贝叶斯公式

直观理解贝叶斯公式

先来一个问题:一机器在良好的状态生产合格产品几率为90%,在故障状态生产合格产品几率是30%机器良好的概率是75%,若一日第一件产品是合格的,那么此日机器良好的概率是多少?
这里需要用到贝叶斯公式, 贝叶斯公式一点也不神秘,首先我们要是觉得两个东西有关联,那么它们就有联合概率 P ( A , B ) P(A,B) P(A,B),联合概率可以用链式法则表示为: P ( A , B ) = P ( A ∣ B ) P ( B ) P(A,B) = P(A|B)P(B) P(A,B)=P(AB)P(B)
这个是大家都学习过的条件概率, A A A B B B同时发生的概率是B发生的概率乘以B发生下A的条件概率。反过来一样成立。所以有:
P ( A , B ) = P ( A ∣ B ) P ( B ) = P ( B ∣ A ) P ( A ) P(A,B) = P(A|B)P(B) = P(B|A)P(A) P(A,B)=P(AB)P(B)=P(BA)P(A)
两边同时除以 P ( B ) P(B) P(B)得:
P ( A ∣ B ) = P ( A ) P ( B ∣ A ) P ( B ) P(A|B) = \frac{P(A)P(B|A)}{P(B)} P(AB)=P(B)P(A)P(BA)
这就是贝叶斯公式,所以贝叶斯公式应用范围非常广,只要
两个东西有关联,能写出联合概率
,那么就可以用贝叶斯公式。

机器有良好和故障两种状态,用 A A A表示,产品有合格和不合格两种状态,用 B B B表示。
直接套用公式算一波:
P ( A = 良 好 ∣ B = 合 格 ) = P ( A = 良 好 ) P ( B = 合 格 ∣ A = 良 好 ) P ( B = 合 格 ) P(A = 良好|B = 合格) = \frac{P(A = 良好)P(B = 合格 | A = 良好)}{P(B = 合格)} P(A=B=)=P(B=)P(A=)P(B=A=)

P ( B = 合 格 ) P(B = 合格) P(B=)的概率等于:
P ( B = 合 格 ) = P ( B = 合 格 ∣ A = 良 好 ) P ( A = 良 好 ) + P ( B = 合 格 ∣ A = 故 障 ) P ( A = 故 障 ) P(B = 合格) = P(B = 合格 | A = 良好)P(A = 良好) + P(B = 合格 | A = 故障)P(A = 故障) P(B=)=P(B=A=)P(A=)+P(B=A=)P(A=)
所以:
P ( A ∣ B ) = P ( A = 良 好 ) P ( B = 合 格 ∣ A = 良 好 ) P ( B = 合 格 ) = 0.7 ∗ 0.9 0.75 ∗ 0.9 + 0.25 ∗ 0.3 = 0.9 P(A|B) = \frac{P(A = 良好)P(B = 合格|A = 良好)}{P(B = 合格)} = \frac{0.7*0.9}{0.75*0.9 + 0.25*0.3} = 0.9 P(AB)=P(B=)P(A=)P(B=A=)=0.750.9+0.250.30.70.9=0.9

知乎上回答给出了一个很好的图:
贝叶斯公式_第1张图片
问题要求机器良好的概率 = =左下角那个蓝色方格的面积/所有蓝色部分的面积,是不是很好懂?。
先验概率是一般情况下机器良好的概率0.75(蓝色面积/总面积),在得知当天有合格产品产出后,灰色面积就没可能了,经过贝叶斯定律的计算后,就得到后验概率0.9(左下角蓝色面积/蓝色总面积)。

贝叶斯公式的扩展:

贝叶斯公式的适用范围不只有两个事件A和B,也可以是参数 θ \theta θ和数据data->P(data| θ \theta θ).,,,随着学习的越多,越容易感受到贝叶斯公式的神奇魅力。
慢慢的将贝叶斯公式全部将其搞定都行啦的回事与打算。
慢慢的将其全部都研究透彻,研究彻底!
全部将其搞定!
慢慢的将贝叶斯公式全部都搞透彻!
慢慢的将各种的贝叶斯公式,全部将其搞清楚,慢慢的梳理清楚都行啦的样子学会整理都行啦的理由与打算。

你可能感兴趣的:(研究领域探讨,概率论,人工智能)