“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τ_(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M4.5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)8.0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15.15%，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。
就像现在，常年写大量论文的他已经想到了第二篇论文了，《基于贝叶斯理论的AVO地震参数叠前反演方法研究》
不管是前者还是后者都是他发表的，别说引用文献了，简直就是裁判亲自下场踢球还过分。
当然这得等到前者发布了才行。
双手离开了键盘，夏小语拿起纸笔。
进入状态的他，完全忘却了外物，甚至忘记了自我。
世间唯一纸一笔。
无数的数据在他的笔下变成先置条件，引用的论文组成发生经验，实践的结果证明后验概率。
时间一分一秒地过去。
证明的过程列式越来越多，渐渐的铺满了桌面。接下来要做的就是收束公式了。
【牛逼，已经快6个小时了吧，我都上了三趟厕所了up主都没有动过。】
【看着女神这么认真，我也不好意思偷懒了。】
本小章还未完，请点击下一页继续阅读后面精彩内容！