贝叶斯定理？
18世纪，英国学者贝叶斯(1702～1761)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]…互斥且构成一个完全事件，已知它们的概率P(H[,i],i=1,2,…，现观察到某事件A与H[,1],H[,2]…相伴随而出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。这就是贝叶斯定律。
中文名
贝叶斯定律
提出时间
18世纪
提出者
贝叶斯
类别
计算公式
快速
导航
研究历程
举例说明
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])…]
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]。现举一个心理学研究中常被引用的例子来说明：
参加常规检查的40岁的妇女患乳腺癌的概率是1%。如果一个妇女有乳腺癌，则她有80%的概率将接受早期胸部肿瘤X射线检查。如果一个妇女没有患乳腺癌，也有9.6%的概率将接受早期胸部肿瘤X射线测定法检查。在这一年龄群的常规检查中某妇女接受了早期胸部肿瘤X射线测定法检查。问她实际患乳腺癌的概率是多大？
设H[,1]=乳腺癌，H[,2]=非乳腺癌，A=早期胸部肿瘤X射线检查（以下简称“X射线检查”），已知P(H[,1])=1%,P(H[,2])=99%,P(A/H[,1])=80%,P(A/H[,2])=9.6%，求P(H[,1]/A)。根据贝叶斯定理，P(H[,1]/A)=(1%)(80%)/[(1%)(80%) +(99%)(9.6%)]=0.078
心理学家所关心的是，一个不懂贝叶斯原理的人对上述问题进行直觉推理时的情形是怎样的，并将他们的判断结果与贝叶斯公式计算的结果做比较来研究推理过程的规律。因此有关这类问题的推理被称为贝叶斯推理
概率论十大定律？
、1、伯努利大数定律：
伯努利大数定律，即在多次重复试验中，频率有越趋稳定的趋势。
在相同的条件下,进行了n次试验,在这n次试验中,事件A发生的次数nA称为事件A发生的频数.比值nA/n称为事件A发生的频率,并记为fn(A).
⒈当重复试验的次数n逐渐增大时,频率fn(A)呈现出稳定性,逐渐稳定于某个常数,这个常数就是事件A的概率.这种“频率稳定性”也就是通常所说的统计规律性.
⒉频率不等同于概率.由伯努利大数定理,当n趋向于无穷大的时候,频率fn(A)在一定意义下接近于概率P(A).
通俗地说，这个定理就是，在试验不变的条件下，重复试验多次，样本数量越多，随机事件的频率越近似于它的概率，偶然中包含着某种必然。
2、中心极限定理：
大量相互独立的随机变量，其求和后的平均值以正态分布 （即钟形曲线） 为极限。
数学定义：设从均值为μ、方差为σ^2（有限）的任意一个总体中抽取样本量为n的样本，当n充分大时，样本均值的抽样分布近似服从均值为μ、方差为（σ^2）/n 的正态分布。
关于正态分布的核心结论是：μ、σ为均值和标准差，那么μ±1σ、μ±2σ、μ±3σ的命中概率分别是68.3%、95.5%、99.73%！
中心极限定理最早由法国数学家棣莫弗在1718年左右发现。他为解决朋友提出的一个赌博问题而去认真研究二项分布 （每次试验只有“是/非”两种可能的结果，且两种结果发生与否互相对立） 。他发现：当实验次数增大时，二项分布 （成功概率p=0.5） 趋近于一个看起来呈钟形的曲线。后来，著名法国数学家拉普拉斯对此作了更详细的研究，并证明了p不等于0.5时二项分布的极限也是高斯分布。之后，人们将此称为棣莫弗-拉普拉斯中心极限定理 。
是概率论中讨论随机变量序列部分和分布渐近于正态分布的一类定理。
比如，全国人口寿命、成年男女的身高分布、人在一天中情绪高低点对应的时间分布、金融市场中涨跌的时间周期及趋势的寿命等等，无不遵循此定理。
对于大量独立随机变量来说，不论其中各个随机变量的分布函数是什么形状，也不论它们是已知还是未知，当独立随机变量的个数充分大时，它们的和的分布函数都可以用正态分布来近似。这使得正态分布既成为统计理论的重要基础，又是实际应用的强大工具。
这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量累积分布函数逐点收敛到正态分布的积累分布函数的条件。
在自然界与生产中，一些现象受到许多相互独立的随机因素的影响，如果每个因素所产生的影响都很微小时，总的影响可以看作是服从正态分布的。中心极限定理就是从数学上证明了这一现象 。
3、贝叶斯定理
非常有实用价值的概率分析法！它在大数据时代的机器学习、医学、金融市场的高胜算交易时机的把握、刑事案件的侦破中均有很高的推理价值。
贝叶斯定理由英国数学家贝叶斯发展而来，用来描述两个条件概率之间的关系，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。
P(A) 事件A发生的概率，即先验概率或边缘概率
P(B) 事件B发生的概率，即先验概率或边缘概率
P(B|A) 事件A发生时事件B发生的概率，即后验概率或条件概率
P(A|B) 事件B发生时事件A发生的概率，即后验概率或条件概率
按照乘法法则：
P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)
公式变形后，得出：
P(B|A) = P(A|B)*P(B) / P(A)
贝叶斯法则的文字化表达：
后验概率 = 标准相似度 * 先验概率
注：P(A|B)/P(A) 又称标准相似度
如果我们的先验概率审定为1或0（即肯定或否定某件事发生）， 那么无论我们如何增加证据你也依然得到同样的条件概率（此时 P(A)=0 或 1 ， P(A|B)= 0或1
贝斯叶定理？
