * 1/3/1 * 1/3 + K * 1/3

=1/k+1

而K < 1（假设主持人没有极端到非C不选的程度），所以永远有 P(B有车|C打开) < P( A有车|C打开).A有车的概率永远比B大，我们还是应该改变选择。

先验概率与后验概率及贝叶斯公式相关推荐

【机器学习】先验概率、后验概率、贝叶斯公式、似然函数
一.先验概率.后验概率.贝叶斯公式. 似然函数在机器学习中,这些概念总会涉及到,但从来没有真正理解透彻他们之间的联系.下面打算好好从头捋一下这些概念,备忘. 1.先验概率先验概率仅仅依赖于主观上的 ...
先验概率、后验概率、贝叶斯公式_学习笔记
先验概率(prior probability): 先验概率是指根据以往经验和分析得到的概率,如全概率公式,它往往作为＂由因求果＂问题中的＂因＂出现的概率. 在贝叶斯统计推断中,不确定数量的先验概率分布 ...
朴素贝叶斯（Naive Bayes），联合概率，条件概率，先验概率，后验概率
目录联合概率: 条件概率(条件概率,又叫似然概率): 先验概率: 后验概率: 贝叶斯公式: 主要公式推导联合概率: 包含多个条件,且所有条件同时成立的概率 a 条件概率(条件概率,又叫似然概率): ...
全概率公式及贝叶斯公式---先验概率、后验概率
1. 全概率公式设实验EEE的样本空间为SSS,AAA为实验EEE的事件,B1B_1B1,B2B_2B2--BnB_nBn为样本空间S的划分(互斥),且P(Bi)>0P(B_i)> ...
机器学习——先验概率、后验概率、全概率公式、贝叶斯公式
一.先验概率 1.定义先验概率(prior probability)是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现的 ...
[转] 先验概率and后验概率
from: https://blog.csdn.net/yangang908/article/details/62215209 and : https://my.oschina.net/xiaoluo ...
先验概率，后验概率，最大似然估计，最大后验概率
先验概率和后验概率教科书上的解释总是太绕了.其实举个例子大家就明白这两个东西了. 假设我们出门堵车的可能因素有两个(就是假设而已,别当真):车辆太多和交通事故. 堵车的概率就是先验概率 . 那么如果 ...
先验概率与后验概率、贝叶斯区别与联系
本文假设大家都知道什么叫条件概率了(P(A|B)表示在B事件发生的情况下,A事件发生的概率). 先验概率和后验概率教科书上的解释总是太绕了.其实举个例子大家就明白这两个东西了. 假设我们出门堵车的可 ...
[转] 先验概率与后验概率贝叶斯与似然函数
from: https://blog.csdn.net/shenxiaoming77/article/details/77505549 先验概率和后验概率教科书上的解释总是太绕了.其实举个例子大家就 ...

先验概率与后验概率及贝叶斯公式

先验概率与后验概率及贝叶斯公式相关推荐

最新文章

热门文章