####答案

针对《动手学深度学习》2.6 节“概率”末尾的习题，以下是详细的解析与参考答案。这些练习旨在帮助你从直觉过渡到严谨的概率思维。

1. 我们进行了 m=500 组实验，每组抽取 n=10 个样本。改变 m 和 n，观察并分析实验结果。
   解析：

• 增加 n（每组样本量）： 每一组的估计值会更接近真实概率。因为单次实验的样本量越大，单次采样的随机偏差（噪声）就会减小。
• 增加 m（组数）： 图像横轴会拉长。你会看到随着时间推移，估计曲线变得更加平滑，最终所有曲线都会紧紧围绕在 1/6 \approx 0.167 附近。
• 结论： 这验证了大数定律。更多的总样本量（m \times n）意味着更高的估计精度。

2. 给定两个概率分别为 P(\mathcal{A}) 和 P(\mathcal{B}) 的事件，计算 P(\mathcal{A} \cup \mathcal{B}) 和 P(\mathcal{A} \cap \mathcal{B}) 的上限和下限。
   这是一道纯数学推导题，考察对集合包含关系的理解。
   | 目标 | 下限 (Lower Bound) | 上限 (Upper Bound) |
   |—|—|—|
   | P(\mathcal{A} \cup \mathcal{B}) | \max(P(\mathcal{A}), P(\mathcal{B})) | \min(1, P(\mathcal{A}) + P(\mathcal{B})) |
   | P(\mathcal{A} \cap \mathcal{B}) | \max(0, P(\mathcal{A}) + P(\mathcal{B}) - 1) | \min(P(\mathcal{A}), P(\mathcal{B})) |
   提示：

• 上限： 当一个事件完全包含另一个事件时，交集达到最大。
• 下限： 当两个事件尽可能“远离”时（互斥），并集达到最大或交集达到最小。

3. 假设我们有一系列随机变量，例如 A、B 和 C，其中 B 只取决于 A，而 C 只取决于 B。你能简化联合概率 P(A, B, C) 吗？
   解析：
   根据概率的乘法法则（Chain Rule），任何联合概率都可以展开为：

P(A, B, C) = P(C | A, B) \cdot P(B | A) \cdot P(A)
根据题目条件：

• B 只取决于 A \implies P(B | A) 保持不变。
• C 只取决于 B \implies P(C | A, B) = P(C | B)（即已知 B 时，C 与 A 独立）。
  结论（简化公式）：

P(A, B, C) = P(C | B) \cdot P(B | A) \cdot P(A)

注意： 这就是深度学习中马尔可夫链 (Markov Chain) 的基本表达式。

4. 贝叶斯定理练习（经典艾滋病检测问题）
   题目背景： 假设某疾病发病率为 0.001。检测准确率为 95%（即如果有病，检测呈阳性的概率为 0.95；如果没有病，检测呈阴性的概率也是 0.95）。如果你检测呈阳性，你实际患病的概率是多少？
   解析：
   已知条件：

• P(\text{H}) = 0.001（患病）
• P(\text{pos} | \text{H}) = 0.95（有病且阳性）
• P(\text{pos} | \text{not H}) = 1 - 0.95 = 0.05（没病但误报为阳性）
  使用贝叶斯公式计算 P(\text{H} | \text{pos})：

P(\text{H} | \text{pos}) = \frac{P(\text{pos} | \text{H}) P(\text{H})}{P(\text{pos})}
其中分母（全概率）：
P(\text{pos}) = P(\text{pos} | \text{H})P(\text{H}) + P(\text{pos} | \text{not H})P(\text{not H})
P(\text{pos}) = (0.95 \times 0.001) + (0.05 \times 0.999) = 0.00095 + 0.04995 = 0.0509
计算结果：

P(\text{H} | \text{pos}) = \frac{0.00095}{0.0509} \approx 0.0187
结论： 尽管检测准确率高达 95%，但如果你检测呈阳性，你实际患病的概率只有约 1.87%。这是因为基础发病率极低，导致误报的数量远超过实际患病人数。
这些练习题对理解机器学习中的“先验概率”和“后验概率”至关重要。你需要我针对其中某一部分（比如代码实现或公式推导）进行更深入的演示吗？