标签：未来 ram 不用 http nal nbsp font size strong
这里用Venn diagram来不严谨地推导一下贝叶斯定理。
假设A和B为两个不相互独立的事件。
交集（intersection）： 
上图红色部分即为事件A和事件B的交集。
并集（union）： 
由Venn diagram可以看出，在事件B已经发生的情况下，事件A发生的概率为事件A和事件B的交集除以事件B：
同理，在事件A已经发生的情况下，事件B发生的概率为事件A和事件B的交集除以事件A：
注：
表示 A，B 事件同时发生的概率，如果 A 和 B 是相互独立的两个事件，那么：
。
由上面的公式可以得到：
然后，我们就可以得到贝叶斯定理：
其中： 
是先验概率（prior probability），
是条件概率，
是后验概率（posterior probability）。
注：条件概率（conditional probabilities）： P(B|A) ---> 给定事件A，事件B发生的概率（probability of event B occuring given event A）。
又根据Law of Total Probability： 
注：
表示事件A不发生的概率。
这个可以用probability tree来帮助理解一下：
因此，贝叶斯定理可以扩展为： 
贝叶斯定理通常用于由已知的先验概率和条件概率，推算出后验概率。
举一个简单的例子：某地平时下雨的概率是0.3，小明平时带伞的概率是0.4，小明下雨天带伞的概率是0.8。某一天小明带了伞，请问这天下雨的概率是多少？
解答：也就是需要求P(下雨|小明带伞)，把上面的数字代入公式即：
这个例子的先验概率是平时下雨的概率0.3，由于我们已知小明带了伞这一信息，因此我们可以估算出后验概率，也就是当天下雨的概率是0.6。
先验概率是怎么得来的呢？通常是人们的经验总结或者说是估算，比如说某地一个月里面下了3天雨，我们就估算某地平时下雨的概率是0.3。
如果条件不止一个呢？让我们把上面的例子改一下：某地平时下雨的概率是0.3，平时刮风的概率是0.4，下雨天刮风的概率是0.6，小明平时带伞的概率是0.4，小明下雨天带伞的概率是0.8。某一天小明带了伞，且当天在刮风，请问这天下雨的概率是多少？
解答：也就是需要求P(下雨|小明带伞，刮风)，把上面的数字代入公式即：
注：假设小明带伞和刮风之间没有关联，两条件互不影响。
长久以来，人们信奉的是频率主义。比如把一枚硬币抛10000次，有5000次正面朝上，5000次反面朝上，那么我们就可以得知抛这枚硬币，其正面朝上的概率是0.5。但是通常，我们需要某一事件发生足够多的次数，我们才可以观察到它的规律。
在现实生活中，很多事件并不会在相对较短的时间内多次发生。这时候，贝叶斯定理就发挥作用了。比如说我们想知道刮风天下雨的概率是多少，我们不用等10000个刮风天，看其中有几天下了雨。我们只需要估算出下雨天会刮风的概率，平时下雨的概率，平时刮风的概率，就可以估算出刮风天会下雨的概率是多少了。先验概率估算得不准确并没有关系，人们可以通过未来事件的发生情况，不断对后验概率做出调整。
贝叶斯定理推导（Bayes' Theorem Induction）
标签：未来 ram 不用 http nal nbsp font size strong
原文地址：https://www.cnblogs.com/HuZihu/p/9368355.html
