弱的一批提示您：看後求收藏（八零中文www.80zw.tw），接著再看更方便。
“如果先驗機率p（0），p(1)已知，條件機率p(x|1）和p(x|0)也已知，可以計算得到無條件機率：
p(x)=p(0)p(x|0)+p(1)p(x|1)；
後驗機率p（0|x)= p(0)p(x|0)\/p(x)，p(1|x)=p(1)p(x|1)\/p(x)，如果p(0|x)>p(1|x)，判決為0，反之判決為1，如果相等，選誰都一樣，此之謂”貝葉斯決策最優“。
兄弟們學會了嗎？”夏小語軟糯糯的說道。
【好的，兄弟們我學廢了】
【謝謝up豬的普及，我是來看跳舞的，請教一下現在舞蹈區都這麼卷嗎？】
【up豬真的不考慮把分割槽改為普及區嗎？或許受眾會多很多。】
【啊~~這黏糊糊的聲音，我酥了，要是我數學老師這麼教我數學，菲爾茲獎必定有我的一份。】
【為什麼影片下方會有，請勿模仿的字樣，啊b這是多看得起我？】
【近年很火的元學習，從貝葉斯的視角來看，就是經驗貝葉斯（Empirical bayes）的方法，從大量任務中學習任務的先驗，期待這樣的先驗能夠使我們的預測更加準確。】
夏小語大喜，果然還是有人懂的，這種分享知識共同學習的感覺真不錯，當即說道：
“這位名叫研究動物世界繁衍的b友說的沒錯，如果你感覺bayesian models反直覺，不好理解！本次分享兩個工具，利用視覺化的直觀方式探索貝葉斯模型，詳細的我放在了作者的話裡面，有興趣的可以檢視喲！”說罷俏皮的單眨了眨眼，雙手比了個開槍的姿勢。
【不枉我聽了一個小時的數學課，值了。】
【下次能不能提前打個招呼，差點就錯過了。】
【兄弟們，這是我最後的營養了...】
“好了，b友們，我要繼續水論文了，大家加油哦！”夏小語比了個心微笑著關掉了對話方塊，轉而投入到論文的創作之中，一邊寫作，腦子裡想到的都是剛才b友們的評論和自己的分析。
p波觸發後前3 s的p波平均週期t_(c)和位移幅值p_(d)，
結合貝葉斯理論建立震級和峰值加速度的預測模型，並以震級m4.5和峰值加速度為120 cm\/s^(2)為預警閾值，
建立了地震危害性判別模型.與傳統擬合方法進行對比模擬分析，並以汶川m_(S)8.0地震為震例，進行地震危害性判別實驗與分析。
計算及實驗結果表明基於貝葉斯理論的地震p波雙引數預警方法比傳統擬合方法地震漏報率低15.15%，可以快速，準確地估計震級與峰值加速度，並有效地評估地震的危害性，能夠為地震監測預警提供資料支援和決策依據.
以上為本篇論文的核心思想，套入了公式後計算就變得非常簡單了，難點是在於思路和分析，即“逆機率”的問題。甚至只有足夠的公式以及先制條件，初中生都可以計算出來。
什麼是正向機率呢？舉個例子，杜蕾斯舉辦了一個抽獎，抽獎桶裡有10個球，其中2個白球，8個黑球，抽到白球就算你中獎。你伸手進去隨便摸出1顆球，摸出是中獎球的機率是多大。
根據頻率機率的計算公式，你可以輕鬆的知道中獎的機率=中獎球數（2個白球）\/球總數（2個白球+8個黑球）=2\/10。
而貝葉斯在他的文章中是為了解決一個“逆機率”的問題。比如上面的例子我們並不知道抽獎桶裡有什麼，而是摸出一個球，透過觀察這個球的顏色，來預測這個桶裡裡白色球和黑色球的比例。
這話已經說的連小學生都能
