Line 61: Line 61:
 
<math>P(B) = P(B \cap A) + P(B \cap A')</math>  
 
<math>P(B) = P(B \cap A) + P(B \cap A')</math>  
 
</center>  
 
</center>  
 +
 
<center>
 
<center>
 
<math>P(B\cap A) = P(B|A)P(A)</math>  
 
<math>P(B\cap A) = P(B|A)P(A)</math>  
Line 66: Line 67:
  
 
所以我们可以得到全概率公式:
 
所以我们可以得到全概率公式:
 +
 
<center>
 
<center>
 
<math>P(B) = P(B|A)P(A)+P(B|A')P(A')</math>  
 
<math>P(B) = P(B|A)P(A)+P(B|A')P(A')</math>  

Revision as of 06:36, 30 April 2014


Bayes Rule and Its Applications

A slecture by ECE student Weibao Wang

Partly based on the ECE662 Spring 2014 lecture material of Prof. Mireille Boutin.



贝叶斯定理 (Bayes' theorem)

贝叶斯定理由英国数学家托马斯·贝叶斯(Thomas Bayes)在1763提出,因此得名贝叶斯定理。贝叶斯定理也称贝叶斯推理,是关于随机事件的条件概率的一则定理。

对于两个随机事件A和B,贝叶斯定理有如下表达:

$ P(A|B) = \frac{P(B|A)P(A)}{P(B)} $

其中P(A|B)代表在事件B发生的情况下事件A发生的概率。

在贝叶斯定理中:

  • P(A)为A的先验概率,P(B)为B的先验概率
  • P(A|B)为已知B发生后A的条件概率或后验概率,P(B|A)为已知A发生后B的条件概率或后验概率

另外,P(B|A)有时也被称作相似度(likelihood)。



贝叶斯定理的推倒

根据条件概率的定义,在事件B发生的条件下事件A发生的概率是:

$ P(A|B) = \frac{P(A\cap B)}{P(B)} $

同理,我们可以得到在事件A发生的条件下事件B发生的概率:

$ P(B|A) = \frac{P(B\cap A)}{P(A)} $

由以上两个方程,我们可以得出:

$ P(B|A)P(A) = P(A\cap B) = P(A|B)P(B) $

等式两边同时除以P(B),进而得出贝叶斯定理:

$ P(A|B) = \frac{P(B|A)P(A)}{P(B)} $

利用贝叶斯定理,我们还可以得出全概率公式。

我们已知对于事件A,B和A的补集A',有:

$ P(B) = P(B \cap A) + P(B \cap A') $

$ P(B\cap A) = P(B|A)P(A) $

所以我们可以得到全概率公式:

$ P(B) = P(B|A)P(A)+P(B|A')P(A') $

将全概率公式带入条件概率公式,我们可以得到贝叶斯定理的另一种写法:

$ P(A|B) = \frac{P(B|A)P(A)}{P(B|A)P(A)+P(B|A')P(A')} $

我们来看一个例子: 假设我们有两个笼子,一号笼子里有15只鸡和5只兔子,二号笼子里有10只鸡和10只兔子。现在随机选择一个笼子,从中取出一只兔子,请问这只兔子来自一号笼子的概率有多大?

对于这类问题,我们可以用贝叶斯定理解答。我们假定,B1表示一号笼子,B2表示二号笼子。由于这两个笼子是一样的,所以P(B1)=P(B2),也就是说,在取出兔子之前,这两个笼子被选中的概率相同。因此,P(B1)=P(B2)=0.5. 再假定,R表示兔子,所以问题就变成了在已知R的情况下,来自一号笼子的概率有多大,即求P(B1|E)。我们把这个概率叫做"后验概率"。

根据贝叶斯定理,我们可以得到:

$ P(B1|R) = \frac{P(R|B1)P(B1)}{P(R)} $

已知,P(B1)等于0.5,P(R|B1)为一号笼子中取出兔子的概率,等于0.25,那么求出P(R)就可以得到答案。根据全概率公式,

$ P(R) = P(R|B1)P(B1)+P(R|B2)P(B2) $

所以

$ P(R) = 0.25 \times 0.5 + 0.5 \times 0.5 = 0.375 $

将以上结果带入,我们可以得到:

$ P(B1|R) = \frac{0.25}{0.375} \times 0.5 = 0.4 $










Questions and comments

If you have any questions, comments, etc. please post them on this page.


Back to ECE662, Spring 2014

Alumni Liaison

Ph.D. 2007, working on developing cool imaging technologies for digital cameras, camera phones, and video surveillance cameras.

Buyue Zhang