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。
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)。
贝叶斯定理爱情是什么意思？
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。就是说他喜欢你的前提是你喜欢他，只要你喜欢他，他就会喜欢你。只要你对他好，他也会对你好的哟~
我喜欢你就是遵循贝叶斯定理是指我喜欢你，是因为在喜欢你和不喜欢你之间，我选择了喜欢你。贝叶斯定理是关于随机事件a和b的条件概率的一则定理
贝鲁斯定理？
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)。
贝斯叶定理文艺解释？
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)。
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。
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。
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。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。
贝叶斯定理通俗解释？
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。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1761)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)。
贝叶斯定理的浪漫解释？
一天小明去做例行体检，检查结果显示小明对一宗罕见的病呈阳性，医生根据历史数据得知普通人得这种病的概率是0.1%(基础概率，Prior Belief)。于是小明问医生，我得了这种病的概率是多少呢？医生说，患者的检测结果99%会呈阳性，对于非患者，有1%的概率会呈阳性（误诊）。
大家先问问自己，小明患病的概率是多少？大部分人的直觉答案是99%，或者至少很高。可惜错了，因为我们忽略了基础概率，请仔细阅读下面的分析。
当我们用贝叶斯定理分析时，我们可以假设检查呈阳性为事件A，发生的概率为P(A)；小明患病为事件B，发生的概率为P(B)；两个事件一起发生的概率为P(A [公式] B)。根据正文前的概念1可知P(B|A)*P(A) = P(A|B)*P(B)，等式两边同时除以P(A)可以得到P(B|A) = P(A|B)*P(B)/ P(A)。
现在我们把具体情境套入公式，P(B|A)代表当小明的检查为阳性时，小明为患者的概率（也就是小明最关心的问题）；P(A|B)代表当小明为患者的情况下，检查呈阳性的概率（99%）；P(B)是小明患病的基础概率，也就是在没有其他信息的情况下，小明患这种病的概率（0.1%）；P(A)是随机挑一个人，检查结果为阳性的期望值（备注1），这个例子中P(A) = 0.01098。把数字代入公式中，我们可以得到P(B|A) [公式] 9%，也就是说在检查结果为阳性的情况下，小明患病的概率只有9%。
虽然以上结论非常反直觉，但是一旦把被误诊为阳性的人考虑进去，这个结论就符合直觉了。假设有个1000人的样本，根据基础概率（0.1%）只会有1个病人，而剩下的999个非患者有1%的概率被误诊，也就是大约有10个非患者的检查结果呈阳性。加上1个被确诊的患者，这个1000人的样本中共有11个人的检查结果为阳性，而只有一个病人，也就是1/11 [公式] 9%。回到原来的情景，我们可以想象小明在一个有11个检查结果为阳性，却只有一个病人的小组中，所以小明是患者的概率约为9%。
这是不是表明医学对监测罕见疾病无能为力呢？当然不是，解决问题的方法很简单，只要对第一次结果呈阳性的人再做一次检测就行了（假设两次检查结果互相独立）。第一次的结果为阳性的的小组里，患病的基础概率已经从0.1%提高到9%，把数据重新代入公式，我们可以得出P(B|A) [公式] 91%。
以上是对贝叶斯定理的简单应用，其实大到破解德军密码到小到筛选垃圾邮件都运用了贝叶斯定理，说它贯穿了我们生活的方方面面也一点不过分。贝叶斯定理让我们关注基本概率，并通过新的信息不断更新基本概率，从而提高判断的准确度。
一个简单的公式背后是指导认识世界的深刻哲学，这才是能让人兴奋得尖叫的智慧。
备注1：P(A) = P(B)*P(A|B) + P(-B)*P(A|-B)。呈阳性的期望值分为两部分，一种是“患者(B)”的确诊，另一种是“非患者(-B)”的误诊，分别把“患者”和“非患者”的基础概率乘以其确诊的误诊的概率就是随机挑选一个被试，检查结果呈阳性的概率。
贝定斯定理？
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。
贝叶斯定理也称 贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）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)。
贝叶斯定理是什么？
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。贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯（1702～1761）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)。
