贝叶斯公式的通俗解释 你弄懂了嘛

1. 贝叶斯公式的通俗解释 你弄懂了嘛

1、贝叶斯法则通俗解释是：通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系,贝叶斯法则就是这种关系的陈述。
 
 2、贝叶斯定理由英国数学家贝叶斯发展，用来描述两个条件概率之间的关系，比如P(A|B)和P(B|A)。按照乘法法则，可以立刻导出：P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可变形为：P(A|B)=P(B|A)*P(A)/P(B)。
 
 3、贝叶斯的统计学中有一个基本的工具叫贝叶斯公式、也称为贝叶斯法则，尽管它是一个数学公式，但其原理毋需数字也可明了。如果你看到一个人总是做一些好事，则那个人多半会是一个好人。
 
 4、这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。用数学语言表达就是：支持某项属性的事件发生得愈多，则该属性成立的可能性就愈大。

2. 贝叶斯公式的意义是什么？

贝叶斯定理由英国数学家贝叶斯( Thomas Bayes 1702-1761)发展，用来描述两个条件概率之间的关系，比如P(A|B)和P(B|A)。按照乘法法则，可以立刻导出：P(A∩B)= P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可变形为：P(A|B)=P(B|A)*P(A)/P(B)，那么贝叶斯公式的意义是什么？
  
  1、 贝叶斯的统计学中有一个基本的工具叫贝叶斯公式、也称为贝叶斯法则，尽管它是一个数学公式，但其原理毋需数字也可明了。如果你看到一个人总是做一些好事，则那个人多半会是一个好人。这就是说，当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。用数学语言表达就是：支持某项属性的事件发生得愈多，则该属性成立的可能性就愈大。
 
  2、 贝叶斯公式又被称为贝叶斯定理、贝叶斯规则是概率统计中的应用所观察到的现象对有关概率分布的主观判断（即先验概率）进行修正的标准方法。
 
  3、 所谓贝叶斯公式，是指当分析样本大到接近总体数时，样本中事件发生的概率将接近于总体中事件发生的概率。但行为经济学家发现，人们在决策过程中往往并不遵循贝叶斯规律，而是给予最近发生的事件和最新的经验以更多的权值，在决策和做出判断时过分看重近期的事件。
 
  4、 面对复杂而笼统的问题，人们往往走捷径，依据可能性而非根据概率来决策。这种对经典模型的系统性偏离称为“偏差”。由于心理偏差的存在，投资者在决策判断时并非绝对理性，会行为偏差，进而影响资本市场上价格的变动。但长期以来，由于缺乏有力的替代工具，经济学家不得不在分析中坚持贝叶斯法则。
 
 关于贝叶斯公式的意义是什么内容的介绍就到这了。

3. 贝叶斯公式的理解

能把P(城市|省份)和P(省份|城市)联系起来的公式叫贝叶斯公式。我们来看贝叶斯公式长什么样子。
                                          
 用A表示省份，B表示城市，套入公式，即能把P(城市|C)和P(C|城市)联系起来。看到能够联系起来，上级工作人员很高兴，但是这公式有什么意义吗，是不是随便编造的一个公式，为何叫贝叶斯公式而不是叫陈佩斯公式？
  
 贝叶斯公式以托马斯·贝叶斯（Thomas Bayes，1701-1761）命名的，贝叶斯是和牛顿同时代的牧师，同时也是一位业余数学家，和牛顿不同的是，贝叶斯的理论当时并未被重视，原因在于贝叶斯在统计当中引入了主观因素，即所谓的先验概率，这对于数学来说是大忌，数学应该是客观的，怎么能加入主观因素。因此，直到1950年左右，人们发现加入先验概率效果更好，贝叶斯的理论才被广泛接受。
  
 
  
                                          
 
  
  
