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)>0P(Bi)>0, i∈N∗i\in N^*i∈N∗,则:
P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+...P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...
解析:P(A∣B1)P(A|B_1)P(A∣B1)即事件A发生且落在样本空间B1B_1B1中的概率。因为P(A)=P(A∩S)P(A)=P(A\cap S)P(A)=P(A∩S),P(A∩S)=P(A∩B1)+P(A∩B2)+...=P(AB1)+P(AB2)+...P(A\cap S)=P(A\cap B_1)+P(A\cap B_2)+...=P(AB_1)+P(AB_2)+...P(A∩S)=P(A∩B1)+P(A∩B2)+...=P(AB1)+P(AB2)+....
其中,P(AB1)=P(A∣B1)P(B1)P(AB_1)=P(A|B_1)P(B_1)P(AB1)=P(A∣B1)P(B1),落在B1B_1B1空间的概率乘以A在B1B_1B1上发生的概率,其余类推。
例1 据美国的一份资料报导,在美国来说患肺癌的概率约为0.1%,在人群中有20%是吸烟者,他们患肺癌的率约为0.4%,求不吸者患肺癌的概率是多少?
解:
全概率空间为患肺癌EEE和不患肺癌E‾\overline{E}E之和,吸烟和患肺癌分别设为事件A、C。
CCC为患肺癌,C‾\overline{C}C为不患肺癌,P(C)=0.001,P(A)=0.2P(C)=0.001,P(A)=0.2P(C)=0.001,P(A)=0.2
吸烟者中0.4%患癌:P(C∣A)=0.004P(C|A)=0.004P(C∣A)=0.004,P(A‾)=0.8P(\overline{A})=0.8P(A)=0.8
P(C)=P(C∣A)P(A)+P(C∣A‾)P(A‾)P(C)=P(C|A)P(A)+P(C|\overline{A})P(\overline{A})P(C)=P(C∣A)P(A)+P(C∣A)P(A)
0.001=0.004∗0.2+P(C∣A‾)P(A‾)0.001=0.004*0.2+P(C|\overline{A})P(\overline{A})0.001=0.004∗0.2+P(C∣A)P(A)
P(C∣A‾)P(A‾)=0.0002P(C|\overline{A})P(\overline{A})=0.0002P(C∣A)P(A)=0.0002
P(C∣A‾)=0.00025P(C|\overline{A})=0.00025P(C∣A)=0.00025(不吸者患肺癌的概率)
2.贝叶斯公式
设实验E的样本空间为S,A为E的事件,B1B_1B1,B2B_2B2……BnB_nBn为样本空间S的划分(互斥),且P(A)>0,P(Bi)>0P(A)>0, P(B_i)>0P(A)>0,P(Bi)>0, i∈N∗i\in N^*i∈N∗,则:
P(Bi∣A)=P(A∣Bi)P(Bi)∑j=1nP(A∣Bj)P(Bj)P(B_i|A)=\frac{P(A|B_i)P(B_i)}{\displaystyle \sum^{n}_{j=1}P(A|B_j)P(B_j)}P(Bi∣A)=j=1∑nP(A∣Bj)P(Bj)P(A∣Bi)P(Bi)
解析:P(Bi∣A)=P(ABi)P(A)P(B_i|A)=\frac{P(AB_i)}{P(A)}P(Bi∣A)=P(A)P(ABi),
分子:P(ABi)=P(A∣Bi)P(Bi)P(AB_i)=P(A|B_i)P(B_i)P(ABi)=P(A∣Bi)P(Bi),P(Bi∣A)P(B_i|A)P(Bi∣A)即A发生在BiB_iBi空间内的概率。
分母:P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+...P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...,即全概率公式展开。
例2 对以往数据分析结果表明,当机器调整得良好时,产品的合格率为98%,而当机器发生某种故障时,其合格率为55%。每天早上机器开动时,机器调整良好的概率为95%,试求已知某日早上第一件产品是合格品时,机器调整良好的概率是多少?
