贝叶斯公式的探究.doc_第1页
贝叶斯公式的探究.doc_第2页
贝叶斯公式的探究.doc_第3页
全文预览已结束

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

贝叶斯公式的探究班级: 班内序号:姓名: 学号: 摘要:简要介绍了贝叶斯的生平以及贝叶斯公式提出时的情境,简要分析了对贝叶斯公式及其含义,介绍了其中蕴含的“逆概率”思想,并对统计中的先验概率和后验概率给出了详细的定义和说明,最后介绍了以贝叶斯公式和逆概率思想为基础衍生的贝叶斯理论极其广泛应用的情况。关键词:托马斯贝叶斯贝叶斯公式逆概率思想贝叶斯理论一贝叶斯简介托马斯贝叶斯(Thomas Bayes,1702-1761)英国数学家。1702年出生于伦敦一个新教徒家庭,做过神甫。1736年发表了“流数术导论及对分析学家作者的数学家辩护”(An introduction to the doctrine of fluxions, and a defense of the mathematicians against the objections of the author of the analyst)的数学论文,还击了贝克莱(GBerkeley, 16851753)主教对微积分的攻击,捍卫了牛顿的微积分基本思想。正是在这篇文章所显示的数学才华,使得贝叶斯于1742年4月8日当选为英国皇家学会会员。贝叶斯与同时代的多位数学家保持着联系,和棣莫弗(De Moivre, A. 16671754) 、马克劳林(ColinMaclaurin, 16981746)进行过学术交流。他大力宣传数学新思想,还将数学家推荐给其他朋友。如向斯坦候普( Stanhope)引荐莫杜克( Patrick Murdoch)的论文等。斯坦候普是贝叶斯进入皇家学会的推荐人。研究表明,斯坦候普保留了贝叶斯的大量手稿和信件。在早期发现贝叶斯幸存的4件手稿中3件是他写给康顿的信和论文,另1件是其读书笔记。在某一封信中,贝叶斯对辛普森的误差理论进行了评论,并处理了大数定理的特殊情形,尤其是证明了大量观测数据的平均值优于单个试验中的参数估计值。贝叶斯的两篇遗作于逝世前4个月,寄给好友普莱斯(R. Price, 17231791 ) 。普莱斯又将其寄到皇家学会,并于1763年12月23日在皇家学会大会上作了宣读。第一篇论文刊于英国皇家学会的哲学学报1763L 卷370418 页,于1764 年出版。第二篇论文已故贝叶斯先生致康顿的信(A letter from the late reverendMr. Thomas Bayes to John Canton)刊于1764年L 卷296325页,出版日期是1765年。正是在第一篇题为机会学说中一个问题的解(An essay towards solving a p roblem in the doctrine of chance)的论文中,贝叶斯给出了其逆概率思想,创立了贝叶斯定理。统计学家巴纳德(C. Barnard, 1922)赞誉其为“科学史上最著名的论文之一”。贝叶斯所采用的许多术语被沿用至今。贝叶斯对统计推理的主要贡献是使用了“逆概率”这个概念,并把它作为一种普遍的推理方法提出来。贝叶斯定理原本是概率论中的一个定理,这一定理可用一个数学公式来表达,这个公式就是著名的贝叶斯公式。贝叶斯公式又称逆概率公式。二贝叶斯公式贝叶斯公式是我们在课堂上学习过的内容,在此做简要叙述:设A1 ,A2 ,An ,为的一个划分,B为任一事件,且P(Ai)0,i=1,2,n,P(B)0,则P(Ai|B)= P(Ai)P(B|Ai) / nj=1P(Aj)P(B|Aj)贝叶斯公式是贝叶斯在1763年提出来的:假定A1,A2,An是某个过程的若干可能的前提,则P(Ai)是人们事先对各前提条件出现可能性大小的估计,称之为先验概率。如果这个过程得到了一个结果B,那么贝叶斯公式提供了我们根据B的出现而对前提条件做出新评价的方法。P(AiB)即是对以B为前提下Ai的出现概率的重新认识,称 P(AiB)为后验概率。贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前,经济主体对各种假设有一个判断(先验概率),先验概率是指根据以往经验和分析得到的概率,如全概率公式中的,它往往作为“由因求果”问题中的“因”出现。后验概率是指在得到“结果”的信息后重新修正的概率,是“执果寻因”问题中的“因”。后验概率是基于新的信息,修正原来的先验概率后所获得的更接近实际情况的概率估计。先验概率和后验概率是相对的。如果以后还有新的信息引入,更新了现在所谓的后验概率,得到了新的概率值,那么这个新的概率值被称为后验概率。先验概率不是根据有关自然状态的全部资料测定的,而只是利用现有的材料(主要是历史资料)计算的;后验概率使用了有关自然状态更加全面的资料,既有先验概率资料,也有补充资料;先验概率的计算比较简单,没有使用贝叶斯公式;而后验概率的计算,要使用贝叶斯公式,而且在利用样本资料计算逻辑概率时,还要使用理论概率分布,需要更多的数理统计知识。三贝叶斯公式的应用首先通过书本上的例子对贝叶斯公式进行初步的描述。据调查某地居民肝癌发病率为0.0004,现用甲胎蛋白法来检查肝癌:若呈阳性表明患病,若呈阴性表明未患病。假阳性(即未患病结果却呈阳性)和假阴性(即患病结果却称阴性)的概率分别为0.05 和0.01。某人经检验结果呈阳性,他确实患肝癌的概率有多大?令A=“被检验者患肝癌”,B=“检验结果呈阳性”则P(A)=0.004 P(B|A)=0.005 P(B|A)=0.01由贝叶斯公式可得P(A|B)= P(A) P(B|A) / P(A) P(B|A)+ P(A) P(B|A) =0.004(1-0.01) / 0.004(1-0.01+(1-0.004)0.05)0.00786由此可知,经过检验结果呈阳性的患者,真正患肝癌的可能性却非常之小。这似乎看起来不可思议,按理说这种检验方法的准确性应该是很高的,但在实际使用时准确性又如此之低,这是为什么呢?在上述计算中,假阳性的概率并不大(P(B|A)=0.05),即检验结果是错误的情况并不多,但肝癌的发病率很低(P(A)=0.0004),即绝大多数情况下不会患肝癌,这就使得检验结果是错误的部分P(A)P(B|A)相对很大,这就造成了P(A|B)很小。但并不是说这种检验方法不可以在临床上使用,因为我们去医院看病时,医生通常会做一些初查,例如询问病史,测量体温、血压等,当他通过这些初查后怀疑某人可能患有肝癌时才会用这种方法进行检验。而这时,被怀疑的对象的肝癌发病率就不再是普通人群的0.0004 了,而是明显的增加了,例如当P(A)=0.4 时,按上述方法计算得到P(A|B)=0.9296,这样就大大的提高了这种方法的准确性。这也就是为什么医生在诊断一些疑难杂症时,会用几种不同的方法来进行检查的原因。四贝叶斯理论概述贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。贝叶斯决策就是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。贝叶斯决策理论方法是统计模型决策中的一个基本方法,其基本思想是:1、 已知类条件概率密度参数表达式和先验概率。2、 利用贝叶斯公式转换成后验概率。3、 根据后验概率大小进行决策分类。贝叶斯理论的应用数学领域:贝叶斯分类算法应用: 统计分析、测绘学贝叶斯风险应用: 统计决策论贝叶斯公式应用: 概率空间贝叶斯估计应用: 参数估计贝叶斯区间估计应用: 数学中的区间估计贝叶斯统计应用: 统计决策论贝叶斯序贯决策函数应用: 统计决策论经验贝叶斯方法应用: 统计决策论工程领域 :贝叶斯定理应用: 人工智能、心理学、遗传学贝叶斯分类器应用: 模式识别、人工智能贝叶斯分析应用: 计算机科学贝叶斯决策应用: 人工智能贝叶斯逻辑应用: 人工智能贝叶斯推理应用: 数量地理学、人工智能贝叶斯网络应用: 人工智能 贝叶斯学习应用: 模式识别 其他领域 贝叶斯主义应用: 自然辩证法有信息的贝叶斯决策方法应用: 生态系统生态学 参考文献1 徐传胜,张士勤,刘建宇.

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论