📐 数理基础ID: probability-axioms

概率公理与贝叶斯定理

Q: 写出概率的三条公理,并证明 $P(A^c) = 1 - P(A)$ 与 $P(A \cup B) = P(A) + P(B) - P(A \cap B)$?

【概率公理与贝叶斯定理 核心考点 1】写出概率的三条公理,并证明 $P(A^c) = 1 - P(A)$ 与 $P(A \cup B) = P(A) + P(B) - P(A \cap B)$?。技术解析：定义: 概率公理是度量不确定性的三条公理 — 非负性 P(A) \ge 0、归一性 P(\Omega) = 1、可数可加性 P(\bigcup_{i} A_i) = \sum_i P(A_i)(互斥事件 A_i)。由此定义条件概率 P(A|B) = \frac{P(A \cap B)}{P(B)},全概率公式 P(B) = \sum_i P(B|A_i)P(A_i),并推出贝叶斯定理 P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}, 即 后验 \propto 似然 \times 先验。 使... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/Math/card/probability-axioms

Q: 推导贝叶斯公式与全概率公式?什么叫基准率谬误?

【概率公理与贝叶斯定理 核心考点 2】推导贝叶斯公式与全概率公式?什么叫基准率谬误?。技术解析：定义: 概率公理是度量不确定性的三条公理 — 非负性 P(A) \ge 0、归一性 P(\Omega) = 1、可数可加性 P(\bigcup_{i} A_i) = \sum_i P(A_i)(互斥事件 A_i)。由此定义条件概率 P(A|B) = \frac{P(A \cap B)}{P(B)},全概率公式 P(B) = \sum_i P(B|A_i)P(A_i),并推出贝叶斯定理 P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}, 即 后验 \propto 似然 \times 先验。 使... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/Math/card/probability-axioms

Q: 患病率 1%、检测灵敏度与特异度均 99%,检测阳性时后验概率是多少?

【概率公理与贝叶斯定理 核心考点 3】患病率 1%、检测灵敏度与特异度均 99%,检测阳性时后验概率是多少?。技术解析：定义: 概率公理是度量不确定性的三条公理 — 非负性 P(A) \ge 0、归一性 P(\Omega) = 1、可数可加性 P(\bigcup_{i} A_i) = \sum_i P(A_i)(互斥事件 A_i)。由此定义条件概率 P(A|B) = \frac{P(A \cap B)}{P(B)},全概率公式 P(B) = \sum_i P(B|A_i)P(A_i),并推出贝叶斯定理 P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}, 即 后验 \propto 似然 \times 先验。 使... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/Math/card/probability-axioms

Q: 先验、似然、证据、后验分别对应公式中的哪一项?它们如何共同决定推断结果?

【概率公理与贝叶斯定理 核心考点 4】先验、似然、证据、后验分别对应公式中的哪一项?它们如何共同决定推断结果?。技术解析：定义: 概率公理是度量不确定性的三条公理 — 非负性 P(A) \ge 0、归一性 P(\Omega) = 1、可数可加性 P(\bigcup_{i} A_i) = \sum_i P(A_i)(互斥事件 A_i)。由此定义条件概率 P(A|B) = \frac{P(A \cap B)}{P(B)},全概率公式 P(B) = \sum_i P(B|A_i)P(A_i),并推出贝叶斯定理 P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}, 即 后验 \propto 似然 \times 先验。 使... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/Math/card/probability-axioms

Q: 条件独立与独立的关系?为什么 $P(A|B) = P(A)$ 时称 $A,B$ 独立?

【概率公理与贝叶斯定理 核心考点 5】条件独立与独立的关系?为什么 $P(A|B) = P(A)$ 时称 $A,B$ 独立?。技术解析：定义: 概率公理是度量不确定性的三条公理 — 非负性 P(A) \ge 0、归一性 P(\Omega) = 1、可数可加性 P(\bigcup_{i} A_i) = \sum_i P(A_i)(互斥事件 A_i)。由此定义条件概率 P(A|B) = \frac{P(A \cap B)}{P(B)},全概率公式 P(B) = \sum_i P(B|A_i)P(A_i),并推出贝叶斯定理 P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}, 即 后验 \propto 似然 \times 先验。 使... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/Math/card/probability-axioms

Probability Axioms & Bayes

🎯核心定义

概率公理是度量不确定性的三条公理 — 非负性

P(A) \ge 0

、归一性

P(\Omega) = 1

、可数可加性

P(\bigcup_{i} A_i) = \sum_i P(A_i)

(互斥事件

A_i

)。由此定义条件概率

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

,全概率公式

P(B) = \sum_i P(B|A_i)P(A_i)

,并推出贝叶斯定理

P(A_i|B) = \frac{P(B|A_i)P(A_i)}{\sum_j P(B|A_j)P(A_j)}

, 即后验

\propto

似然

\times

先验。

💡使用场景

一切概率计算的起点 — “检测阳性求患病概率”“垃圾邮件分类”以及先验-似然-后验三件套是面试标准题;也是贝叶斯推断、生成模型

p(x,z)

分解的公共地基。

⚡解决的核心痛点

直觉往往忽略基准率 — 患病率 1%、检测灵敏度与特异度均 99% 时,阳性者真正患病的后验只有约 50% 而非 99%;贝叶斯公式强制纳入先验与证据归一化,避免基准率谬误 (base rate fallacy) 带来的系统性高估。

🎯5 个高频面试考点 (Exam Points)

写出概率的三条公理,并证明

P(A^c) = 1 - P(A)

与

P(A \cup B) = P(A) + P(B) - P(A \cap B)

推导贝叶斯公式与全概率公式?什么叫基准率谬误?

患病率 1%、检测灵敏度与特异度均 99%,检测阳性时后验概率是多少?

先验、似然、证据、后验分别对应公式中的哪一项?它们如何共同决定推断结果?

条件独立与独立的关系?为什么

P(A|B) = P(A)

时称

A,B

独立?

📖 关联深度指南:📄 probability-and-information-theory →

更新于 2026-08-12

🎯

检验攻克程度：针对「概率公理与贝叶斯定理」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点Jacobian 与 Hessian 下一个知识点 →常用分布族

🔗 更多数理基础知识点卡片

Adam/AdamW 偏差修正推导贝叶斯推断偏差方差分解 Bootstrap

概率公理与贝叶斯定理

🔗 更多 数理基础 知识点卡片

🔗 更多数理基础知识点卡片