解:
设“产品合格”为A,“机器良好”为B
当机器调整得良好时,产品的合格率为98%:P(A∣B)=0.98P(A|B)=0.98P(A∣B)=0.98
当机器发生某种故障时,其合格率为55%:P(A∣B‾)=0.55P(A|\overline{B})=0.55P(A∣B)=0.55
机器调整良好的概率为95%:P(B)=0.95P(B)=0.95P(B)=0.95
产品是合格品时,机器调整良好的概率:P(B∣A)P(B|A)P(B∣A)
由贝叶斯公式得:
分母为A的全概率:
P(A∣B)P(B)+P(A∣B‾)P(B‾)=0.98×0.95+0.55×0.05=0.9585P(A|B)P(B)+P(A|\overline{B})P(\overline{B})=0.98\times 0.95+0.55\times0.05=0.9585P(A∣B)P(B)+P(A∣B)P(B)=0.98×0.95+0.55×0.05=0.9585
分子为AB同时发生的概率:P(AB)=P(A∣B)P(B)=0.98×0.95=0.931P(AB)=P(A|B)P(B)=0.98\times0.95=0.931P(AB)=P(A∣B)P(B)=0.98×0.95=0.931
P(B∣A)=0.9310.9585=0.9713P(B|A)=\frac{0.931}{0.9585}=0.9713P(B∣A)=0.95850.931=0.9713
关于先验概率和后验概率
例2中,每天早上机器开动时,机器调整良好的概率为95%,因为是在没有进行概率计算前就得到了,可以作为概率计算条件,所以叫先验概率(prior probability)。
在得到这个先验概率后,通过计算再反映出先验概率反映的情况的概率是后验概率(posterior probability)。
先验概率反映了历史的信息,后验概率由于是通过先验概率进行计算后推出当前的信息,所以反映的是当下的信息。
关于空事件、平凡事件
空事件(empty event)即不会发生的事件,记作∅\emptyset∅,P(∅)=0P(\emptyset)=0P(∅)=0;
平凡事件(trivial event)即所有可能发生的事件,记作Ω\OmegaΩ,P(Ω)=1P(\Omega)=1P(Ω)=1。
条件概率公式及链式法则
条件概率公式:在AAA给定的条件下,BBB发生的概率为:
P(B∣A)=P(A∩B)P(A)=P(A,B)P(A)P(B|A)=\frac{P(A\cap B)}{P(A)}=\frac{P(A,B)}{P(A)}P(B∣A)=P(A)P(A∩B)=P(A)P(A,B)
链式法则:
有上面的条件概率公式变形得到,两个事件AAA、BBB同时发生的概率为:
P(A∩B)=P(A,B)=P(A∣B)×P(B)P(A\cap B)=P(A,B)=P(A|B)\times P(B)P(A∩B)=P(A,B)=P(A∣B)×P(B)
若有三个事件AAA、BBB、CCC,它们同时发生的概率为:
P(A∩B∩C)=P(A,B,C)=P(A∣B,C)×P(B,C)=P(A∣B,C)×P(B∣C)×P(C)P(A\cap B\cap C)=P(A,B,C)=P(A|B,C)\times P(B,C)=P(A|B,C)\times P(B|C)\times P(C)P(A∩B∩C)=P(A,B,C)=P(A∣B,C)×P(B,C)=P(A∣B,C)×P(B∣C)×P(C)
推广到nnn个事件:
P(α1,α2,…,αn)=P(α1)P(α2∣α1)…P(αk∣α1∩⋯∩αn−1)=P(α1∣α2,α3,…,αn)P(α2∣α3,α4,…,αn)…P(αn−1∣αn)P(αn)P(\alpha_1,\alpha_2,\dots ,\alpha_n)=P(\alpha_1)P(\alpha_2|\alpha_1)\dots P(\alpha_k|\alpha_1\cap \dots\cap\alpha_{n-1})=P(\alpha_1|\alpha_2,\alpha_3,\dots,\alpha_n)P(\alpha_2|\alpha_3,\alpha_4,\dots,\alpha_n)\dots P(\alpha_{n-1}|\alpha_n)P(\alpha_n)P(α1,α2,…,αn)=P(α1)P(α2∣α1)…P(αk∣α1∩⋯∩αn−1)=P(α1∣α2,α3,…,αn)P(α2∣α3,α4,…,αn)…P(αn−1∣αn)P(αn)
即可以把几个事件组合的概率表示为关于第一个、最后一个或者任意制定一个事件的概率。
贝叶斯规则:
P(A∣B)=P(B∣A)P(A)P(B)P(A|B)=\frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)
贝叶斯规则使得能用逆的条件概率P(A∣B)P(A|B)P(A∣B)求出P(B∣A)P(B|A)P(B∣A)
例3:如果学生聪明(smart)的概率为0.3,学生成绩优秀(gradeA)的概率为0.2,学生聪明的条件下成绩优秀的概率为P(gradeA∣smart)=0.6P(gradeA|smart)=0.6P(gradeA∣smart)=0.6,求学生成绩优秀的条件下聪明的概率。
解:
由贝叶斯公式得:
P(smart)=0.3P(smart)=0.3P(smart)=0.3
P(gradeA)=0.2P(gradeA)=0.2P(gradeA)=0.2
P(smart∣gradeA)=P(gradeA∣smart)P(smart)P(gradeA)=0.6×0.30.2=0.9P(smart|gradeA)=\frac{P(gradeA|smart)P(smart)}{P(gradeA)}=\frac{0.6\times 0.3}{0.2}=0.9P(smart∣gradeA)=P(gradeA)P(gradeA∣smart)P(smart)=0.20.6×0.3=0.9
其中P(smart)=0.3P(smart)=0.3P(smart)=0.3和P(gradeA)=0.2P(gradeA)=0.2P(gradeA)=0.2为先验概率,P(smart∣gradeA)P(smart|gradeA)P(smart∣gradeA)和P(gradeA∣smart)P(gradeA|smart)P(gradeA∣smart)为后验概率。
全概率公式及贝叶斯公式---先验概率、后验概率相关推荐
- 贝叶斯公式的理解(先验概率/后验概率)
原文:贝叶斯公式的直观理解(先验概率/后验概率) 前言 以前在许学习贝叶斯方法的时候一直不得要领,什么先验概率,什么后验概率,完全是跟想象脱节的东西,今天在听喜马拉雅的音频的时候突然领悟到,贝叶斯老人 ...