     一个理论能被广泛接受，一定是因为能够解决很多问题，那贝叶斯理论又解决了什么问题，为什么一个数学理论能够加入主观因素？
  
   如果问抛硬币正面朝上的概率，很多人会肯定回答说概率是1/2，但这是想当然了，对于理想的硬币，正反面概率是均匀的，但是如果硬币动了手脚，那就不一定了，这个时候，要怎么去确定概率是多少？有人想到通过做抛硬币的试验来确定，例如抛5次硬币，统计正面和反面出现的次数，如果抛5次都是正面向上，我们能说正面向上的概率是100%吗？有人说，5次太少，那抛5000次以上总能计算概率大小吧，答案是可以，只是这种估计概率的方式成本太高了。事实上，现实生活中，有很多类似的例子是不能通过做试验来确定概率的，例如小明预测明天下雨的概率是30%，他无法重复过上明天100次，统计下雨的次数来计算下雨的概率。而贝叶斯理论，可以解决这种在有限信息条件下对概率的一个预估，贝叶斯理论的思路是， 在主观判断的基础上，先估计一个值（先验概率），然后根据观察的新信息不断修正(可能性函数) 。
  
 我们继续来看贝叶斯公式，我们再用省份和城市来理解这个公式有点不太好理解，因为那个例子看起来我们所有的信息都知道了。这里再举另外一个例子来理解。
  
 曾经有一个大神给我传授表白理论，他说如果女神从来没有单独出去逛街吃饭，这说明女神根本不喜欢你，表白的成功概率很低的，反之亦然。
  
 我们以这个理论作为概率的例子，首先，分析给定的已知信息和未知信息：
  
 1）要求解的问题：女神喜欢你，记为A事件
  
 2）已知条件：经常和女神单独出门吃过饭，记为B事件
  
 那么，P(A|B)就是女神经常和你单独出门吃饭这个事件(B)发生后，女神喜欢你的概率。把这个套入贝叶斯公式来理解一下。
  
 
  
                                          
 贝叶斯可以分为三个部分，先验概率、可能性函数和后验概率。
  
 1）先验概率
  
 我们把P(A)称为"先验概率"（Prior probability），先验概率是根据以往经验和分析得到的概率。这个例子里就是在不知道女神经常和你单独出门逛街的前提下，来主观判断出女神喜欢你的概率。因为是主观判断，我们可以给任何值，例如高富帅可以把这个概率设定得很高，为80%，也可以设定低一点，例如50%，这完全是根据个人经验做出的判断。这也是前面说的贝叶斯公式的主观因素部分。
  
 2）可能性函数
  
 P(B|A)/P(B)称为"似然函数"（Likelyhood），这是一个调整因子，即新信息B带来的调整，作用是使得先验概率更接近真实概率。至于新信息带来的调整作用大不大，还得看因子的值大不大。
  
 如果"可能性函数"P(B|A)/P(B)>1，意味着"先验概率"被增强，事件A的发生的可能性变大，例如女神平时很少和别人出门逛街吃饭，那么这个调整因子特别有用，肯定是大于1的。
  
 如果"可能性函数"=1，意味着B事件无助于判断事件A的可能性，例如女神偶尔也和他人出门逛街吃饭，那么和女神出门吃饭没有我们带来任何信息，对判断女神是否喜欢你没有重大意义；
  
 如果"可能性函数"<1，意味着"先验概率"被削弱，事件A的可能性变小，例如知道女神实际上有喜欢的人了，那该信息直接使得女神喜欢你的概率下降很厉害。
  
 至于为什么似然函数的公式长这样的，这个留在以后再解释。
  
 3）后验概率
  
 P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。这个例子里就是在女神跟你出门逛街吃饭这个事件发生后，对女神喜欢你的概率重新预测。
  
 通过这个例子，我们理解了贝叶斯公式，也知道了贝叶斯公式能够通过似然函数不断调整主观概率得到后验概率，使得预测更加准确，这也是为什么带有主观因素还能在数学界呆着的原因。也正因为这样，贝叶斯可以出现在所有需要作出概率预测的地方，例如垃圾邮件过滤，中文分词，疾病检查等。特别是在机器学习领域，贝叶斯理论更是一个绕不过去的门槛。

