贝叶斯先验概率和后验概率

时间:2024-03-31 07:45:08

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?

贝叶斯先验概率和后验概率

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  贝叶斯先验概率和后验概率,由贝叶斯定理我们知道:

       贝叶斯先验概率和后验概率

        其中:贝叶斯先验概率和后验概率表示在事件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:

      贝叶斯先验概率和后验概率      即:

  贝叶斯先验概率和后验概率

4:从上面的图可以统计出来      贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率

       以贝叶斯先验概率和后验概率为例,它表示在感冒时头疼的概率,共5人感冒,2人头疼,则贝叶斯先验概率和后验概率

       贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率

      贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率

  • 贝叶斯先验概率和后验概率 

       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:贝叶斯先验概率和后验概率,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

   同样的方式计算贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率贝叶斯先验概率和后验概率

   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。