概率统计中，贝叶斯法则Bayes' Rule是最基础的一条定理，但是很多小伙伴看了依然会迷惑。今天猫妮卡给大家浅分享一下
🌈核心就一句话：“看到新线索，更新你原来的猜测”。
你每天早上都在公司楼下买咖啡，根据之前的观察，你发现两个规律（假设公司同事总共 100 人）：
-
• 喜欢喝美式的人和不喜欢的占一半（50%） -
• 喜欢美式的人，80% 会加冰；不喜欢美式的人，只有 20% 会加冰。
今天早上，你看到一个同事买了一杯加冰的咖啡，你想猜：“这个人喜欢喝美式的概率有多大？”
事件（Event）
事件 A：这个人喜欢喝美式
事件 B：这个人买了加冰咖啡
我们要算的就是P(A∣B)：已知加冰（B 发生），这个人喜欢美式（A 发生）的概率
关键概率（Probability）
先验概率P(A)：
没有任何新线索时，对事件 A （喝美式）发生概率的初始判断
喜欢喝美式的人占一半 → P(A) = 0.5
似然概率（Likelihood Probability）
似然概率P(B∣A)：
事件 A （喝美式）发生的前提下，事件 B （加冰）发生的概率。
喜欢美式的人里80% 加冰 → P(B∣A) = 0.8
全概率（Total Probability）
全概率P(B)：
事件 B (加冰)发生的总概率
需要分所有互斥且完备的情况计算，对应全概率公式（Total Probability Formula）
分两种情况算加冰总人数：
喜欢美式的人80%加冰：50 × 0.8 = 40 人
不喜欢美式的人20%加冰：50 × 0.2 = 10 人
加冰总人数 = 40+10=50 人 → P(B) = 50 / 100 = 0.5
后验概率（Posterior Probability）
代入贝叶斯公式计算后验概率
贝叶斯法则公式：P(A∣B) = P(B∣A)×P(A) / P(B)
把数字填进去：P(A∣B) = 0.8 × 0.5 / 0.5 = 0.8
P(A∣B)叫做后验概率，指在看到新线索 B 后，对事件 A 发生概率的更新判断。
🌟没看到加冰时，你猜他喜欢美式的先验概率是 50%；看到 “加冰” 这个新线索后，你更新了猜测，后验概率变成了 80%。
🌟这个从 “线索” 到 “结论” 的调整过程，就是贝叶斯法则的本质。
ok, 你懂了啵？
0 条评论