[概率论与数理统计]笔记:1.4 条件概率
2023-04-18 15:21:48 时间
1.4 条件概率
条件概率
- 样本空间(Omega)
- 事件(A,B)
- (P(B)>0)
在事件(B)已经发生的前提条件下,事件(A)发生的概率称为A对B的条件概率:(P(A|B)).
通常,(P(A))为无条件概率,对应的样本空间为(Omega)。
而条件概率(P(A|B))对应的样本空间为(B),或者记为(Omega_B).
所以:
[P(A|B)=frac{n_{AB}}{n_B}=frac{frac{n_{AB}}{n}}{frac{n_B}{n}}=frac{P(AB)}{P(B)}
]
乘法公式
根据(P(A|B)=frac{P(AB)}{P(B)})可以推导出:
- (P(AB)=P(A)P(B|A))
- (P(AB)=P(B)P(A|B))
其中要求(P(A)>0, P(B)>0).
乘法公式可以推广到任意有限个事件:
[P(A_1A_2cdots A_n)=P(A_1)P(A_2|P_1)P(A_3|A_1A_2)cdots P(A_n|A_1A_2cdots A_{n-1})
]
可以理解为逐步画圈,缩小范围直到精准命中指定交集:(这里用(n=3)为例)
![乘法公式](https://fox-blog-image-1312870245.cos.ap-guangzhou.myqcloud.com/202301022341007.jpg)
全概率公式
- ({A_i})是(E)的完备事件组。
- (P(A_i)>0)。
则对于任意事件(B),有:
[P(B)=sumlimits_iP(A_i)P(B|A_i)
]
事实上,({A_i})不需要是(E)的完备事件集,只需要满足({A_i})的并集能包住(B)即可。
贝叶斯公式
定义
- ({A_i}) 是完备事件组。
- (P(A_i)>0).
则对于任意事件(B),(P(B)>0),有:
[P(A_i|B)=frac{P(A_iB)}{P(B)}=frac{P(A_i)P(B|A_i)}{sumlimits_iP(A_i)P(B|A_i)}
]
- 分子部分:乘法公式
- 分母部分:全概率公式
相关概念
- (P(A_i))称为先验概率(在新信息到来之前)
- (P(A_i|B))称为后验概率(在新信息到来之后)
贝叶斯公式的特点是由果推因,(A_i)是原因,(B)是结果。在已知(B)已经发生的情况下,推测“是(A_i)导致的”的可能性。
举例:
事件(B)是“头疼”,
事件({A_i}=){
"劳累过度",
"普通感冒",
"感染新冠",
......
}
解析:不管事件(B)是否发生,事件(A_i)都有各自发生的可能性,也就是先验概率(P(A_i))。在事件(B)发生之后,后验概率(P(A_i|B))表示“已经头疼了,是由事件(A_i)导致的概率是多少”。
注:在这个例子中:
- (P(A_i|B))表示已经头疼了,是由事件(A_i)导致的可能性是多少。
- (P(B|A_i))表示事件(A_i)已经发生了(比如已经感冒了),那么接下来会“头疼”的可能性是多少。
二者不能搞混。
使用教材:
《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击