x “如果先验概率p（0）p(1)已知条件概率p(x|1）和p(x|0)也已知可以计算得到无条件概率：
p(x)=p(0)p(x|0)+p(1)p(x|1)；
后验概率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)判决为0反之判决为1如果相等选谁都一样此之谓”贝叶斯决策最优“。
兄弟们学会了吗？”夏小语软糯糯的说道。
【好的兄弟们我学废了】
【谢谢up猪的普及我是来看跳舞的请教一下现在舞蹈区都这么卷吗？】
【up猪真的不考虑把分区改为普及区吗？或许受众会多很多。】
【啊~~这黏糊糊的声音我酥了要是我数学老师这么教我数学菲尔兹奖必定有我的一份。】
【为什么视频下方会有请勿模仿的字样啊b这是多看得起我？】
【近年很火的元学习从贝叶斯的视角来看就是经验贝叶斯（empirical bayes）的方法从大量任务中学习任务的先验期待这样的先验能够使我们的预测更加准确。】
夏小语大喜果然还是有人懂的这种分享知识共同学习的感觉真不错当即说道：
“这位名叫研究动物世界繁衍的b友说的没错如果你感觉bayesian models反直觉不好理解！本次分享两个工具利用可视化的直观方式探索贝叶斯模型详细的我放在了作者的话里面有兴趣的可以查看哟！”说罢俏皮的单眨了眨眼双手比了个开枪的姿势。
【不枉我听了一个小时的数学课值了。】
【下次能不能提前打个招呼差点就错过了。】
【兄弟们这是我最后的营养了】
“好了b友们我要继续水论文了大家加油哦！”夏小语比了个心微笑着关掉了对话框转而投入到论文的创作之中一边写作脑子里想到的都是刚才b友们的评论和自己的分析。
p波触发后前3 s的p波平均周期t_(c)和位移幅值p_(d)
结合贝叶斯理论建立震级和峰值加速度的预测模型并以震级m45和峰值加速度为120 cm\/s^(2)为预警阈值
建立了地震危害性判别模型与传统拟合方法进行对比仿真分析并以汶川m_(s)80地震为震例进行地震危害性判别实验与分析。
计算及实验结果表明基于贝叶斯理论的地震p波双参数预警方法比传统拟合方法地震漏报率低1515%可以快速准确地估计震级与峰值加速度并有效地评估地震的危害性能够为地震监测预警提供数据支持和决策依据
以上为本篇论文的核心思想套入了公式后计算就变得非常简单了难点是在于思路和分析即“逆概率”的问题。甚至只有足够的公式以及先制条件初中生都可以计算出来。
什么是正向概率呢？举个例子杜蕾斯举办了一个抽奖抽奖桶里有10个球其中2个白球8个黑球抽到白球就算你中奖。你伸手进去随便摸出1颗球摸出是中奖球的概率是多大。
根据频率概率的计算公式你可以轻松的知道中奖的概率=中奖球数（2个白球）\/球总数（2个白球+8个黑球）=2\/10。
而贝叶斯在他的文章中是为了解决一个“逆概率”的问题。比如上面的例子我们并不知道抽奖桶里有什么而是摸出一个球通过观察这个球的颜色来预测这个桶里里白色球和黑色球的比例。
这话已经说的连小学生都能理解了。
当然一旦有了思路水论文就变成了一件很简单的事情甚至有些三流学校的毕业生水了一篇关于水的论文都有这种事情算得上是经常见了。
不过夏小语自然不会做这么没品的事情哪怕是水最少也要水个二区吧低于二区基本是与奖金无缘了。