- 贝叶斯公式的直观理解(先验概率/后验概率)(未完)
贝叶斯公式的直观理解(先验概率/后验概率) 博客转载自:https://www.cnblogs.com/yemanxiaozu/p/7680761.html
- 先验概率,后验概率,条件概率,贝叶斯
from: https://blog.csdn.net/yangang908/article/details/62215209 and : https://my.oschina.net/xiaoluo ...
- 条件概率、全概率公式和贝叶斯公式
1. 条件概率 我么可以看到 P(B|A) ≠ P(B) P(B|A) 叫做A发生的条件下B发生的概率,所以以这个就叫做条件概率 这里一定要把可列可加性看懂... 对上面这个推导做一下解释 对于上面的 ...
- 学习笔记 | 条件概率、联合概率、全概率公式、贝叶斯公式
定义 边缘概率(又称先验概率):某个事件发生的概率. 边缘概率是这样得到的:在联合概率中,把最终结果中那些不需要的事件通过合并成它们的全概率,而消去它们(对离散随机变量用求和得全概率,对连续随机变量用 ...
- 全概率公式与贝叶斯公式-机器学习
转载自:点击打开链接 在概率论与数理统计中,有两个相当重要的公式--全概率公式与贝叶斯公式.然而很多人对这两个公式感到非常迷茫.一来不知道公式背后的意义所在,二来不知道这些冰冷的公式能有什么现实应用. ...
- 7. 全概率公式与贝叶斯公式
文章目录 全概率公式与贝叶斯公式 全概率公式与贝叶斯公式 在等可能概型(古典概型)有一个抽签问题的例子: 例: 一袋中有 a 个白球,b 个蓝球,记 a+b=n.设每次摸到各球的概率相等,每次从袋中摸 ...
- 条件概率,乘法公式,全概率公式及贝叶斯公式的推导
条件概率,乘法公式,全概率公式及贝叶斯公式的推导 条件概率 乘法公式 全概率公式 贝叶斯公式 推导过程 条件概率 条件概率是指事件A在另外一个事件B已经发生条件下的发生概率.条件概率表示为:P(A∣B ...
- 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 ...
最新文章
- tomcat变量环境脚本setclasspath.sh分析
- c语言两种排序方法的组合,排列和组合算法的实现方法_C语言经典案例
- com 对象与其基础 rcw 分开后就不能再使用_如何使用 Kubeflow 机器学习流水线
- ASPNET5的依赖注入
- duilib中界面的布局方式
- 好用的python学习软件_5种好用的Python工具!Python学习分析
- HIve之DML 聚合分组应用函数 静动态分区表
- 1008 - Fibsieve`s Fantabulous Birthday
- 不支持S/W HEVC(H265)解码的有效解决方案
- 1stopt拟合步骤_1stopt快速公式拟合
- js 微信小程序根据身份证号计算年龄
- CSS“隐藏”元素的几种方法的对比
- 真正的Java学习从入门到精通
- 一款黑苹果系统引导工具,系统来解Clover带来的限制和问题
- 元宇宙中N中AR试鞋体验
- 苹果电脑python快捷键_我常用用的MAC快捷键和手势
- google不能用解决方法
- 【黄啊码】MySQL入门—3、我用select *,老板直接赶我坐火车回家去,买的还是站票
- 一文读懂程序化易法易化资频易计利
- 干掉“我的电脑”中超级解霸V8的图标
热门文章
- 有哪些便宜好用的虚拟主机推荐?
- 主从复制报错Fatal error:The slave I/O thread stops because master and slave have equal MySQL server UUIDs;
- AUTOCAD——文件管理
- 使用ivx滑动时间轴制作动画效果的经验总结
- PHPMyWind5.4存储XSS(CVE-2017-12984)
- switch函数用法与错误分析
- iOS逆向一:数字签名苹果应用双重签名原理应用重签名
- java微信分享demo
- React Native微信分享
- Mysql中嵌套查询和连接查询的区别