4. 贝叶斯公式通俗理解

  贝叶斯公式：  
                                           
   推导之前，我们需要先了解一下 条件概率 ：
                                           
   已知数据如下：
   P(A) 表是人为光头的概率，P(B) 表示为人为程序员的概率。   则 P(A) = 4/9 ，P(B) = 3/9 = 1/3 ，P(A, B) = 2/9   P(A|B) 则为程序员中光头的概率为：2/3   P(B|A) 则为光头中程序员的概率：2/4 = 1/2   则按照条件概率：P(A|B) = P(A, B)/ P(B) = 2/3   贝叶斯公式：P(A|B) = P(A)·P(B|A)/P(B) = 2/3   通过上面连个公式推导发现 条件概率 和 贝叶斯 的结果是一样的。

5. 贝叶斯公式

贝叶斯公式  贝叶斯公式
贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则：P(A∩B)=P(A)*P(B|A)=P(B)*P(A|B)，可以立刻导出   贝叶斯定理公式：P(A|B)=P(B|A)*P(A)/P(B)   如上公式也可变形为：P(B|A)=P(A|B)*P(B)/P(A)   例如：一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？   我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则 P(A) = 3 / 7，P(B)=2/(20·365)=2/7300，P(A | B) = 0.9，按照公式很容易得出结果：P(B|A)=0.9*(2/7300)*(7/3)=0.00058   另一个例子，现分别有 A，B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球，现已知从这两个容器里任意抽出了一个球，且是红球，问这个红球是来自容器 A 的概率是多少?   假设已经抽出红球为事件 B，从容器 A 里抽出球为事件 A，则有：P(B) = 8 / 20，P(A) = 1 / 2，P(B | A) = 7 / 10，按照公式，则有：P(A|B)=(7 / 10)*(1 / 2)*(20/8)=7/8   贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。

6. 如何理解贝叶斯公式

贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可以立刻导出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可变形为：P(B|A) = P(A|B)*P(B) / P(A)。
例如：一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？

我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则以天为单位统计，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出结果：P(B|A) = 0.9*(2/7300) / (3/7) = 0.00058。

7. 怎么简单理解贝叶斯公式

贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。
人们根据不确定性信息作出推理和决策需要对各种结论的概率作出估计，这类推理称为概率推理。概率推理

既是概率学和逻辑学的研究对象，也是心理学的研究对象，但研究的角度是不同的。概率学和逻辑学研究的是客观概率推算的公式或规则；而心理学研究人们主观概率估计的认知加工过程规律。贝叶斯推理的问题是条件概率推理问题，这一领域的探讨对揭示人们对概率信息的认知加工过程与规律、指导人们进行有效的学习和判断决策都具有十分重要的理论意义和实践意义。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1763)曾提出计算条件概率的公式用来解决如下一类问题：假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[,1],H[,2]…,H[,n]相伴随机出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。
贝叶斯公式（发表于1763年）为： P(H[i]|A)=P(H[i])*P(A│H[i])/{P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}
这就是著名的“贝叶斯定理”，一些文献中把P(H[1])、P(H[2])称为基础概率，P(A│H[1])为击中率，P(A│H[2])为误报率[1][

8. 贝叶斯公式的公式

例如：一座别墅在过去的 20 年里一共发生过 2 次被盗，别墅的主人有一条狗，狗平均每周晚上叫 3 次，在盗贼入侵时狗叫的概率被估计为 0.9，问题是：在狗叫的时候发生入侵的概率是多少？我们假设 A 事件为狗在晚上叫，B 为盗贼入侵，则以天为单位统计，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出结果：P(B|A) = 0.9*(2/7300) / (3/7) = 0.00058另一个例子，现分别有 A、B 两个容器，在容器 A 里分别有 7 个红球和 3 个白球，在容器 B 里有 1 个红球和 9 个白球，现已知从这两个容器里任意抽出了一个球，且是红球，问这个红球是来自容器 A 的概率是多少?假设已经抽出红球为事件 B，从容器 A 里抽出球为事件 A，则有：P(B) = 8/20，P(A) = 1/2，P(B|A) = 7/10，按照公式，则有：P(A|B) = (7/10)*(1/2) / (8/20) = 0.875贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），关于先验概率的分布，通常可根据经济主体的经验判断确定（当无任何信息时，一般假设各先验概率相同），较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。