高等数学 / 系统课时

贝叶斯公式应用

贝叶斯公式应用

贝叶斯公式解决的是“看到新证据后,原来的判断应当怎样更新”。本课用检测、分类和质量控制三个场景,把先验概率、似然、证据概率和后验概率串成一套可重复使用的解题方法。

学习目标

  • 能识别先验概率、条件概率和后验概率
  • 能用贝叶斯公式完成概率更新
  • 能检查结果是否符合基准率和业务常识

从先验到后验

设若干原因事件 A1,A2,…,AnA_1,A_2,\ldots,A_n 构成一个完备事件组,观察到证据 BB 后,原因 AiA_i 的后验概率为:

P(Ai∣B)=P(B∣Ai)P(Ai)∑j=1nP(B∣Aj)P(Aj)P(A_i\mid B)=\frac{P(B\mid A_i)P(A_i)}{\sum_{j=1}^{n}P(B\mid A_j)P(A_j)}

其中,P(Ai)P(A_i) 是观察证据前的先验概率,P(B∣Ai)P(B\mid A_i) 是在原因 AiA_i 成立时看到证据 BB 的可能性。分子是“原因与证据同时发生”的概率,分母是证据在所有可能原因下出现的总概率。

贝叶斯概率更新流程

三类典型应用

检测:阳性不等于高概率

某疾病在人群中的患病率为 1%1\%。检测灵敏度为 95%95\%,假阳性率为 5%5\%。设 DD 表示患病,++ 表示检测阳性,则:

P(D∣+)=0.95×0.010.95×0.01+0.05×0.99≈0.161P(D\mid +)=\frac{0.95\times0.01}{0.95\times0.01+0.05\times0.99}\approx0.161

阳性后的患病概率约为 16.1%16.1\%,并不是 95%95\%。疾病本身很少见,大量未患病者中的少量假阳性会显著稀释结果。

分类:根据特征更新类别

某邮件系统中,垃圾邮件占 20%20\%。垃圾邮件包含某关键词的概率为 70%70\%,正常邮件包含该词的概率为 10%10\%。出现该关键词后,邮件是垃圾邮件的概率为:

P(S∣K)=0.7×0.20.7×0.2+0.1×0.8≈0.636P(S\mid K)=\frac{0.7\times0.2}{0.7\times0.2+0.1\times0.8}\approx0.636

后验概率约为 63.6%63.6\%。关键词具有区分力,但正常邮件也可能包含它,因此分类器必须同时考虑特征似然和类别基准率。

质量控制:追溯缺陷来源

A 线生产总量的 70%70\%,次品率为 1%1\%;B 线生产总量的 30%30\%,次品率为 4%4\%。随机抽到一个次品时,它来自 B 线的概率为:

P(B∣E)=0.04×0.300.01×0.70+0.04×0.30≈0.632P(B\mid E)=\frac{0.04\times0.30}{0.01\times0.70+0.04\times0.30}\approx0.632

虽然 B 线产量较少,但它贡献了约 63.2%63.2\% 的次品。质量追溯时应优先检查 B 线,但不能断言所有次品都来自 B 线。

通用解题与检查

  1. 明确“原因事件”和“已观察到的证据”,不要把二者写反。
  2. 写出每个原因的先验概率,以及该原因下证据出现的条件概率。
  3. 计算各条路径的联合概率 P(B∣Ai)P(Ai)P(B\mid A_i)P(A_i)。
  4. 将所有联合概率相加得到证据概率,再用目标路径除以总证据概率。
  5. 检查后验概率是否位于 00 与 11 之间,并结合基准率判断是否合理。

原因只有两个时,分母通常写成“目标原因路径 + 另一个原因路径”;原因超过两个时,必须把所有互斥且完备的来源纳入分母。若遗漏一个来源,分母会偏小,后验概率也会被高估。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

贝叶斯公式应用

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通